Düşünce Liderleri

Bütçenizi Tüketmeden İşletmenizde AI Uygulamak İçin 5 Adım

Petr Gusev
Unite.AI sitesini Google'daki tercih ettiğiniz kaynaklara ekleyin
Öne çıkan noktalarHerhangi bir yapay zeka çözümünü uygulamadan önce, ölçülebilir sonuçları olan belirli…
Daha fazla göster
  • Herhangi bir yapay zeka çözümünü uygulamadan önce, ölçülebilir sonuçları olan belirli bir iş problemi tanımlayın.
  • Özel model geliştirmeye yatırım yapmadan önce, yapay zeka hipotezlerini mevcut üçüncü taraf araçlarla test edin.
  • Maliyetli uygulama hataları ve strateji uyumsuzluklarından kaçınmak için erken aşamada deneyimli bir yapay zeka uzmanına danışın.

Yapay zeka her geçen gün daha da popüler hale geliyor ve her endüstriye nüfuz etmeye devam ederse, yaşam tarzımızı tamamen değiştirecek.

Bu nedenle, birçok kurucu ve işletme sahibi, şirketlerine AI’ı entegre etmeyi en önemli öncelik haline getirdi. Ayrıca, bireyler de kişisel yaşamlarını iyileştirmek için AI’ı kullanma yollarını arıyor.

Hype o kadar büyük ki, Collins Dictionary, bir dil otoritesi, AI’ı yılın kelimesi olarak adlandırdı, çünkü popülerlikte bir patlama yaşadı.

Bununla birlikte, birçok işletme için, AI’ı işlemlerine entegre etmeye çalışırken, fikir ve gerçeklik arasında büyük bir uçurum vardır, çünkü yol o kadar düzgün değildir ve çok pahalı olabilir, hem sermaye giderleri hem de boşa harcanan zaman açısından, çünkü geliştirmeler beklenen sonuçları getirmeyebilir. Bu, birkaç işletmeyi zor duruma soktu. Örneğin, CNET AI ile yazılmış makaleler denedi ve bunlar hatalarla dolu çıktı. Diğer şirketler, gibi iTutor Group, büyük para cezaları ile birlikte kamu tarafından alay konusu oldu, çünkü AI uygulamaları kötüydü.

Bu örnekler, işletmelerin AI ile birçok hata yapabileceğini gösteriyor ve bir girişimin Amazon (AMZN ), Google, Microsoft (MSFT ) veya Meta gibi bir finansal yastığı yoksa, bu başarısız deneyler bir şirketi iflas ettirebilir.

Eğer bir kurucu veya işletme sahibi iseniz, burada AI’ı işletmenize entegre etmek için beş adımlık bir rehber var, tüm bunları kaynaklarınızı — parayı ve sonuçta para demek olan zamanı — akıllıca kullanarak yapabilirsiniz ve ölümcül hataların olasılığını azaltırken.

1. Çözümlemek istediğiniz problemi netleştirin

Hiçbir şirket AI başarısızlıklarından muaf değildir. Ve Amazon, kasiyersiz mağazaları Amazon Go ile acı bir şekilde öğrendiği gibi, her işletme durumu AI’a ihtiyaç duymaz.

Dolayısıyla, AI ile çözmeye çalıştığınız problemi net bir şekilde tanımlamak çok önemlidir.

Örneğin, AI’ın ortak bir uygulaması müşteri desteğidir. Bu durumda AI’ı uygulamak mümkün, belirli sonuçlar elde edilebilir, örneğin, çağrı merkezi maliyetlerini ayda X miktar para ile azaltmak veya müşteri sorularını çözmek için ortalama süreyi X dakika ile hızlandırmak. Bu yaklaşım ile para veya zaman gibi ölçülebilir bir göstergemiz var ve AI’ı uygulayarak bunu elde etmeye çalışacağız ve bunun herhangi bir etkisi olup olmadığını göreceğiz.

