До появи нових моделей штучного інтелекту в комерції потрібна інфраструктурна революція

Реалізація штучного інтелекту в комерції відбувається зі швидкою швидкістю. Інвестиції в штучний інтелект у роздрібній торгівлі зростають швидко, і ринок очікується зросте з $11,6 млрд у 2024 році до більше $40 млрд до 2030 року.

Аналогічно, нові моделі випускаються в швидкій послідовності, постачальники продовжують розширювати свої можливості, а рітейлери піддаються зростаючому тиску з боку рад директорів та інвесторів, щоб продемонструвати, що вони активно інтегрують штучний інтелект у свої операції.

На поверхні це створює враження галузі, яка проходить швидку та вирішальну трансформацію. Однак під цією діяльністю більшість цих ініціатив накладаються на системи, які ніколи не були розроблені для їх підтримки.

Обмеження полягає не в наявності чи якості моделей. Воно полягає в стані інфраструктури під ними.

При впровадженні штучного інтелекту перший бюджет не повинен йти на сам штучний інтелект. Він повинен йти на те, що ми називаємо “довіра до даних”, тобто інфраструктуру даних. Це з’єднання між системами, видалення дублікатів даних та оновлення в режимі реального часу.

Не роблячи цього, штучний інтелект у комерції не вдавався, і тому багато зусиль починаються з імпульсу, але борються за те, щоб перекласти це в тривалий вплив. Для успішної реалізації штучного інтелекту нам потрібно починати з інфраструктури.

Натомість у комерції сама розмова часто починається на одному рівні вище, зосереджуючись на виборі моделей або ідентифікації випадків високого потенціалу. Що отримує значно менше уваги, це те, чи може підлягаюча дані архітектура підтримувати будь-які з цих рішень значущим чином.

Якщо підлягаючі дані фрагментовані, штучний інтелект генеруватиме лише виходи, які можуть бути шкідливими або вводити в оману.

У великих організаціях ця тенденція посилюється потребою сигналізувати про прогрес. “Робота зі штучним інтелектом” стає самоціллю, і введення моделі часто є найшвидшим способом досягнення цього, незалежно від того, чи воно дає вимірювані результати.

На рівні ради директорів очікування щодо штучного інтелекту прискорюються у вигляді кращої персоналізації та вимірюваних вигод у ефективності та маржі. На рівні системи готовність не тримає темп. Чим довше ця розрив триває, тим дорожче стає його виправлення, оскільки шари технологій накладаються на фундаменти, які залишаються незмінними.

Як виглядає “не готовність до штучного інтелекту” на практиці

Основною проблемою є відсутність узгодженості між системами. Наприклад, один клієнт може одночасно існувати в ERP-платформі, електронному середовищі та офлайн-системі чи системі лояльності, кожна інстанс має різні історії та припущення.

Дані про продукти, хоча й технічно повні, обмежені щодо надання контексту, який дозволив би моделі інтерпретувати або розуміти його ефективно. Погана якість даних сама по собі оцінюється в близько $13 млн на рік для організацій, підкреслюючи, наскільки фундаментальними ці обмеження стали.

Людські команди вчаться орієнтуватися в цих несумісностях з часом, будуючи неформальні містки між системами. Модель, натомість, працює строго в межах структури, яку вона отримала, а виходи, які вона генерує, обмежені відповідно.

Коли штучний інтелект вводиться в цю середовище, результатом не є відсутність виходу, а поступове погіршення його якості.

Модель може обробляти дані та генерувати виходи, але вона не з’єднає системи сама по собі.

На практиці це може проявлятися у вигляді персоналізаційного двигуна, який починає пропонувати високо специфічні рекомендації продуктів, які категоризують клієнта способами, які не відображають його справжніх уподобань чи намірів.

У системах, керованих штучним інтелектом, клієнтські досвіди часто стають більш точними, але менш актуальними.

Ця зміна від загальної актуальності до конкретної неважливості може бути більш шкідливою, ніж здається, оскільки вона змінює, як клієнти сприймають сам бренд. У найгірших випадках ці системи не просто недосягають очікувань. Вони активно погіршують клієнтський досвід.

Чому більшість пілотних проектів штучного інтелекту застряють і які це коштує

Ця динаміка є однією з основних причин, чому велика частина пілотних проектів штучного інтелекту в комерції не можуть просунутися далі експериментів. Дані галузі свідчать про те, що лише близько половини ініціатив штучного інтелекту переходять від пілотного проекту до виробництва, залишаючи значну частку проектів застряглими на стадії експериментів.

Проблема рідко полягає в відсутності інвестицій чи намірів. Обмеження виникає, коли виходи, згенеровані цими системами, не виправдовують їх масштабування.

