การนำ AI มาใช้ได้สำเร็จต้องมี 3 ส่วนประกอบ — บริษัทส่วนใหญ่มีเพียง 2 ส่วน

ณ จุดนี้ AI ไม่ใช่เทคโนโลยีใหม่อีกต่อไป ความสามารถที่พิสูจน์แล้วในการวิเคราะห์ข้อมูล การตระหนักแบบแผน และการสร้างความรู้สามารถทำให้ทีมงานมีประสิทธิภาพมากขึ้น แต尽管คุณค่าของ AI ที่ไม่ต้องสงสัย นักวิจัยใหม่ๆ บ่งชี้ว่าเพียง 13% ของธุรกิจ ได้นำ AI มาใช้ในรูปแบบที่กว้างขวาง ส่วนใหญ่ของธุรกิจเล่นอย่างปลอดภัย โดยใช้ AI เพียงสำหรับงานที่มีความเสี่ยงต่ำที่สุด สิ่งใดที่หยุดยั้งแบรนด์ไม่ให้ลงทุนและเก็บเกี่ยวผลประโยชน์ ช่องว่างระหว่างความตั้งใจและความสำเร็จของ AI ลดลงเหลือความบกพร่องทางโครงสร้าง

ส่วนเชื่อมต่อที่หายไป

การนำ AI มาใช้ได้สำเร็จและกว้างขวางต้องมี 3 ส่วนประกอบ: โครงสร้างพื้นฐาน การใช้งาน และข้อมูล ส่วนโครงสร้างพื้นฐานประกอบด้วยโมเดล AI ซึ่งโครงสร้างโดยตรงกำหนดรูปแบบการใช้งานและผลลัพธ์ที่เป็นไปได้

ส่วนการใช้งานคือที่ที่โซลูชันซอฟต์แวร์อยู่ นี่คือที่ที่คุณค่าของ AI ส่วนใหญ่ถูกสร้างขึ้น; ที่ที่ผู้ใช้โต้ตอบ (อาจจะโดยอ้อม) กับ AI และตรวจสอบผลลัพธ์ของ AI; นี่คือจุดศูนย์กลางของการตัดสินใจโดยอาศัยข้อมูลจาก AI

ระหว่างส่วนเหล่านี้คือส่วนข้อมูล และส่วนนี้คือส่วนที่ธุรกิจส่วนใหญ่มีปัญหา — ไม่ว่าพวกเขาจะรู้ตัวหรือไม่ก็ตาม ส่วนนี้มีข้อมูลทั้งหมด; ข้อมูลที่เข้ากันได้กับโมเดล AI พื้นฐานและชี้นำการสร้างแอปพลิเคชัน คุณภาพของส่วนข้อมูลส่งผลกระทบต่อผลลัพธ์ที่ส่วนการใช้งานโดยตรง ข้อมูลที่มีคุณภาพสูงและเพียงพอสามารถรองรับกรณีการใช้งานที่แข็งแกร่ง ในขณะที่ข้อมูลที่น่าสงสัยหรือไม่เพียงพอไม่สามารถทำได้

จนกว่าองค์กรสามารถสร้างหรือร่วมมือกับธุรกิจที่สร้างทั้ง 3 ส่วนของการนำ AI มาใช้ พวกเขาจะไม่ได้รับคุณค่าสูงสุด

ผลกระทบของความไม่สมดุล

ผลลัพธ์ของ AI จะขึ้นอยู่กับข้อมูลที่ได้รับเสมอ หากองค์กรต้องการให้ AI ของตนสามารถทำนายโครงสร้างโมเลกุลสังเคราะห์ได้ พวกเขาจะต้องให้อาหาร AI ด้วยข้อมูลฟิสิกส์มากมาย หากผู้ค้าปลีกต้องการใช้ AI เพื่อทำนายพฤติกรรมของผู้ใช้และปรับปรุงประสบการณ์ดิจิทัล พวกเขาจะต้องให้อาหาร AI ด้วยข้อมูลพฤติกรรม

