5 кроків до впровадження штучного інтелекту в вашому бізнесі без розорення

Штучний інтелект продовжує розвиватися, і якщо він продовжить проникати в кожну галузь, він повністю змінить спосіб нашого життя.

В результаті цього, інтеграція штучного інтелекту в компанії стала найвищим пріоритетом для багатьох засновників. Навіть окремі особи шукають способи використання штучного інтелекту для поліпшення свого особистого життя.

Гайка така, що словник Коллінза, авторитетний мовний орган, назвав штучний інтелект словом року, через його зростаючу популярність.

Як сказано вище, для більшості організацій існує велика пропасть між ідеєю та реальністю при спробі впровадити штучний інтелект у свої процеси, оскільки шлях не такий прямий, як здається, і може бути дуже дорогим, як у фінансовому плані, так і у витраті часу, оскільки розробки не дадуть очікуваних результатів. Це призвело до того, що багато підприємств потрапили у складну ситуацію. Наприклад, CNET експериментувала зі статтями, написаними штучним інтелектом, і вони виявилися повними помилок. Інші компанії, як iTutor Group, отримали великі штрафи та публічну критику через погане впровадження штучного інтелекту.

Як ці випадки показують, підприємства можуть зробити багато помилок зі штучним інтелектом, і якщо підприємство не має фінансової підтримки, як у Amazon, Google, Microsoft чи Meta, ці невдалі експерименти можуть ефективно банкрутити компанію.

Якщо ви засновник або власник бізнесу, то ось посібник із п’яти кроків, щоб допомогти вам впровадити штучний інтелект у свій бізнес, використовуючи при цьому свої ресурси – гроші та час – і зменшуючи можливість фатальних помилок.

1. Будьте чіткими щодо проблеми, яку ви намагаєтеся вирішити

Жодна компанія не є імунною до провалів штучного інтелекту. І, як Amazon болісно виявила – через свої невдачі з без касових магазинів Amazon Go – не кожний бізнес-кейс потребує штучного інтелекту.

Отже, важливо, щоб ви визначили проблему, яку ви намагаєтеся вирішити за допомогою штучного інтелекту. Це потрібно бути описано якомога чіткіше.

Наприклад, поширеним застосуванням штучного інтелекту є підтримка клієнтів. Впровадження штучного інтелекту в такому випадку можливо таким чином, щоб мали конкретні результати, наприклад, зменшення витрат на кол-центр на певну суму грошей щомісяця або прискорення середнього часу, необхідного для вирішення запитів клієнтів, на певну кількість хвилин. З цим підходом у нас є вимірюваний індикатор у вигляді грошей або часу, який ми спробуємо досягти шляхом впровадження штучного інтелекту та побачимо, чи це матиме будь-який вплив.

Є різні способи, як це можна зробити. Наприклад, замість чат-бота ми можемо розробити або придбати сервіс, який визначить, чи може запит клієнта бути відповідаєм за допомогою сторінки з частими питаннями. Це працюватиме наступним чином. Коли клієнт пише повідомлення, ми запускаємо цю модель, і вона або каже нам, що нам потрібно передати цю розмову агенту, або показує їм відповідну сторінку з відповіддю на їхнє питання. Розробка цієї моделі швидша і дешевша, ніж створення складного чат-бота з нуля. Якщо це впровадження вдається, ми досягнемо мети зменшення витрат, оптимізуючи наші витрати, пов’язані зі штучним інтелектом, у порівнянні з витратами на розробку чат-бота.

Піонером цього підходу була юридична фірма Matten Law, яка впровадила штучний інтелект для автоматизації багатьох завдань, що дозволило юристам більше часу присвятити клієнтам і вивчати ті аспекти справи, які були найбільш актуальними. Це показує, що навіть у найбільш жорстких галузях можна впровадити штучний інтелект таким чином, щоб покращити досвід користувача, посиливши людський дотик там, де він найнеобхідніший.

Додатковими поширеними проблемами, які можна вирішити за допомогою штучного інтелекту, є аналіз даних та створення персоналізованих пропозицій. Spotify є винятковим прикладом компанії, яка успішно використовує штучний інтелект для розробки інтелектуальної системи рекомендацій музики, яка йде так далеко, як врахування часу доби, коли хтось слухає певний жанр.