Bu olabilir çeşitli yollarla. Örneğin, bir sohbet botu geliştirmek yerine, bir hizmet satın alabilir veya geliştirebiliriz, bu hizmet müşteri sorgusunu cevaplayabilecek bir FAQ sayfası belirleyecektir. Çalışma şekli şu şekilde olacaktır: Bir müşteri mesaj yazdığında, bu modeli çalıştırırız ve bize bu görüşmeyi bir müşteri temsilcisine aktarmamız gerektiğini söyler veya ilgili soruya cevap olan bir sayfa gösterir. Bu modeli geliştirmek, bir sohbet botu geliştirmekten daha hızlı ve ucuzdur. Eğer bu uygulama başarılı olursa, çağrı merkezi maliyetlerini azaltırken AI ile ilgili sermaye harcamalarımızı optimize edeceğiz, sohbet botu geliştirmenin maliyetine kıyasla.

Bu yaklaşımın öncüsü, California merkezli bir hukuk firması olan Matten Law, AI destekli bir asistan entegre etti, böylece avukatlar müşterilerle konuşmak ve bir davanın en ilgili yönlerini incelemek için daha fazla zaman harcayabildiler. Bu, en katı sektörlerin bile AI ile kullanıcı deneyimini güçlendirerek, insan dokunuşunu en çok ihtiyaç duyulan yerlerde artırarak değiştirilebileceğini gösteriyor.

AI’ın yardımıyla çözülebilecek diğer ortak problemler arasında veri analizi ve özelleştirilmiş teklifler oluşturma yer alır. Spotify, AI’ı kullanarak akıllı bir müzik öneri sistemi geliştiren ve bir kişinin belirli bir tür müziği dinlediği günün saatini bile dikkate alan bir sistemdir.

Her iki senaryoda da, AI müşterilere daha iyi bir deneyim sunmaya yardımcı oluyor. Ancak, bu şirketlerin AI’ı başarılı bir şekilde kullanma nedenleri, AI’a devredilmesi gereken yönleri çok net bir şekilde belirlemeleriydi.

2. Analiz edeceğiniz verileri belirleyin

Ana problem iyi tanımlandıktan sonra, sisteme sağlayacağımız verileri dikkate almamız gerekiyor. AI’ın bir algoritma olduğunu ve sağladığımız verileri analiz ettiğini ve bu verilere uyum sağladığını unutmamak önemlidir. Veri toplama senaryosu genellikle şöyledir:

  1. AI’ı uygulamak için hangi verilere ihtiyacımız olabileceğini anlamak.

  2. İşletmemizin bu verilere sahip olup olmadığını görmek.

    1. Eğer sahipsek – mükemmel.

    2. Eğer yoksa, doğru veri toplama sürecini içerde başlatabilir miyiz diye düşünmeliyiz. Başka bir olasılık olarak, geliştiricilerden ihtiyacımız olan verileri kaydetmelerini isteyebiliriz.

Örneğin, bir kahve dükkanına sahibiz ve kaç müşterinin ziyaret ettiğini bilmemiz gerekiyor. Bunu, müşterilerin satın alma işlemlerinde sunacakları kişiselleştirilmiş sadakat kartları uygulayarak yapabiliriz. Böylece, hangi müşterilerin geldiğini, ne zaman geldiğini, ne satın aldıklarını ve kaç adet aldıklarını bileceğiz. Bu verileri elde ettikten sonra, AI’ı uygulayabiliriz. Ancak, bazı durumlarda bu verileri toplamak çok pahalı olabilir. Ve işte bu noktada AI imdadımıza yetişebilir. Örneğin, kahve dükkanımızda güvenlik amaçlı bir kamera kurmuş olabileceğimiz gibi, bu kameraları ziyaretçilerimizden veri toplamak için kullanabiliriz. Tabii ki, önce GDPR gibi kişisel veri mevzuatı konusunda danışmanlık almak önemlidir, çünkü bu yaklaşım her ülkede geçerli olmayabilir. Ancak, bu yasaların izin verdiği yerlerde, bu, gerekli bilgileri toplamak ve AI’ın bunları analiz edip işlemesini sağlamak için sorunsuz bir yol olabilir.

