AI พบวิศวกรรมวิเคราะห์ข้อมูล: ความต้องอาศัย AI ในกระบวนการ

บริษัทต่างๆ ในอุตสาหกรรมและความเชี่ยวชาญต่างๆ รู้สึกถึงความจำเป็นที่จะต้องเข้าสู่โลกของ AI และนั่นรวมถึงวิศวกรรมวิเคราะห์ข้อมูลด้วย โอกาสเหล่านั้นเป็นจริงและน่าตื่นเต้น แต่บริษัทที่ต้องการใช้ประโยชน์จากโอกาสเหล่านั้นควรใช้โครงสร้างกระบวนการในลักษณะที่คิดถึงและเป็นจริงตามระดับความต้องอาศัย AI ของตน มาทำความรู้จักกับวิธีการใช้ AI ในกระบวนการวิศวกรรมวิเคราะห์ข้อมูลกัน

ระดับความต้องอาศัย AI

เมื่ออธิบายถึงความซับซ้อนของ AI ที่คุณใช้ ระดับความต้องอาศัย AI เป็นกรอบการทำงานที่ช่วยให้เข้าใจได้ง่ายขึ้น

ระดับที่ 1: AI ที่ช่วยเหลือ (การทำงานอัตโนมัติ) : การทำงานอัตโนมัติของงานและกระบวนการที่ซ้ำกัน ตัวอย่าง: ชาตบอทที่มีคำตอบที่กำหนดไว้แล้ว, เครื่องมือค้นหาเว็บไซต์, เครื่องมือค้นหาภายใน

ระดับที่ 2: AI ที่เสริมสร้าง (การวิเคราะห์ที่ได้รับการแนะนำ) : คุณบอก AI วิธีการ/แบบจำลองและอะไรที่ควรวิเคราะห์ และ AI จะทำส่วนที่เหลือ ตัวอย่าง: อัลกอริทึมการประมูลโฆษณา, เครื่องมือสรุปเนื้อหา

ระดับที่ 3: AI ที่มีอิสระ (AI ที่เรียนรู้ด้วยตนเอง) : AI เลือก phương pháp, ค้นหารูปแบบ และให้คำแนะนำ ตัวอย่าง: รถยนต์ขับเคลื่อนอัตโนมัติ, หุ่นยนต์เทรดหุ้นอัตโนมัติ หุ่นยนต์เทรดหุ้น

ความกดดันในการ “AI”

แน่นอนว่าในปัจจุบันมีความกดดันในการ “เป็นระดับที่ 3” แต่นั่นขึ้นอยู่กับทรัพยากร, สินทรัพย์, ความสามารถหลัก, ความรู้ และบุคลากรของบริษัทของคุณ วิธีการที่ดีที่สุดคือเริ่มต้นจากที่มันสมเหตุสมผล แม้ว่าจะเป็นระดับที่ 1

ปัจจุบันมีบทความออนไลน์หลายล้านบทความที่ให้ความคิดเห็นเกี่ยวกับ AI แต่ความคิดเห็นไม่ได้นำผลลัพธ์มาให้ ตามรายงานของ Adobe (ADBE ) มีเพียง 12% ของบริษัทที่มีโซลูชัน AI ที่ทำงานและแสดงผลลัพธ์ที่ชัดเจน ส่วนใหญ่ยังอยู่ในระยะทดลอง, ประเมินผล, หรือเผชิญกับความท้าทายในการขยายโครงการ AI หลายทีมต้องดิ้นรนในการหาวิธีใช้ AI ในกระบวนการทำงานของตน และแม้ว่าจะพบกรณีการใช้งาน AI แล้ว ก็ยังมีหลายองค์กรที่ขาดความสามารถในการสร้างเครื่องมือ AI ที่กำหนดเองหรือหาวิธีแก้ปัญหาที่เชื่อถือได้จากภายนอก

มาทำให้การประยุกต์ใช้ AI เป็นเรื่องที่เป็นจริงกัน มีหลายวิธีที่ดีในการพัฒนาการใช้ AI อย่างต่อเนื่องและเป็นจริงสำหรับผู้นำที่พร้อมที่จะขยายขนาดอย่างรับผิดชอบ

อะไรที่สามารถทำอัตโนมัติได้เมื่อสร้างวิเคราะห์ข้อมูลสำหรับผลิตภัณฑ์ Ecommerce/SaaS

ในความคิดเห็นของฉัน มีกระบวนการที่ดี 2 อย่างภายในทีมวิศวกรรมวิเคราะห์ข้อมูลที่มีศักยภาพในการสร้างความต้องอาศัย AI :

