Ініціативи штучного інтелекту не потребують досконалих даних: прагматичний погляд на корпоративний штучний інтелект

Ринок корпоративного штучного інтелекту досягне 204 мільярдів доларів до 2030 року. Дев’яносто два відсотки організацій планують збільшити свої інвестиції в штучний інтелект протягом наступних трьох років. Однак дослідження Массачусетського технологічного інституту показує, що 90% проектів штучного інтелекту не виходять за межі пілотних стадій. І основною причиною цього не є складність моделей, а якість даних.

В раді директорів обговорюють ChatGPT проти Claude. Вони ставлять неправильне питання. Основне питання полягає в тому, чи готова організація до будь-якої реалізації штучного інтелекту. Більшість компаній будують складні можливості штучного інтелекту на основі розбитих, несумісних, позбавлених контексту даних.

Це, на жаль, створює дорогі провали. Фінансові установи розгортають чат-боти, які галюцинують цифри доходу. Рітейлери реалізують системи рекомендацій, які пропонують зняті з виробництва товари. Виробники інвестують у прогнозну аналітику, яка не може відповісти на базові оперативні питання. Ці провали походять від поспішної реалізації складних моделей, одночасно пропускаючи підготовку даних.

Розуміння складності даних

Корпоративні дані існують у трьох категоріях. Кожна з них вимагає різних підходів до підготовки. Розуміння цих відмінностей визначає успіх штучного інтелекту.

Структуровані дані виглядають знайомо. Інформація розташована у базах даних і таблицях з чіткими рядками і колонками. Багато організацій припускають, що добре організовані транзакційні системи означають готовність до штучного інтелекту. Це припущення створює проблеми. Системи штучного інтелекту мають труднощі зі структурованими даними не через їхнє безладдя, а через брак контексту. Коли штучний інтелект зустрічає поля “ProductID” у різних таблицях бази даних, він не може зрозуміти ці відносини без явних інструкцій. Результатом є штучний інтелект, який отримує доступ до даних, але не може їх осмислити.

Неструктуровані дані представляють протилежні виклики та можливості. Ця категорія включає електронні листи, документи, презентації, відео та інші створені людиною контенти, де мешкає більша частина організаційних знань. Традиційні інструменти аналітики мають труднощі з неструктурованими даними. Сучасні системи штучного інтелекту розроблені для обробки їх. Успіх вимагає систематичної підготовки. Організації не можуть завантажити тисячі PDF-файлів і очікувати осмислених висновків. Ефективна реалізація вимагає сегментації контенту, створення метаданих та оптимізації пошуку.

Напівструктуровані дані займають складну середню позицію. JSON-файли, системні журнали та звіти поєднують організовані елементи з нарративним контентом. Поширена помилка полягає в тому, що ці джерела обробляються як суцільно неструктуровані, що призводить до втрати цінних організованих компонентів. Успішна реалізація штучного інтелекту вимагає розбору структурованих елементів при збереженні неструктурованих висновків, а потім їх повторного поєднання для комплексного аналізу.

Кожен тип даних вимагає конкретних стратегій підготовки. Системи штучного інтелекту повинні бути сконфігуровані для обробки цієї складності. Організації, які обробляють всі дані однаково, створюють реалізації штучного інтелекту, які добре працюють з одним типом даних, але погано з іншими.

Пропуск контексту, який паралізує роботу штучного інтелекту

Контекст є найкритичнішим фактором успіху штучного інтелекту. Це також найчастіше пропущений аспект. Людські аналітики привносять десятиріччя бізнес-знань у тлумачення даних. Коли вони переглядають квартальні звіти, вони розуміють, що “Доход” представляє післяподаткові продажі в доларах США. Системи штучного інтелекту не мають такого розуміння. Без явного контексту штучний інтелект може тлумачити “47%” як дохідну цифру, коли фактична вартість становить 4,7 мільйона доларів. Це призводить до фундаментально помилкових бізнес-рекомендацій.

Пропуск контексту поширюється за межі базової інтерпретації даних. Кожна організація розробляє унікальні визначення для загальних метрик. “Вартість придбання клієнта” означає щось зовсім інше в стартапі порівняно з усталеною корпорацією. “Коефіцієнт відтоку” різко відрізняється в різних галузях і компаніях. Системи штучного інтелекту потребують явних інструкцій щодо цих організаційних нюансів, щоб надавати осмислені висновки.

Традиційні підходи до документації не підходять для реалізації штучного інтелекту. Статичні словники даних, збережені на серверах, залишаються невидимими для систем штучного інтелекту і швидко стають застарілими. Успішні організації створюють живу документацію, до якої штучний інтелект може активно звертатися. Ця документація оновлюється автоматично, коли бізнес-правила еволюціонують.

Баланс між автоматизацією та людським внеском стає тут критичним. Машини добре ідентифікують технічні відносини. Вони визнають, що Стовпець А з’єднаний з Таблицею Б через системи баз даних. Тільки людська експертиза забезпечує бізнес-контекст. Люди пояснюють, чому певні метрики мають значення, як вони обчислюються і що становить нормальні чи занепокоєні діапазони виконання. Ефективна реалізація штучного інтелекту поєднує автоматичне відкриття з кураторством людських знань.

Позбавлення ризиків у добу штучного інтелекту

Реалізація штучного інтелекту посилює існуючі проблеми з даними у безпрецедентному масштабі та швидкості. Традиційні виклики управління даними стають експоненціально складнішими, коли системи штучного інтелекту отримують доступ, обробляють та ділять інформацію через організаційні кордони.

