Ticarette AI için Altyapı Devrimine İhtiyaç Vardır

Ticarette yapay zeka uygulamaları dikkat çekici bir hızda ilerlemektedir. Perakende sektöründe AI yatırımları hızla artmaktadır ve pazarın 2024 yılında 11.6 milyar dolardan 2030 yılına kadar 40 milyar doların üzerine çıkması beklenmektedir.

Benzer şekilde, yeni modeller hızlı bir şekilde yayınlanmaktadır, satıcılar yeteneklerini genişletmeye devam etmektedir ve perakendeciler AI’ı operasyonlarına entegre ettiklerini kanıtlamak için yönetim kurulları ve yatırımcılar tarafından artan bir baskı altına girmektedir.

Yüzeyde, bu durum endüstrinin hızlı ve kararlı bir dönüşüm geçirdiği izlenimini yaratmaktadır. Ancak, bu faaliyetlerin altında, bu girişimlerin çoğunun asla desteklemeye tasarlanmamış sistemlere eklenmekte olduğu gerçeği yatmaktadır.

Sınırlama, modellerin Verfügibilitasyonu veya kalitesi değildir. Altındaki altyapının durumudır.

AI’ı uygularken, ilk bütçe AI kendisine değil, “veri güvenliği” olarak adlandırdığımız şeye gitmelidir. Bu, sistemler arasındaki bağlantılar, veri çoğaltılması ve gerçek zamanlı güncellemelerdir.

Bunu yapmamak, AI’ın ticarette neden başarısız olduğu ve neden birçok çabanın momentumla başladığı ancak sürdürülebilir bir etkiye dönüşmekte zorlandığı nedenidir. AI’ı başarılı bir şekilde uygulamak için altyapıya başlamak gerekir.

Karşılaştırıldığında, ticarette konuşma kendisi genellikle bir katman daha yüksek开始, model seçme veya yüksek potansiyel kullanım örneklerini tanımlama üzerinde odaklanmaktadır. Altındaki veri mimarisinin bu kararları anlamlı bir şekilde destekleyip destekleyemeyeceğine dikkat edilmemektedir.

Eğer alttaki veri parçalanmışsa, AI yalnızca gerçekten zararlı veya yanıltıcı olabilecek çıktılar üretecektir.

Büyük organizasyonlarda, bu eğilim dışsal ilerleme sinyallerinin necessity tarafından pekiştirilmektedir. “AI ile bir şeyler yapmak” itself bir hedef haline gelmekte ve bir modeli tanıtma genellikle bunu gerçekleştirmek için en immediate yol olmaktadır, ürettiği değerden bağımsız olarak.

Yönetim kurulu düzeyinde, AI etrafındaki beklentiler kişiselleştirme ve verimlilik ve marjda ölçülebilir kazançlar şeklinde hızlanmaktadır. Sistem düzeyinde, hazırlık bu beklentileri karşılayamamakta ve bu uçurum ne kadar uzun sürerse, bunu düzeltmek o kadar pahalı hale gelmektedir, çünkü teknolojinin katmanları değişmeyen temellerin üzerine eklenmektedir.

Uygulamada “AI için Hazır Olmayan” Nasıl Görünür

Ana sorun, sistemler arasında tutarlılığın olmamasıdır. Örneğin, bir müşteri aynı anda bir ERP platformunda, bir e-ticaret ortamında ve bir offline veya loyalty sistemde bulunabilir, her bir örnek farklı geçmişler ve varsayımlar taşıyabilir.

Ürün verileri teknik olarak tamamlanmış olsa da, bir modelin bunu etkili bir şekilde yorumlayabilmesi veya hakkında akıl yürütebilmesi için yeterli bağlam sağlamaktadır. Kötü veri kalitesi alone organizasyonlara nearly 13 milyon dolar maliyet getirmektedir, bu kısıtlamaların ne kadar temel hale geldiğini vurgulamaktadır.

İnsan takımları zamanla bu tutarsızlıkları navigasyon altına almayı öğrenirler, sistemler arasında gayri resmi köprüler oluştururlar. Bir model ise kendisine verilen yapı içinde çalışır ve ürettiği çıktılar buna göre sınırlıdır.

AI’ı bu ortama tanıttığınızda, sonuç çıktının eksikliği değil, kalitesinde kademeli bir bozulmadır.

Bir model veri işleyebilir ve çıktılar üretebilir, ancak sistemleri kendisi bağlantılı hale getiremez.

Uygulamada, bu durum müşteri tercihlerine veya niyetine uymayan şekilde kategorilere ayırarak çok spesifik ürün önerileri sunan bir kişiselleştirme motoru olarak ortaya çıkabilir.

AI destekli sistemlerde, müşteri deneyimleri genellikle daha spesifik ancak menos ilgili hale gelir.

Bu genel ilgili olmaktan spesifik olarak ilgili olmaya geçiş, göründüğünden daha zararlı olabilir, çünkü markanın kendisini nasıl algıladıklarını değiştirebilir. En kötü durumlarda, bu sistemler yalnızca kötü performans göstermez, aynı zamanda müşteri deneyimini aktif olarak bozarlar.

Neden Çoğu AI Pilotu Durur ve Ne Kadar Maliyeti Vardır

Bu dinamik, ticarette AI pilotlarının çoğunun neden deneysel aşamadan öteye geçemediğinin birincil nedenidir. Endüstri verisi, AI girişimlerinin yalnızca yaklaşık yarısının deneysel aşamadan üretime geçtiğini göstermektedir, önemli bir kısmının deneysel aşamada kalmasına neden olmaktadır.

Sorun genellikle yatırım veya niyetin eksikliği değildir. Kısıtlama, bu sistemlerin ürettiği çıktıların ölçeklenebilir olmamasından kaynaklanmaktadır.