หากธุรกิจ (หรือพันธมิตร) ไม่สามารถรองรับเครื่องมือ AI ของตนได้ด้วยข้อมูลที่เพียงพอ ผลกระทบจะกว้างขวาง ในที่ดีที่สุด โซลูชัน AI จะทำงานได้ทางเทคนิค แต่ไม่ใช่ในระดับที่ต้องการ ผลลัพธ์อาจอ่อนแอ ไม่น่าสนใจ หรือไม่มีข้อมูลเชิงลึกเลย นอกเหนือจากผลลัพธ์ “ที่ดีที่สุด” นี้ มีผลลัพธ์ที่น่าจะเป็นไปได้มากกว่า: การหลอกลวง AI ผลลัพธ์ที่ผิดพลาด และผลตอบแทนที่ไม่ดี ไม่เพียงแต่การลงทุนจะสูญเปล่า แต่องค์กรอาจต้องใช้จ่ายเพิ่มเติมเพื่อควบคุมความเสียหาย

เมื่อดูจากผลกระทบโดยตรง เราจะเห็นผลกระทบในวงกว้างของโซลูชัน AI ที่ขาดข้อมูลโดยทั่วไป ธุรกิจส่วนใหญ่นำ AI มาใช้เพื่อที่จะทำได้ มากขึ้น: ได้รับข้อมูลเชิงลึกมากขึ้น ให้บริการลูกค้ามากขึ้น ดำเนินธุรกิจได้อย่างมีประสิทธิภาพมากขึ้น หากองค์กรมอบเวลาและทรัพยากรให้กับเครื่องมือ AI ที่ไม่ประสบความสำเร็จ พวกเขาจะขัดขวางการเติบโตของตนเอง ทำให้ไม่สามารถปรับตัวให้เข้ากับตลาดและแซงหน้าคู่แข่งได้ ซึ่งจะทำให้พวกเขาเสียเปรียบและต้องพยายามตามทันเวลา ทรัพยากร และ — เป็นไปได้ — ลูกค้า

แต่ความหวังไม่สูญหายไปแล้ว มีหลายสิ่งที่องค์กรสามารถทำได้เพื่อเตรียมตัวให้พร้อม แก้ไข (หรือป้องกัน) ความไม่สมดุลของ AI และก้าวต่อไป

การเติมช่องว่างด้วยข้อมูลที่ถูกต้อง

โดยไม่ต้องการทำให้เรื่องง่ายเกินไป สิ่งที่ผู้นำสามารถทำได้ดีที่สุดเพื่อหลีกเลี่ยงความไม่สมดุลของ AI คือการทำการบ้านก่อนที่จะดำเนินการต่อด้วยโซลูชัน AI ใดๆ ก่อนที่จะนำเครื่องมือใหม่มาใช้ ให้ใช้เวลาในการเรียนรู้เกี่ยวกับแหล่งที่มาของข้อมูลและวิธีการสร้างข้อมูล

หากผู้ให้บริการโซลูชันหรือวิศวกรชั้นนำของคุณไม่สามารถให้คำตอบที่ตรงไปตรงมาเกี่ยวกับแหล่งที่มา คุณภาพ หรือปริมาณของข้อมูลพื้นฐานนั้น ควรให้เสียงเตือน รับคำแนะนำจากพันธมิตรช่องทางและผู้รวมระบบ รวบรวมข้อมูลจากเครือข่ายการอภิปรายผู้ใช้เช่น Reddit และ Discord; ดูว่าผู้นำรับเข้ามาใช้ AI อื่นๆ พบปัญหาหรืออุปสรรคที่ไหน การรู้ว่าจะมองหาสัญญาณเตือน ก่อน ที่จะตัดสินใจใดๆ สามารถช่วยให้ผู้นำหลีกเลี่ยงปัญหามากมายและความคาดหวังที่ไม่ถูกต้อง