В обох випадках штучний інтелект допомагає забезпечити кращий досвід для клієнта. Однак причина, через яку ці компанії успішно використали штучний інтелект, полягала в тому, що вони були дуже чіткими щодо аспектів, які потрібно делегувати штучному інтелекту.

2. Визначте дані, які ви будете аналізувати

Як тільки основна проблема чітко визначена, нам потрібно врахувати дані, які ми потрібно буде годувати систему. Головний сценарій збору даних наступний:

1. Зрозуміти, які дані нам потрібно для впровадження штучного інтелекту.

2. Перевірити, чи має наше підприємство ці дані.

   1. Якщо так — добре.

   2. Якщо ні, нам потрібно сісти і вирішити, чи можемо ми розпочати правильний процес збору даних всередині компанії. Іншою можливістю є запит до розробників про збереження необхідних даних, якщо ми цього ще не робимо.

Наприклад, ми володіємо кафе, і нам потрібно дані про кількість відвідувачів. Ми можемо зробити це, впровадивши персоналізовані картки лояльності, які клієнти будуть представляти під час покупки. Таким чином, у нас будуть дані, які нам потрібно, наприклад, які клієнти прийшли, коли вони прийшли, що вони купили і в якій кількості. Як тільки у нас будуть ці дані, ми можемо використовувати їх для впровадження штучного інтелекту. Однак існують випадки, коли збір цих даних може бути дуже дорогим. І саме тут штучний інтелект може прийти нам на допомогу. Наприклад, якщо у нас встановлена камера в кафе – що ми можемо зробити хоча б з міркувань безпеки – ми могли б використати її для збору даних про відвідувачів. Зазначу, що перед впровадженням цього потрібно проконсультуватися щодо законів про особисті дані, таких як GDPR, оскільки цей підхід може не працювати в кожній країні. Але в тих юрисдикціях, де це дозволено, це може бути безшовним способом збору необхідної інформації та залучення штучного інтелекту для її аналізу та обробки.

Якщо ви цікавитесь, така персоналізована програма лояльності – це те, що зробила Starbucks, з великим успіхом. Програма лояльності Starbucks пішла так далеко, що надавала персоналізовані стимули, коли клієнт відвідував свою улюблену локалізацію або замовляв свій улюблений напій.

3. Визначте гіпотезу

Можуть бути ситуації, коли ви будете не впевнені, які процеси можна або потрібно оптимізувати за допомогою штучного інтелекту.

Якщо це ваш випадок, то ви можете почати з розбиття всього процесу на етапи та визначити ті фази, в яких ваш бізнес працює не ефективно. Які області, на які ви витрачаєте занадто багато грошей? Що триває довше, ніж зазвичай? Відповідаючи на ці питання, ви можете визначити критичні області для покращення та вирішити, чи може штучний інтелект бути корисним.

Як ви знайдете, існують випадки, коли традиційні рішення можуть бути більш ефективними. Якщо ви боретесь з тим, які пропозиції показувати клієнтам, рекомендації, засновані на найбільш популярних продуктах, часто є більш ефективними в системах рекомендацій ринку, ніж спроби передбачити поведінку користувача. Отже, спочатку спробуйте це. Як тільки у вас буде результат – позитивний чи негативний – тоді ви можете сформулювати гіпотезу для тестування штучного інтелекту. В іншому випадку область дії буде надто невизначеною, і ви можете витратити час і гроші марно.

4. Використайте існуючі рішення

Багато компаній намагаються відразу розробити自己的 алгоритми машинного навчання. Однак, якщо ви не плануєте тренувати їх великими наборами даних протягом тривалого періоду часу, не робіть цього. Це буде дуже дорого і тривало.

Натомість я рекомендую вам зосередитися на рішеннях, які вже існують. Компанії, такі як Amazon, Google, Microsoft та інші, мають інструменти, підтримувані штучним інтелектом, які можуть допомогти вам досягти багатьох цілей. Потім ви можете поступово підписати контракт з однією з них та найняти внутрішнього розробника для умілого конфігурування необхідних запитів API.

Основна ідея полягає в тому, що ці інструменти можуть бути інтегровані бізнес-розробниками (не спеціалістами з машинного навчання), що дозволить нам швидко протестувати гіпотезу про те, чи приносить штучний інтелект очікуваний ефект чи ні. Якщо це не спрацює, ми можемо просто вимкнути ці інструменти, а вартість тестування нашої гіпотези складатиметься лише з часу розробника, витраченого на інтеграцію з цим сервісом, та суми, яку ми заплатили за використання інструменту. Якщо ми розробляємо модель, ми витратимо зарплату спеціаліста з машинного навчання, помножену на час, який він витратить на розробку моделі, плюс будь-які витрати на інфраструктуру. І тоді неясно, що робити з розробником і моделлю, якщо в підсумку очікуваний ефект відсутній.

