Planering, PoC och produktion av en framgångsrik AI-driven företagslösning

Företag accelererar sina artificiella intelligensinitiativ i en rasande takt. En studie av Algorithmia visade att 76 procent av CIO:er prioriterar och ökar sina IT-budgetar för att ha större fokus på AI och maskinlärning (ML). Organisationer erkänner också vikten av data, och de flesta accepterar att 80 procent av företagsdata är ostrukturerad till sin natur.

Ostrukturerad data produceras och växer i en alarmerande takt i ett företagsstack. Enhetsmåtten har skiftat från terabyte till petabyte. Som ett resultat måste IT-proffs, CDO:er och CIO:er hantera några nya utmaningar för att möta den ökande efterfrågan på användbar data och handlingsbara insikter. Trots AI:s enorma potential att förvandla vilken bransch som helst, kommer bara 15 procent av AI-lösningarna som distribueras vid slutet av 2022 att vara framgångsrika, och färre av dem kommer att generera en positiv avkastning.

Det största problemet är att de flesta företags AI-lösningar inte ser dagens ljus på grund av förväntningsfel. Det finns fortfarande missuppfattningar om AI:s möjligheter och projekt fortsätter att konceptualiseras med hype-drivna modeller. De flesta produkter eller modeller är långt ifrån den faktiska verkligheten i företagets dagliga verksamhet. Andra drivande faktorer för lägre framgångsgrad inkluderar: kostnadsöverskridningar, brist på AI Centers of Excellence (CoE), inexperterad talang, otillgänglighet av data och föråldrade policys, för att nämna några.

Planering banar väg för företags AI-succé

Ostrukturerad data är data som saknar en fördefinierad datamodell och inkluderar allt från texttunga dokument och webbplatser till bilder, videofiler, chatbots, ljudströmmar och sociala medieinlägg. Med den ökande mängden ostrukturerad data i företagsarkitekturen är det kritiskt att ha en effektiv och inkrementell plan som överensstämmer med alla företagsstakholders mål. Typiska mål på organisationsnivå kan inkludera: processautomatisering, bedrägeridetektering, förbättring av kundupplevelsen, förbättring av säkerheten, ökning av försäljningen och så vidare. Medan några av dessa mål kan uppnås ganska effektivt på grund av den strukturerade naturen av data, kan planering kring ostrukturerad data vara utmanande.

Typiskt sett börjar planeringen med att identifiera områden med möjligheter inom organisationen. Medan det kan finnas en stor AI-vision på den verkställande ledningsnivån, är det kritiskt att identifiera ett område som har hög påverkan, låg risk och kontinuerlig tillväxt i data. Ett bra exempel på ett sådant användningsfall skulle vara funktionen för lånbehandling i bank- och finansbranschen. Låneursprung till service är fullt av manuella processer där information matas in för hand i system på ett upprepat sätt. Due diligence av låneansökningar innebär en betydande mängd dokumentinlämning, vilket medför flera risker. Men AI kan tillämpas på flera områden i arbetsflödet, inklusive dokumentbehandling och bedrägeridetektering. Detta är också ett område där det finns kontinuerlig årlig tillväxt av data.

Andra kritiska steg att överväga under denna planeringsfas inkluderar att definiera mätbara framgångskriterier, formulera en sammanhängande datastrategi, kontinuerlig utbildning och feedback, och att mäta användarupplevelsen, skalbarheten och infrastrukturen.

Definiera mätbara framgångskriterier (och undvik “cart before the horse”-ögonblicket!)

Googles tidiga framgång tillskrivs ofta företagets institut för Objective Key Results (OKR). Medan detta tillvägagångssätt kan tillämpas på vilket område som helst inom affärs- eller personliga mål, kan detta beprövade tillvägagångssätt för AI-strategi ge lovande resultat. Men när det gäller ostrukturerad data är det ett utvecklingsproblem som branschen i stort försöker lösa. Med tanke på utmaningarna bör affärsledare ställa olika frågor för att bestämma “vad” och “varför”. Till exempel, om ökad produktivitet är det viktigaste målet, kan två frågor som kan besvaras vara:

• Ska jag planera att förbättra genomströmningen genom automatisering? eller
• Ska jag planera att lösa 80 procent av problemet för 100 procent av alla inlämnade ärenden?