На цьому етапі організації стикаються з вибором між продовжуванням інвестицій в оптимізацію або повним припиненням ініціативи. У багатьох випадках вони обирають останнє, оскільки середовище, у якому воно впроваджується, не може підтримувати стабільні результати.

По всій галузі повторюються ті самі інфраструктурні пробіли. Дані клієнтів залишаються фрагментованими, а не уніфікованими. Інформація про продукти існує, але не має глибини, необхідної для інтерпретації. Системи працюють паралельно, а не як єдина, узгоджена потік інформації. Коли моделі вводяться в цю середовище, вони масштабують ці проблеми.

Вартість цього підходу виходить за рамки прямих витрат. Вона проявляється як системне накопичення рекомендацій, які не конвертуються, персоналізації, яка відчувається нестабільною, та автоматизації, яка посилює існуючі помилки.

З часом це створює тонке, але значуще підірвання довіри в організації. Команди починають сумніватися у надійності систем, які вони будують, і додаткові шари технологій вводяться в спробі компенсувати. Результатом є затримка у досягненні ясності, необхідної для побудови систем, які працюють.

Причина, через яку багато компаній будують пілотні проекти штучного інтелекту, але ніколи не переходять далі них, полягає в тому, що вони будують ці пілотні проекти на слабих фундаментах, що подібно до готування з поганими інгредієнтами.

Ви можете мати рецепт Гордона Рамзі та відмінне обладнання, але якщо інгредієнти погані, результат буде негативним.

Різниця між стартапами та великими корпораціями

Менші організації, особливо ті, що знаходяться в середньому ринку, часто демонструють більшу здатність ефективно впроваджувати штучний інтелект. Це відбувається через те, що їхні системи менш фрагментовані, а процеси прийняття рішень більш прямими.

У великих організаціях сама структура вводить потенційні перешкоди. Ініціативи часто керуються потребою реагувати на зовнішні очікування, а штучний інтелект стає категорією, яку потрібно адресувати, а не можливістю, яку ретельно інтегрують.

Кажучи “ми хочемо впровадити штучний інтелект” – це подібно до введення електрики на фабрику без машин. Світло вмикається, але виробництво не покращується, оскільки ви інвестували в технології, не знаючи, що вони будуть робити насправді.

Зміна від моделей до інфраструктури

Альтернативний підхід починає формуватися серед організацій, які зіштовхнулися з цими обмеженнями безпосередньо.

Натомість витрачати початкові бюджети на моделі штучного інтелекту, вони інвестують у те, що можна описати як “довіра до даних”, тобто створення фундаменту, де дані є узгодженими, з’єднаними та безперервно оновлюються. Метою є забезпечення того, щоб дані, які використовуються, могли підтримувати значущі рішення.

Підготовка даних може зайняти до 80% часу, витраченого на проекти машинного навчання, підкреслюючи, скільки роботи знаходиться в підлягаючому шарі даних, а не в самих моделях.

Цей процес зазвичай починається з детального відображення існуючих систем та ідентифікації пробілів у потоці даних та цілісності. Перші 30-60 днів часто присвячені розумінню того, як інформація рухається чи не рухається по організації. Це слідує період інтеграції та стандартизації, під час якого дані очищаються, видалені дублікати та узгоджені по платформах.

У наступні три-шість місяців компанії фокусуються на побудові надійних потоків даних та з’єднанні високоцінних систем способами, які підтримують реальні випадки використання. Лише після того, як цей фундамент буде закладений, стає можливим введення штучного інтелекту у робочі процеси, які можуть генерувати стабільні, вимірювані результати.

У межах шести-до дев’яти місяців організації, які слідують цьому підходу, зазвичай починають бачити значущі результати у вигляді процесів, керованих штучним інтелектом, які впливають на метрики, такі як конверсія, збереження та покращення маржі. На цьому етапі моделі перестають бути експериментами та стають частиною операцій. Їхня продуктивність стабілізується, а виходи стають дієвими до того рівня, що команди можуть почати покладатися на них.

Прискорення інвестицій у штучний інтелект у комерції навряд чи сповільниться в найближчому майбутньому. Що залишається невизначеним, то це те, чи інфраструктурна готовність буде тримати темп і зможе підтримувати це. Розрив між тим, чого організації очікують від штучного інтелекту, та тим, що їхні системи можуть підтримувати, вже видно у зростаючій кількості пілотних проектів, які не доходять до виробництва. Виправлення цього розриву вимагає зміни фокусу на побудову цієї критичної інфраструктури.

Перенесення розмови від моделей до інфраструктури не несе тієї самої негайності чи видимості. Однак саме тут знаходяться багато поточних обмежень. І саме тут, ймовірно, виникне наступна фаза значущого прогресу в комерції, керованій штучним інтелектом.