Bu noktada, organizasyonlar yatırım yapmaya devam etme veya girişimi tamamen terk etme arasında bir seçim yapma durumundadır. Çoğu durumda, latterı tercih ederler, çünkü ortam bu çıktıların tutarlı sonuçlar üretememesi nedeniyle desteklenmemektedir.

Endüstrinin genelinde, aynı altyapı boşlukları tekrar etmektedir. Müşteri verileri birleştirilmemiş olarak kalmaktadır. Ürün bilgileri mevcut olmakla birlikte, yorum için gerekli derinliği taşımamaktadır. Sistemler paralel olarak çalışmaktadır, tutarlı bir bilgi akışı olarak değil. Modeller bu ortama tanıtıldığında, bu sorunları ölçeklendirirler.

Bu yaklaşımın maliyeti, doğrudan giderlerin ötesine geçer. Sistem genelinde, dönüştürme oranını artırmayan, tutarlı olmayan kişiselleştirme ve hataları büyüten otomasyon olarak ortaya çıkar.

Zamanla, bu durum organizasyon içinde güvenin kademeli olarak aşınmasına neden olur. Takımlar sistemlerinin güvenilirliğine ilişkin şüpheler geliştirir ve teknolojinin daha fazla katmanını telafi etmeye çalışırlar. Sonuç, işler hale getirmek için gerekli netliği elde etmekte gecikmedir.

Çoğu şirketin neden AI pilotları inşa ettiğini ancak asla ötesine geçmediğini anlamak için, zayıf temeller üzerine inşa ettiklerini anlamak gerekir, bu da kötü malzemelerle yemek pişirmeye benzer.

Gordon Ramsay tarifi ve mükemmel ekipmanınız olabilir, ancak malzemeler kötü ise sonuç olumsuz olacaktır.

Küçük Şirketler ve Büyük Şirketler Arasındaki Fark

Küçük organizasyonlar, özellikle orta pazar segmentindekiler, AI’ı etkili bir şekilde uygulamakta genellikle daha başarılı olmaklardır. Bu, sistemlerinin daha az parçalanmış ve karar alma süreçlerinin daha direkt olması nedeniyle gerçekleşmektedir.

Büyük organizasyonlarda, yapı itself potansiyel engelleri tanıtmaktadır. Girişimler genellikle dışsal beklentilere cevap verebilmek için yürütülmektedir ve AI, dikkatlice entegre edilmiş bir yetenek yerine ele alınması gereken bir kategori haline gelmektedir.

“AI’ı uygulamak istiyoruz” demenin, fabrikaya elektrik getirmek ancak makineleri çalıştırmamak gibi olduğu söylenebilir. Işıklar yanar, ancak üretim iyileşmez, çünkü teknoloji bilinçli bir şekilde kullanılmamıştır.

Modellerden Altyapıya Geçiş

Alternatif bir yaklaşım, bu sınırlamalarla doğrudan karşılaşmış organizasyonlar arasında şekillenmeye başlamaktadır.

İlk bütçelerini AI modellerine değil, “veri güvenliği” olarak adlandırdıkları şeye ayırmaktadırlar, bu da tutarlı, bağlı ve sürekli güncellenen bir temel oluşturmak demektir. Amaç, kullanılan verilerin anlamlı kararlar almasını destekleyebilmektedir.

Veri hazırlama, makine öğrenimi projelerinde harcanan zamanın %80’ine kadar çıkabilmektedir, bu da işin ne kadarının alttaki veri katmanında değil, modellerde olduğunu vurgulamaktadır.

Bu süreç genellikle mevcut sistemlerin ve veri akışı ve bütünlüğü boşluklarının ayrıntılı bir haritalamasıyla başlar. İlk 30-60 gün, genellikle organizasyon genelinde bilgi nasıl hareket ettiği veya hareket etmediğinin anlaşılması için ayrılmaktadır. Bunu, veri temizleme, çoğaltma ve platformlar arasında hizalama için bir dönem izler.

Sonraki üç ila altı ay içinde, şirketler güvenilir veri boruları oluşturmaya ve yüksek değerli sistemleri gerçek kullanım örneklerini destekleyecek şekilde bağlamaya odaklanmaktadır. Sadece bu temel oluşturulduktan sonra, AI’ı tutarlı ve ölçülebilir sonuçlar üretebilecek iş akışlarına tanıtmak mümkün hale gelmektedir.

Altı ila dokuz ay içinde, bu yaklaşımı izleyen organizasyonlar genellikle AI destekli süreçlerde anlamlı sonuçlar görmeye başlar, bu da dönüştürme, müşteri tutma ve marj iyileşmesi gibi metriklere etki etmektedir. Bu noktada, modeller deneysel olmaktan çıkıp operasyonların bir parçası haline gelir, performansları stabilize olur ve çıktıları ekiplerin üzerine güvenilebilecek hale gelir.

Ticarette AI yatırımlarının hızlanması yakın zamanda yavaşlayacak gibi görünmemektedir. Belirsiz olan, altyapı hazırlığının bunu destekleyebilecek olup olmayacağıdır. Organizasyonların AI’dan neler beklediği ile sistemlerinin neler destekleyebileceği arasındaki açıklık already görünmektedir ve pilotların üretime ulaşmakta neden başarısız olduğu da burada yatmaktadır. Bu açığı kapatmak için, kritik altyapıyı oluşturmaya odaklanma gerekmektedir.

Modellerden altyapıya konuşmayı taşımak aynı aciliyeti veya görünürlüğü taşımaz. Ancak, birçok güncel kısıtlamanın burada yer aldığı ve AI destekli ticarette ilerlemenin bir sonraki aşamasının muhtemelen burada ortaya çıkacağı yer burasıdır.