Att besvara dessa frågor leder till två olika implementeringsresor och det är viktigt att bestämma vilken som är rätt för ditt företag.

Med ostrukturerad data är ett annat oklart mätområde precision. I exemplet med lånbehandling, där det finns så mycket variation i de dokument som lämnas in av kunder, är det kritiskt för affärs- och tekniska ledare att komma överens om hur precisionen i AI-lösningen mäts. Om produktivitet är ett av målen med att införa en AI-lösning, då är det nödvändigt att identifiera andra områden som påverkar produktivitet. Detta kan uppnås genom att noggrant titta på den nuvarande processen och omdefiniera processen med AI-automatisering. Ofta leder ny automatisering till nya steg i processen, såsom manuell undantags hantering, annotering, utbildning och så vidare. Med dessa steg på plats, skulle det vara lättare att bestämma hur man mäter precision.

Data är livsnerven för alla företag

Ostrukturerad data har en hög grad av variation i hur informationen struktureras och presenteras. Företag är fulla av information som presenteras i dokument, som av naturen har komplexa strukturer bestående av stycken, meningar och, viktigast av allt, multi-dimensionella tabellstrukturer. Utöver dokument investerar organisationer alltmer i chatbots, övervakning av sociala medie-data och andra former av ostrukturerad data som nyheter, bilder och videor.

De flesta organisationer underskattar hur mycket data som finns tillgänglig och tillgänglig. Ofta är utmaningen så enkel som att övervinna regelefterlevnadsbegränsningar och dela data inom organisationen. Trots detta tillåter ren och hög variabilitet av data en bättre bedömning av ett problem och design av en optimal lösning.

En annan viktig faktor att överväga är vilken utfall du förväntar dig av denna ostrukturerade data. Detta säkerställer en korrekt mängd grundfakta, utbildnings- och testdata. Återgå till exemplet med lånbehandling, om utfallet av denna AI-lösning är att bestämma lånesökandes genomsnittliga dagliga balanser, kan grundfakta och utbildningsdata fokuseras kring bankutdrag. Men om fokus ligger på att bestämma bedragare genom inlämnade bankutdrag, måste man få tillgång till en bredare mängd dokument för att få den nödvändiga grundfakta och utbildningsdata.

Skalning från PoC till produktion

Att påbörja en mätbar Proof of Concept (PoC) säkerställer att alla intressenter förstår utmaningarna, resultaten och värdeerbjudandet av en AI-lösning. Men en PoC är inte samma sak som en produktionsklar lösning. En PoC möjliggör för en organisation att identifiera luckor, stimulerar design-tänkande för en produktionslösning och strömlinjeformar de mål och nyckelresultat som ska uppnås. För att gå från PoC till en skalbar lösning bör organisationer planera för komplexa data-scenarier som inkluderar konstanta dataförändringar, otillgänglighet av märkt data och en hög grad av variation i form och format. Det är lika viktigt att omdefiniera arbetsflödet, omutbilda arbetskraften och bestämma den rätta infrastrukturen, kostnaderna, prestandan, dataarkitekturen, informationssäkerheten och serviceavtalen (SLA:er).

Det är absolut nödvändigt att utvärdera hela arbetsflödet och affärsprocessen för att uppnå de bästa resultaten från en AI-lösning. Med en cue från beteendekonomi, är det kritiskt att jämföra resultatet med en befintlig referenspunkt (även kallad “referensberoende”), vid vilken tidpunkt bättre effektivitet kan förväntas före produktion genom design-tänkande och processomdefiniering.

Denna scenario förutsätter att både affärs- och tekniska ledare har kommit överens om en MI eller djupinlärningsansats baserat på PoC. Vissa problem kan vara deterministiska och en statistisk ansats kan tas för att lösa problemet, medan andra utmaningar kan kräva en kombination av MI och neurala nätverksbaserade ansatser för att uppnå de önskade resultaten.