Eğer merak ediyorsanız, bu kişiselleştirilmiş sadakat programı Starbucks’ın yaptığı (SBUX ) şeydir, ve büyük başarı elde etti. Starbucks’ın ödül programı, müşterilerin tercih ettikleri konumları ziyaret ettikleri veya favori içeceklerini sipariş ettikleri zaman kişiselleştirilmiş teşvikler sunmaya kadar gitti.

3. Bir hipotez tanımlayın

Bazı durumlarda, hangi süreçlerin AI ile optimize edilebileceği veya edilemeyeceği konusunda belirsiz olabilirsiniz.

Eğer bu sizin durumunuz ise, o zaman tüm sürecinizi aşamalara ayırarak, hangi aşamaların işletmenizin performansını düşürdüğünü belirlemelisiniz. Hangi alanlarda çok para harcıyor veya normalden daha uzun sürüyor? Bu soruları cevaplayarak, geliştirilmesi gereken kritik alanları belirleyebilir ve AI’ın yardımıyla çözülüp çözülemeyeceğine karar verebilirsiniz.

Bazı durumlarda geleneksel çözümler daha etkili olabilir. Örneğin, müşterilere hangi ürün tekliflerini sunacağınızı belirlemeye çalışıyorsanız, en popüler ürünlerin önerileri genellikle kullanıcı davranışını tahmin etmeye çalışmaktan daha etkili olabilir. Önce bunu deneyin. Olumlu veya olumsuz bir sonuç elde ettiğinizde, AI testi için bir hipoteziniz olur. Aksi takdirde, eylem alanı çok belirsiz olacak ve zaman ve para harcama riskiniz olacak.

4. Mevcut çözümleri kullanın

Birçok şirket, hemen kendi makine öğrenimi algoritmalarını tasarlamaya çalışır. Ancak, büyük veri setleriyle uzun bir süre boyunca eğitmeyi planlamıyorsanız, bunu yapmayın. Çok pahalı ve zaman alıcı olacaktır.

Bunun yerine, mevcut çözümlere odaklanmanızı öneririm. Amazon, Google, Microsoft ve diğer birçok şirket, birçok hedefi gerçekleştirmenize yardımcı olabilecek AI destekli araçlara sahiptir. Ardından, giderek, bu hizmetlerden biriyle sözleşme imzalayabilir ve gerekli API isteklerini yapılandırmak için bir iç geliştirici işe alabilirsiniz.

Temel fikir, bu araçların ML uzmanı olmayan iş uygulaması yazılımcıları tarafından entegre edilebileceği ve böylece AI’ın beklenen etkiyi getirip getirmediğini hızlı bir şekilde test etmemize olanak tanıyacağıdır. Eğer başarısız olursa, bu araçları devre dışı bırakabiliriz ve hipotezimizi test etmenin maliyeti sadece geliştirici zamanı ve aracın kullanım ücreti olacaktır. Eğer bir model geliştirseydik, modeli geliştirmek için gereken ML uzmanının maaşını ve altyapı maliyetlerini ödeyecektik ve sonra ne yapacağımızı bilemezdik. Eğer beklenen etki olmazsa, geliştirici ve model ile ne yapacağımızı bilemezdik.

Eğer hipotezimiz kanıtlanırsa ve AI destekli araç beklenen etkiyi getirirse, seviniriz ve yeni bir hipotez oluştururuz. Gelecekte, aracın maliyetlerinin önemli ölçüde artacağını öngörürsek, kendi modelimizi geliştirmeyi düşünebiliriz ve böylece maliyetleri daha da azaltabiliriz. Ancak, önce geliştirme maliyetinin gerçekten başka bir şirketin aracını kullanmaktan daha az olup olmadığını değerlendirmemiz gerekir.

Tavsiyem, önce yukarıda bahsedilen araçları kullanarak AI ile iyi sonuçlar elde ettikten ve AI’nın uzun vadede probleminizi çözmek için doğru yol olduğunu kesin olarak anladıktan sonra kendi makine öğrenimi ürününüzü geliştirmeyi düşünmenizdir. Aksi takdirde, ML projesi istediğiniz değeri getirmeyecektir ve Harvard Business Review’un yakın zamanda yayınladığı bir makale gibi, AI hype sadece AI’a ihtiyaç duymayan misyonunuzdan sizi uzaklaştıracaktır.