แน่นอนว่าการมองการณ์ไกลนี้ไม่เสมอไปที่จะทำได้ และจะไม่ช่วยให้องค์กรที่กำลังเผชิญกับปัญหาขาดข้อมูล AI ได้ หากการยกเลิกโซลูชันที่มีอยู่ไม่ใช่ตัวเลือก สิ่งที่ดีที่สุดต่อไปคือการหาวิธีเพิ่มข้อมูลให้กับเครื่องมือ AI เพื่อให้เครื่องมือมีบริบท รูปแบบ และข้อมูลเชิงลึกมากขึ้น

ข้อมูลสังเคราะห์ เป็นตัวเลือกหนึ่งที่นี่ แต่ไม่ใช่วิธีแก้ปัญหา ข้อมูลสังเคราะห์อาจยากที่จะระบุแหล่งที่มาแน่นอน ดังนั้นจึงอาจไม่ใช่วิธีที่ดีที่สุดเสมอไป อย่างไรก็ตาม มีเวลาและสถานที่สำหรับข้อมูลสังเคราะห์ ตัวอย่างเช่น มันทำงานได้ดีในการฝึกโมเดลความปลอดภัย AI โดยเฉพาะอย่างยิ่งในการฝึกแบบที่ต่อต้านกัน การทำการวิจัยล่วงหน้าก่อนที่จะกระโดดเข้าไปจะช่วยให้ผู้นำตัดสินใจที่ดีที่สุดสำหรับธุรกิจของตน

สำหรับอุตสาหกรรมเช่น零售หรือร้านอาหารบริการเร็ว (QSR) ข้อมูลจากมนุษย์เป็นที่ต้องการ ธุรกิจในอุตสาหกรรมเหล่านี้มีแนวโน้มที่จะใช้ AI เพื่อช่วยปรับปรุงประสบการณ์ลูกค้า ดังนั้นเครื่องมือของพวกเขาควรได้รับการฝึกอบรมจากข้อมูลพฤติกรรมของมนุษย์ ตัวอย่างเช่น หากคุณต้องการให้ AI คาดการณ์ว่าผู้ใช้จะเลื่อนลงไปในหน้าเพียงใด คุณจะต้องการให้ AI พึ่งพาคำตอบจากพฤติกรรมของมนุษย์ภายใต้สภาพแวดล้อมที่คล้ายคลึงกัน

ในบางกรณี การได้รับข้อมูลจากมนุษย์ไม่ใช่เรื่องของการได้รับ ข้อมูลใหม่ แต่เป็นการ ใช้งาน ข้อมูลที่มีอยู่แล้ว ผู้เยี่ยมชมเว็บไซต์และแอปพลิเคชันอยู่ที่นั่นแล้ว — มันคือเรื่องของการเก็บ ข้อมูลพฤติกรรมและวิเคราะห์ข้อมูลเพื่อให้เครื่องมือ AI สามารถใช้ได้

สุดท้าย การมีข้อมูล ไม่เพียงพอ ดีกว่าการมีข้อมูล ไม่ดี; สิ่งใดที่องค์กรสามารถทำได้เพื่อทำให้โซลูชันของตนให้ดีขึ้นจะช่วยผลลัพธ์ที่ดีขึ้น

ที่จะเริ่มต้น

การขาดข้อมูล AI สามารถเป็นความท้าทายที่สำคัญสำหรับองค์กรทุกขนาด และอาจน่ากลัวที่จะคิดถึงขั้นตอนต่อไป แต่การรับรู้ถึงปัญหาเป็นความสำเร็จในตัวเอง ต่อไปคือการค้นหาขั้นตอนที่สามารถจัดการและทำได้一步一步

AI มีศักยภาพที่น่าเหลือเชื่อ — แต่เฉพาะสำหรับผู้ที่เต็มใจที่จะลงทุนในแต่ละส่วนประกอบหลัก: โครงสร้างพื้นฐาน การใช้งาน และข้อมูล โดยไม่มีส่วนเหล่านี้ แม้โซลูชัน AI ที่สวยงามที่สุดก็จะล้มเหลว องค์กรที่ปิดช่องว่างข้อมูลที่นี่จะไม่เพียงแต่หลีกเลี่ยงการถูกทิ้งไว้ข้างหลัง แต่ยังจะกำหนดจุดยืน