Vissa AI-lösningar kräver införandet av Natural Language Processing (NLP). Medan allmänna språkmodeller tjänar som en grundläggande steg, är de flesta modeller inte utformade för att möta de unika behoven av varje företagsproblem och skulle kräva finjustering. Samtidigt är de flesta chefer sannolikt entusiastiska över stora modeller som GPT3, som kräver betydande beräkningskraft och kan ha en direkt inverkan på ett företags avkastning. Dessa modeller är troligen inte lämpliga för ditt företag.

Din AI-drivna PoC är bara början på en lång process, så håll följande i åtanke:

• Välj inte ett komplext problem att lösa på PoC-stadiet
• Tillämpa design-tänkande och granska din slut-till-slut-process; förutse och hantera risker tidigt
• Precision är inte den enda mätningen; designa och planera att bygga en värdebaserad lösning istället för att uppnå 100 procents precision
• Utvärdera din AI-ansats; planera inte på hype-drivna modeller, utan välj den mest optimala ansatsen som är modulär till sin natur
• Hantera förväntningar över alla intressenter för att säkerställa den mest framgångsrika utfallet
• Designa din lösning och arkitektur för att skalas med datatillväxten för den mest optimala avkastningen

Bästa praxis för AI-drivna lösningar

Idag genomför de flesta företag ett eller flera AI-projekt. Trots utmärkta avsikter och hårt arbete, misslyckas många företags AI-program med att möta förväntningarna, skalas inte och genererar inte den önskade avkastningen. Det kommer att ta tid att integrera artificiell intelligens som en kärnaffärs komponent, men några av de bästa praxis som följs av framgångsrika organisationer inkluderar:

• Börja med AI CoE: Många stora företag, även icke-tekniska, har etablerat AI Centers of Excellence (AI CoE) för att maximera chanserna för framgång. En AI CoE samlar den nödvändiga expertisen, resurserna och människorna för att tillåta AI-baserade transformationsinitiativ. De primära fördelarna inkluderar:
  • Samla AI-lärande, resurser och talang på en plats
  • Utveckla en enhetlig AI-vision och affärsstrategi
  • Standardisera AI-ansatser, plattformar och processer
  • Identifiera nya intäktsmöjligheter för AI och innovation
  • Skala data science-insatser genom att göra AI tillgänglig för alla affärsfunktioner
• Chefens köp: En AI-strategi är mest framgångsrik genom en topp-ned-ansats. Skalning av piloter genom hela organisationen kräver ledarskapsengagemang, nödvändiga färdigheter och data, och etablering av en organisationsstruktur som säkerställer att modellerna förblir precisa över tid.
• Tillgänglighet av data: De flesta organisationer har siloade data av olika skäl. Men data är livsnerven för varje AI-lösning och tillhandahållande av denna data är kritiskt. Utöver tillhandahållande är klassificering och rensning av data essentiellt. Utveckling av precisa grundfakta och utbildningsdata kan göra eller bryta en AI-lösning.
• Arkitektur: Att utnyttja AI är en paradigm-skift för varje organisation, som kräver nya sätt att tänka och planera. Att designa en optimal teknisk och operativ arkitektur ökar chanserna för framgång. Detta inkluderar att ha nya funktioner som ML-ops, data-ops, iterativ utbildning och annotering, bland annat.
• Modularitet och flexibilitet: AI-drivna lösningar är fortfarande i sin linda, särskilt när organisationer hanterar tung ostrukturerad data. Det är kritiskt att designa och bygga en modulär och flexibel lösning som kan skalas med företaget och dess växande utmaningar.

Att etablera och påbörja en AI-strategi har stor potential för de flesta organisationer, och användningsfallen är oändliga. Maskin- och djupinlärningslösningar berör varje aspekt av en organisation, från försäljning och marknadsföring till dagliga operationer. Men, som att bygga en raket eller uppfinna en ny pryl, kommer framgång inte att uppnås på en gång. AI-drivna lösningar bör tillvägagås i etapper och byggas på mindre vinster över tid.