1. AI สำหรับการจัดการความรู้และกระบวนการฝึกอบรม
2. AI สำหรับการตรวจสอบและตรวจสอบอัตโนมัติ

1. AI สำหรับการจัดการความรู้และกระบวนการฝึกอบรม

เอกสารเป็นเครื่องมือสำคัญในการติดตามระบบที่ซับซ้อน ตามกรอบการทำงานกระบวนการ (Process Framework) จะต้องมีการจัดทำเอกสารสำหรับทุกขั้นตอนของ 5 ขั้นตอน อาจดูเหมือนดังนี้:

• กระบวนการที่ 1: การจัดทำเอกสารผลลัพธ์ที่คาดหวัง
• กระบวนการที่ 2: การติดตามเรื่องราวการเก็บข้อมูลที่สำคัญ
• กระบวนการที่ 3: การบันทึกประวัติความต้องการข้อมูลของฝ่ายที่สาม
• กระบวนการที่ 4: การอธิบายชั้นข้อมูลทั่วทั้งแอปพลิเคชันและพื้นผิว
• กระบวนการที่ 5: การอธิบายและรายละเอียดการออกแบบวิศวกรรมพร้อมด้วยแผนภาพ, ระบบลำดับชั้น และข้อกำหนด

ทีนี้ มาทำให้ AI เข้ามาเกี่ยวข้องกับกระบวนการนี้

ระดับที่ 1

ที่ระดับที่ 1 คุณสามารถเริ่มใช้ AI ชาตบอทภายในสำหรับการค้นหาเอกสาร

หลายบริษัทมี AI ชาตบอทภายในที่สามารถฝึกฝนได้จากเอกสารที่เป็นกรรมสิทธิ์ หากคุณไม่มี AI ชาตบอทภายใน คุณสามารถใช้โหมดไม่ระบุชื่อหรือลบเอกสารก่อนที่จะให้ AI ดู

ให้ AI ของคุณดูเอกสาร SDR, คู่มือ QA, ข้อกำหนดการกำหนดชื่อ และมาตรฐานการนำไปใช้

หลังจากการเปิดตัวที่สำเร็จแล้ว ให้ AI ของคุณดูบันทึกโครงการหรือแผนการนำไปใช้เพื่อเพิ่มเอกสาร จากนั้นถาม AI คำถามต่อไปนี้:

• “วิธีการที่ดีที่สุดในการนำไปใช้ X หากต้องการใช้ตรรกะเดียวกันกับ Y คืออะไร?”
• “ข้อมูลใดที่จำเป็นต้องเก็บสำหรับการติดตามการซื้อ?”
• “แท็กใดที่หายไปจากหน้าผลิตภัณฑ์ใหม่นี้?”

ผลลัพธ์ของกระบวนการนี้คือคุณใช้เวลาในการค้นหาเอกสารหรือถามเพื่อนร่วมงานน้อยลง และสมาชิกใหม่ในทีมสามารถหาคำตอบได้ด้วยตนเอง และความรู้ที่ซับซ้อนสามารถขยายได้

มีบางสิ่งที่ต้องพิจารณาที่นี่ วิธีการนี้ทำงานได้ดีหากคุณทำการบำรุงรักษาเอกสารของคุณได้ดี และจะขยายได้ก็ต่อเมื่อคุณฝึกอบรมและกำหนดให้คนของคุณใช้เครื่องมือนี้

ระดับที่ 2

หากวิธีการนี้ทำงานสำหรับแผนกของคุณ ลองพิจารณาในการเชื่อมต่อ AI ชาตบอทของคุณกับเทคโนโลยีของคุณโดยตรง คุณสามารถทำให้การทำงานอัตโนมัติเป็นอัตโนมัติ

ระดับที่ 3

ฉันแน่ใจว่าฟ้าเป็นขีดจำกัดที่นี่ ทิศทางที่ฉันจะพัฒนาคือการสร้าง AI ที่มีการเรียนรู้ด้วยตนเองที่สามารถระบุความไม่สอดคล้องกันและให้คำแนะนำได้ ความเป็นจริงคือบริษัทไม่หลายแห่งที่สามารถเข้าถึงระดับนี้ได้ และฉันเขียนบทความนี้สำหรับคนส่วนใหญ่ที่ยังเรียนรู้อยู่

2. AI สำหรับการตรวจสอบและตรวจสอบอัตโนมัติ

การตรวจสอบวิธีการเก็บข้อมูลเป็นหนึ่งในแนวทางปฏิบัติที่ดีที่สุดสำหรับกรอบการทำงานกระบวนการ มักจะใช้ทีม QA หรือเครื่องมือตรวจสอบ ตัวอย่างเช่น ObservePoint เป็นเครื่องมือที่มีคุณสมบัติครบถ้วนและสามารถปรับแต่งได้สูง ซึ่งช่วยให้คุณสร้างกระบวนการตรวจสอบที่ซับซ้อนได้ แม้ว่าคุณจะมีหุ่นยนต์แล้ว คุณก็ยังสามารถใช้ AI ได้อีก

