Lyckad AI-antagning kräver 3 komponenter — De flesta företag har bara 2

Vid det här laget är AI inte längre ny teknik. Dess beprövade effektivitet i dataanalys, mönsterigenkänning och kunskapssyntes kan göra team mer effektiva. Men trots AI:s ovedersägliga värde visar ny forskning att endast 13% av företagen har antagit det på ett omfattande sätt. De flesta företag spelar det säkra spelet och använder endast AI för de lägsta riskuppgifterna. Vad hindrar varumärken från att dyka in och skörda fördelarna? Klyftan mellan AI-aspirationer och prestationer beror på en strukturell brist.

Den saknade länken.

Lyckad, omfattande AI-antagning kräver tre komponenter: infrastruktur, applikation och data. Infrastrukturlagret består av AI-modellen, vars ramverk direkt formar användning och möjliga utdata.

Applikationslagret är där programvarulösningarna finns. Här genereras AI:s värde; det är där användare interagerar (kanske indirekt) med AI och granskar dess utdata; det är navet för AI-informerat beslutsfattande.

Mellan dessa lager finns datalagret, och det är denna komponent som de flesta företag har svårt med – oavsett om de är medvetna om det eller inte. Detta lager innehåller all data; data som passar in i de underliggande AI-modellerna och vägleder de applikationer som byggs. Datalagrets kvalitet informerar direkt utdatat på applikationslagret. Högkvalitativ, riklig data kan stödja robusta användningsfall, medan tvivelaktig eller otillräcklig data inte kan.

Tills organisationer kan bygga – eller samarbeta med företag som bygger – alla tre lager av AI-antagning, kommer de inte att få ut maximalt värde.

Konsekvenserna av obalans.

AI:s utdata kommer alltid att bero på den data som matas in. Om en organisation vill att dess AI ska kunna förutsäga syntetiska molekylära strukturer, måste den mata in mycket fysikdata. Om en detaljhandlare vill använda AI för att förutsäga användarbeteende och förbättra digitala upplevelser, måste den mata in beteendedata.

Om företag (eller deras partners) inte kan tillräckligt stödja sina AI-verktyg med tillräcklig data, kommer konsekvenserna att vara långtgående. Först och främst finns det AI-lösningen i sig. I bästa fall kommer den att vara tekniskt fungerande, men inte i den utsträckning som önskas. Utdata kan vara svaga, bleka eller helt sakna insikter. Utanför detta “bästa” resultat ligger en mer sannolik utgång: AI-hallucinationer, felaktiga utdata och negativ avkastning. Inte bara kommer investeringen att ha slösats bort, utan organisationer kan också tvingas lägga mer pengar på att åtgärda skadan.

När vi zoomar ut från de omedelbara konsekvenserna kan vi se de bredare konsekvenserna av en AI-lösning som saknar data. Generellt sett antar företag AI för att de kan göra mer: få mer insikt, betjäna fler kunder, operera mer effektivt. Om organisationer lägger tid och resurser på ett AI-verktyg som faller platt, har de i praktiken hämmat sin egen tillväxt, begränsat sin förmåga att anpassa sig till marknaden och överträffa konkurrenterna. Det sätter dem i en underläge och kommer att lämna dem kämpande för att ta igen förlorad tid, resurser och – potentiellt – kunder.

Men hopp är inte förlorat; det finns mycket organisationer kan göra för att positionera sig väl, korrigera (eller förhindra) en AI-obalans och gå vidare.

Att fylla gapet med rätt data.

På risk att förenkla, är det bästa ledare kan göra för att undvika en AI-obalans att göra sin hemläxa innan de går vidare med någon AI-driven lösning. Innan de distribuerar ett nytt verktyg, tar de sig tid att lära sig var data kommer ifrån och hur den genereras.

Om er lösningstillhandahållare eller chefsingenjör inte kan ge er ett rakt svar om källan, kvaliteten eller mängden underliggande data, bör det utlösa varningsklockor. Få en andra eller tredje åsikt från kanalpartners och integratörer. Samla in information genom att koppla till användardiskussionsnätverk som Reddit och Discord; se var andra antagare stötte på hinder eller problem. Att veta vad man ska leta efter före man fattar några beslut kan hjälpa ledare att undvika en värld av huvudvärk och förväntade misslyckanden.

Självklart är denna förutseende inte alltid möjlig och kommer inte att hjälpa organisationer som redan befinner sig i en AI-data-brist. Om det inte är ett alternativ att skrota den befintliga lösningen, är det bästa nästa steg att hitta ett sätt att injicera mer data så att verktyget har mer sammanhang, mönster och insikter att dra från.

Syntetisk data är ett alternativ här, men det är inte en universallösning. Det kan vara svårt att fastställa den exakta ursprunget till syntetisk data, så det kanske inte alltid är den bästa vägen framåt. Det finns en tid och plats för syntetisk data. Till exempel fungerar den bra för att träna AI-säkerhetsmodeller, särskilt på ett antagonistiskt sätt. Som alltid kommer forskning i förväg att hjälpa ledare att fatta de bästa besluten för sin verksamhet.

För branscher som detaljhandel eller snabbmatsrestauranger (QSR) föredras mänsklig data. Företag i dessa branscher använder troligen AI för att optimera kundupplevelsen, så deras verktyg bör tränas på mänskligt beteendedata. Till exempel, om du hoppas förutsäga hur långt användare kommer att rulla ner på en sida, vill du att AI ska basera sin förutsägelse på faktiskt mänskligt beteende under liknande förhållanden.

I vissa fall handlar det inte så mycket om att få tillgång till ny data som att aktivera befintlig data. Webb- och appbesökarna finns redan där – det handlar bara om att fånga, strukturera och analysera deras beteendedata så att AI-verktyg kan använda det.

Till slut är det bättre att ha otillräcklig data än dålig data; allt organisationer kan göra för att rensa sina lösningar kommer att driva bättre resultat.

Vart man ska börja.

Att vara kort på AI-data kan utgöra en betydande utmaning för organisationer av alla storlekar, och det kan vara överväldigande att ens tänka på vad nästa steg kan vara. Men att erkänna problemet är i sig ett framsteg. Därifrån handlar det om att hitta de hanterbara, inkrementella stegen som kan hanteras ett i taget.

AI har ett stort löfte – men endast för de som är villiga att investera i var och en av dess nyckelkomponenter: infrastruktur, applikation och data. Utan dessa lager kommer även den mest eleganta AI-lösningen att falla platt. Organisationerna som stänger datagapet nu kommer inte bara att undvika att hamna på efterkälken; de kommer att sätta takten.