Якщо нашу гіпотезу підтверджено, і інструмент, підтримуваний штучним інтелектом, приносить очікуваний ефект, ми радуємося і формуємо нову гіпотезу. У майбутньому, якщо ми передбачаємо, що витрати на інструмент значно зростуть, ми можемо подумати про розробку цієї моделі самостійно та тим самим зменшити витрати ще більше. Але спочатку нам потрібно оцінити, чи вартість розробки дійсно менша, ніж те, що ми заплатимо за використання інструменту іншої компанії, яка спеціалізується на розробці цих інструментів.

Моя порада полягає в тому, щоб ви розглянули розробку власного продукту машинного навчання лише після того, як ви отримали хороші результати від використання штучного інтелекту з інструментами, згаданими вище, та лише після того, як ви впевнилися, що штучний інтелект – це правильний спосіб вирішення вашої проблеми в довгостроковій перспективі. В іншому випадку ваш проєкт з машинного навчання не принесе цінності, яку ви шукаєте, і, як сказав недавній матеріал Harvard Business Review, гайка штучного інтелекту лише відволікає вас від вашої місії, яка не потребує штучного інтелекту.

5. Консультуйтеся зі спеціалістами зі штучного інтелекту

У тому ж дусі інша поширена помилка, яку засновники та власники бізнесу роблять, полягає в тому, що вони намагаються зробити все самостійно. Вони наймають керівника штучного інтелекту або дослідника та ще людей, щоб сформувати команду, яка може створити передовий продукт. Однак ця технологія буде безцінною для мети вашої компанії, якщо у вас немає правильно визначеної стратегії впровадження штучного інтелекту. Існує також випадок, коли вони наймають молодшого інженера з машинного навчання, щоб заощадити гроші порівняно з наймом більш досвідченого спеціаліста. Це також небезпечно, оскільки людина без досвіду може не знати нюансів розробки та дизайну систем машинного навчання і зробити “помилки новачка”, за які компанія заплатить надто високу ціну, майже завжди перевищуючи ціну найму одного досвідченого спеціаліста зі штучного інтелекту.

Отже, моя рекомендація полягає в тому, щоб ви спочатку найняли одного спеціаліста зі штучного інтелекту, як консультанта, який буде направляти вас на кожному етапі та оцінювати ваш процес впровадження штучного інтелекту. Використайте їхню експертизу, щоб забезпечити, що проблема, над якою ви працюєте, вимагає штучного інтелекту, і що технологію можна масштабувати ефективно для підтвердження вашої гіпотези.

Якщо ви стартап на ранній стадії та турбуєтесь про фінансування, хак для цього полягає в тому, щоб зв’язатися з інженерами штучного інтелекту в LinkedIn з конкретними питаннями. Вірте чи ні, але багато експертів зі штучного інтелекту та машинного навчання люблять допомагати, як через свою любов до теми, так і через те, що якщо їм вдасться вам допомогти, вони можуть використовувати це як позитивний кейс для свого портфоліо консультанта.

Остатні думки

З усіма гайками, які оточують штучний інтелект, це нормально, що ви можете бути нетерплячими щодо його впровадження в свій бізнес та розробки рішення, підтримуваного штучним інтелектом, яке виведе вас на новий рівень. Однак вам потрібно пам’ятати, що те, що всі говорять про штучний інтелект, не означає, що ваш бізнес потребує штучного інтелекту. Багато підприємств, на жаль, поспішно впроваджують штучний інтелект без чіткої мети та в підсумку витрачають величезні суми грошей і часу. В деяких випадках, особливо для стартапів на ранній стадії, це може означати їхнє банкрутство. Визначивши проблему, зібравши відповідні дані, протестувавши гіпотезу та використавши інструменти, які вже існують, з допомогою експерта, ви можете впровадити штучний інтелект без виснаження фінансових ресурсів вашої фірми. Потім, якщо рішення працює, ви можете поступово масштабувати та впровадити штучний інтелект у тих областях, де він підвищує ефективність або прибутковість вашої компанії.