ระดับที่ 1

มาทำให้เทคนิคการทำงานอัตโนมัติเป็นอัตโนมัติกัน การสร้างการเดินทางในเครื่องมือตรวจสอบอัตโนมัติ เช่น ObservePoint เป็นเรื่องที่ซับซ้อนและต้องการการสนับสนุนมาก คุณสามารถขอความช่วยเหลือจาก AI ชาตบอทเพื่อทำให้การทำงานเหล่านี้เป็นอัตโนมัติได้ คุณสามารถถาม AI คำถามต่อไปนี้:

“ให้ฉันเลือกตัวเลือก CSS สำหรับปุ่ม ‘ต่อไป’”

“เขียนโค้ดที่เลือกตัวเลือก ‘ตกลง’ สำหรับ쿠키ทั้งหมด”

ผลลัพธ์ของกระบวนการนี้คือการทำงานที่ง่ายขึ้นเมื่อใช้เครื่องมือที่ซับซ้อน, การแก้ไขปัญหาและแก้ปัญหาได้เร็วขึ้น และการพึ่งพาการสนับสนุนและนักพัฒนาฟรอนต์เอนด์น้อยลง

มีบางสิ่งที่ต้องพิจารณาที่นี่ หากคุณไม่ใช้เครื่องมือตรวจสอบอัตโนมัติสำหรับการตรวจสอบข้อมูล คุณอาจใช้ทีม QA ทีม QA สามารถพิจารณาการใช้เครื่องมืออัตโนมัติสำหรับการดำเนินการทั่วไป เริ่มต้นด้วยการเริ่มต้นเล็กๆ และเพิ่มขึ้นเมื่อคุณพร้อม; ขั้นตอนต่อไปของคุณจะชัดเจนขึ้นเมื่อคุณเริ่มต้น

ระดับที่ 2

สำหรับการใช้ AI ระดับที่ 2 ลองพิจารณาการเชื่อมต่อ AI ชาตบอทกับเครื่องมือโดยตรงโดยไม่ต้องใช้ AI ชาตบอทด้วยตนเอง

ระดับที่ 3

สุดท้าย สำหรับการใช้ AI ระดับที่ 3 ฟ้าเป็นขีดจำกัดอีกครั้ง ค้นหาวิธีทำให้การทำงานอัตโนมัติของคุณมีการเรียนรู้ด้วยตนเองในการค้นหาการปรับปรุงและให้คำแนะนำได้ ลองใช้วิธีนี้เฉพาะเมื่อคุณรู้สึกสบายใจกับการใช้ AI ระดับที่ 2

สิ่งที่ไม่ควรทำอัตโนมัติ (ยัง)

มาทำให้แนวทางปฏิบัติที่ดีที่สุดเป็น #3: ร่วมมือกับฝ่ายที่สาม คือสิ่งที่มนุษย์ยังทำได้ดีที่สุด คุณสามารถใช้ AI เพื่อเตรียมการสำหรับการโทรหาพันธมิตร, สรุปสัญญา หรือร่างแผนการรวม แต่สำหรับตอนนี้ การสร้างความสัมพันธ์ยังคงเป็นเรื่องของมนุษย์

ความคิดสุดท้าย

แม้ว่าคุณไม่มีงบประมาณสำหรับการพัฒนาอัตโนมัติแบบกำหนดเอง คุณก็สามารถเริ่มต้นด้วยเครื่องมือที่คุณมีอยู่แล้ว โครงสร้างกระบวนการที่ดีและ AI ชาตบอทที่ดีสามารถนำไปสู่ความสำเร็จได้

เริ่มต้นด้วยระดับที่ 1 หรือ 2 และให้ทีมของคุณคุ้นเคยกับ AI เมื่อคุณเห็นว่า AI ช่วยให้คุณประหยัดเวลาและเพิ่มความสม่ำเสมอ คุณจะรู้ว่าควรลงทุนในเครื่องมือที่มีความสามารถมากขึ้น ส่วนที่ยากที่สุดในการนำ AI มาใช้คือการหาว่าคุณต้องการ AI ที่ไหน เมื่อคุณสร้างฐานรากแล้ว ลองพัฒนาสิ่งต่างๆ ไปอีกขั้นด้วยทีมของคุณ และดูว่าวิศวกรรมวิเคราะห์ข้อมูลที่มี AI จะทำให้กระบวนการของคุณราบรื่นขึ้นได้อย่างไร

ต้องการเรียนรู้เพิ่มเติมเกี่ยวกับ AI ในวิศวกรรมวิเคราะห์ข้อมูล และโดยเฉพาะกระบวนการที่ดีที่สุดสำหรับการเก็บข้อมูลที่สะอาด? ลองอ่านบทความของฉันเกี่ยวกับการสร้าง กรอบข้อมูลอีคอมเมิร์ซที่สะอาด