Штучна інтелект не може виправити погану землю: як компанії можуть підготувати свій внутрішній екосистему для успішного розгортання штучного інтелекту

Хоча керівники бізнесу часто стереотипно розглядаються як люди, які думають лише про дно лінії, недавнє дослідження показало, що понад 80% компаній не відстежують ROI своїх витрат на штучний інтелект. Навпаки, ті, хто відстежує ROI, виявили, що він не виправдовує гіпу з лише чверть глобальних генеральних директорів, які повідомили, що їхні інвестиції в штучний інтелект відповідають очікуванням ROI.

Але, як говорить прислів’я, “поганий тесля звинувачує свої інструменти” – тобто для багатьох ROI розчаровує, оскільки розгортання штучного інтелекту було встановлено для провалу. Якщо ми розглянемо бізнес як сад, щоб продуктивність і прибутки росли, повинні бути виконані певні кроки до розгортання інструменту, такого як штучний інтелект, щоб він мав найбільший вимірюваний вплив.

Крок 1: Визначте, де люди є необхідними

Можливо, через надмірну обіцянку можливостей, закладених у маркетингу продуктів LLM, існує поширений міф, що штучний інтелект – це плагін і гра. Насправді, найкраще розгортання штучного інтелекту починається з визначення, де нагляд людини є непогрішним.

Наприклад, коли ми працювали з юридичною фірмою, моя команда та я були доручені реалізувати систему штучного інтелекту, здатну обробляти великі обсяги юридичних документів – класифікувати їх, виділяти ключові факти та вирішувати, чи зберігати, редагувати або видалити файли.

Хоча штучний інтелект виконував важку роботу, скануючи документи за актуальністю, позначаючи чутливу інформацію та підсумовуючи відповіді, результати потім передавалися людським юристам, які могли переглянути роботу, підтвердити юридичні судження та скасувати класифікації, коли це було необхідно.

Це не тільки допомогло захистити фірму від потенційного ризику, але й ізолювання витрат на автоматизацію від витрат на нагляд також забезпечить чистіші аудити ROI в майбутньому.

Крок 2: Визначте, як штучний інтелект може найкраще доповнювати вашу команду

Щоб максимізувати ROI штучного інтелекту, вам потрібно бути вибірковим щодо того, де він може найкраще служити вашій організації. Ідеальні процеси для вивантаження включають повторювані або засновані на правилах завдання (наприклад, базову службу підтримки клієнтів або кодування рахунків), знання важких пошуків, таких як пункти договору, і похибку даних вводу, серед іншого.

Потім рівно важливо, що моделі штучного інтелекту стратегічно конфігуруються для доповнення, а не порушення робочого процесу. Для цього потрібно відображення робочих процесів працівників у завдання, а потім позначення цих завдань під однією з трьох категорій процесів: генерувати, вибирати або судити. Генеративні завдання можна передати штучному інтелекту, завдання, які вимагають судження, залишаються за людськими працівниками, а завдання, які вимагають вибору, можуть бути спільним процесом, де штучний інтелект пропонує наступні кроки, а люди визначають найкращий шлях вперед.

У вищезгаданому прикладі з юридичними послугами штучний інтелект обробляв первинну тріаж, класифікуючи документи (генеративний), позначаючи чутливу інформацію (генеративний) та видаючи ймовірні відповіді (вибірковий). Таким чином, роль людських працівників змінилася з пошуку деталей документів до верифікації результатів (судження) – перетворюючи роботу, яка раніше займала дні, на справу годин.

Що стосується ROI, це звільняє більше часу для витрат на винятки з правил, де ховаються прибутки.

Крок 3: Стандартизуйте свої навчальні дані

Настройка LLM з вашими корпоративними даними може розблокувати конкурентні переваги, але щоб штучний інтелект був плідним, йому потрібна родюча земля, тобто добрі, чисті дані. Погані або шумові дані отруюють результати та посилюють упередженість. Коротко кажучи, ваша дисципліна даних диктує надійність виходу.

Що це означає? Великий обсяг і різноманітність даних важливі, але також важливо, щоб вони були високої якості. Несумісності у форматах даних та конвенціях найменувань або відсутні/неповні поля негативно впливають на якість сирої інформації. Аналогічно, дублікатні або неструктуровані дані трубопроводів збільшують рахунки за зберігання та сповільнюють продуктивність моделі.

Отже, важливо, щоб дані вводу мали контроль якості та сильне управління – тобто контроль доступу та нормативну відповідність. Без цих фільтрів ви не інвестуєте в штучний інтелект, ви просто спалюєте гроші на циклах очистки.

З усього гіпу навколо штучного інтелекту зрозуміло, що лідери можуть відчувати тиск, щоб якомога швидше пірнути у реалізацію, але витратити час на стратегічне розгортання моделі або підготовку ґрунту перед посадкою насіння приведе до значно більшого успіху та повернення інвестицій.