5. AI uzmanlarına danışın

Aynı şekilde, kurucular ve işletme sahiplerinin yaptığı bir başka yaygın hata, her şeyi içerde yapmaya çalışmaktır. Bir AI mühendisi veya araştırmacı işe alırlar ve sonra bir ürün oluşturmak için bir ekip kurmak için daha fazla insan işe alırlar. Ancak, eğer doğru tanımlanmış bir AI uygulama stratejisi yoksa, bu teknoloji şirketinizin amacına hiçbir fayda sağlamayacaktır. Ayrıca, bir Junior ML Mühendisi işe almak da tehlikelidir, çünkü deneyimsiz bir kişi ML sistemi geliştirme ve tasarımının nüanslarını bilmeyebilir ve “acemi hataları” yapabilir, şirketin çok yüksek bir bedel ödemesine neden olabilir; bu bedel neredeyse her zaman deneyimli bir ML uzmanını işe almanın maliyetini aşar. Kaynak, daha az deneyimli bir mühendisin genellikle işe alım maliyetinden tasarruf amacıyla tercih edildiğini vurgular.

Dolayısıyla, tavsiyem önce bir AI uzmanı, gibi bir danışman, işe almanızdır, bu uzman size yol gösterecek ve AI benimseme sürecinizi değerlendirecektir. Uzmanın uzmanlığını, probleminizin gerçekten AI gerektirip gerektirmediğini ve teknolojinin hipotezinizi kanıtlamak için etkili bir şekilde ölçeklendirilip ölçeklendirilemeyeceğini değerlendirmek için kullanın.

Eğer bir erken aşama start-upsınız ve fon konusunda endişeleniyorsanız, bir çözüm olarak LinkedIn’de AI mühendislerine belirli sorularla ulaşabilirsiniz. İnanın, birçok ML ve AI uzmanı, konuya gerçekten ilgi duydukları ve size yardım ettikleri takdirde bunu danışmanlık portföyleri için olumlu bir vaka çalışması olarak kullanabilecekleri için yardım etmekten mutlu olurlar.

Son Düşünceler

AI etrafında oluşan tüm hype ile, işletmenize AI’ı entegre etmek ve AI destekli bir çözüm geliştirmek için hevesli olabilirsiniz. Ancak, herkesin AI’dan bahsetmesi, işletmenizin AI’a ihtiyacı olduğu anlamına gelmez. (Kaynak notu: İngilizce metnin bu cümlesinde olumsuzluk eksiktir; burada makalenin genel savıyla tutarlı anlam korunmuştur.) Maalesef, birçok işletme AI’ı entegre etmeye çalışırken net bir amaç olmadan acele ediyor ve büyük miktarda para ve zaman harcıyor. Bazı durumlarda, özellikle erken aşama şirketleri için, bu onların sonunu getirebilir. Bir problemi net bir şekilde tanımlayarak, ilgili verileri toplayarak, bir hipotez test ederek ve uzmanların yardımıyla mevcut araçları kullanarak, şirketinizin mali kaynaklarını tüketmeden AI’ı entegre edebilirsiniz. Sonra, eğer çözüm başarılı olursa, AI’ı şirketinizin verimliliği veya kârlılığını artırdığı alanlara giderek entegre edebilirsiniz.

Petr Gusev, ML mühendisliği ve ürün yönetiminde 6 yılı aşkın uygulamalı deneyime sahip bir ML uzmanıdır. Deliveroo'da ML Tech Lead olarak, Gusev tek sahibi olarak şirkete özel bir dahili deney ürününü sıfırdan geliştirdi.

Yandex Music'in ürününü podcast dinleme deneyimi eklemek için dönüştürme sürecinin bir parçası olarak, Yandex'de bir ML Mühendisi olarak bir podcast öneri sistemini sıfırdan inşa etti ve hedef metriklerde %15'lik bir iyileşme elde etti. Ayrıca, SberMarket'te Öneriler Başkanı olarak, teknoloji odaklı yol haritası AOV'u %2 ve GMV'yi %1 oranında yükseltti.