Механізми контролю доступу, розроблені для людських користувачів, виявляються недостатніми для систем штучного інтелекту. Традиційні моделі безпеки можуть надати аналітикам продаж доступ до певних папок. Однак асистенти штучного інтелекту можуть випадково розкрити конфіденційну інформацію необлаштованим користувачам через невинні запити. Система штучного інтелекту для обслуговування клієнтів може отримати доступ до даних про ціни конкурентів і поділитися ними у клієнтських комунікаціях. Організації потребують рамок безпеки, достатньо складних, щоб зрозуміти, що штучний інтелект може і не може діляти у різних контекстах.

Вимоги до відповідності стають значно складнішими, коли системи штучного інтелекту приймають рішення, що впливають на окремих осіб. Відповідність вимогам GDPR була складною, коли люди приймали рішення, засновані на даних. Тепер організації повинні пояснити, як алгоритми штучного інтелекту прийшли до конкретних висновків. Вони повинні підтримувати аудитні сліди для автоматичних рішень. Вони повинні забезпечити, щоб дані навчання штучного інтелекту відповідали правилам конфіденційності. “Право на пояснення” набуває нового значення, коли рішення приймає алгоритмічна система, а не людський аналітик.

Будування довіри вимагає нових підходів до тестування та моніторингу. Традиційний забезпечення якості зосереджувалося на тому, чи працюють системи правильно під очікуваними умовами. Системи штучного інтелекту потребують безперервного моніторингу для виявлення випадків, коли вони не працюють, наскільки сильно і чому. Організації повинні реалізувати моніторинг в реальному часі для кожного рішення штучного інтелекту, а не тільки метрик продуктивності системи.

Зворотний зв’язок стає критичним для покращення. Коли користувачі виправляють відповіді штучного інтелекту, це виправлення представляє цінні дані для навчання. Але тільки якщо організації захоплюють і систематично інтегрують їх. Це вимагає процесів для збору відгуку користувачів, валідації виправлень та оновлення поведінки штучного інтелекту відповідно.

Навігація у виборі між побудовою та придбанням

Організації стоять перед вибором між розробкою внутрішніх можливостей штучного інтелекту або партнерством з зовнішніми платформами. Кожен підхід має свої переваги та виклики, які повинні відповідати можливостям організації та стратегічним цілям.

Розробка внутрішніх можливостей штучного інтелекту пропонує максимальний контроль та потенціал для налаштування. Організації можуть розробляти системи, адаптовані точно до їхніх унікальних вимог. Вони зберігають повну власність своїх даних та алгоритмів. Однак вимоги до ресурсів суттєві. Успішна внутрішня розробка зазвичай вимагає команд даних інженерів, спеціалістів штучного інтелекту та експертів галузі. Розробка триває 12-24 місяців. Приховані витрати включають підтримку актуальності швидко еволюючих технологій штучного інтелекту, підтримку систем quanh годину та пояснення затримок у графіках виконавчому керівництву.

Рішення платформи обіцяють швидшу реалізацію та зменшення технічної складності. Організації можуть завантажити дані, налаштувати базові параметри та почати генерувати висновки штучного інтелекту. Однак організації повинні ретельно оцінити можливості платформи згідно зі своїми конкретними вимогами. Критичні фактори включають сумісність форматів даних, галузеве розуміння, захист безпеки та конфіденційності даних, а також можливості інтеграції з існуючими системами.

Гібридний підхід часто працює найкраще для багатьох організацій. Початок з рішень платформи дозволяє компаніям швидко продемонструвати цінність штучного інтелекту, одночасно вчучи про свої конкретні вимоги. Як тільки організації зрозуміють, що працює, вони можуть приймати обґрунтовані рішення щодо того, які можливості варто розвивати внутрішньо, а які продовжувати використовувати платформу.

Практична основа для руху вперед

Успішна реалізація штучного інтелекту починається з чесної оцінки, а не амбітного планування. Організації повинні починати з інвентаризації наявних активів даних. Цей процес зазвичай розкриває більше складності та несумісності, ніж спочатку очікувалося. Замість спроби здійснити повну трансформацію штучного інтелекту, успішні компанії визначають конкретні, вимірювані проблеми, де штучний інтелект може надати чітку цінність.

Основна робота вимагає суттєвих зусиль, але залишається суттєвою. Це включає очищення даних, документування контексту, реалізацію контролю доступу та пілотне тестування з чітко визначеними метриками успіху. Організації повинні планувати реалістичні графіки. Думайте місяці чи роки, а не тижні. Будуйте можливості поступово.

Компанії, які завершують цю основну роботу, одночасно з тим, як їхні конкуренти залишаються зосередженими на виборі моделей штучного інтелекту, здобудуть суттєві переваги. Вибір технології має значення менше, ніж підготовка, яка дозволяє будь-якій системі штучного інтелекту доставляти осмислену бізнес-цінність.

Вартість очікування

Революція штучного інтелекту продовжується незалежно від готовності організації. Компанії можуть обрати інвестування у належну підготовку даних зараз. Або вони можуть спробувати адаптувати рішення пізніше за значно вищу ціну та складність. Організації, які вийдуть на чолі у сфері штучного інтелекту, визнають заздалегідь, що успіх залежить не від вибору найбільш складних моделей, а від побудови даних, які дозволять будь-якій системі штучного інтелекту доставляти осмислену бізнес-цінність.

Питання, яке стоїть перед керівниками підприємств, полягає не в тому, яку технологію штучного інтелекту реалізувати. А в тому, чи зробила організація важку роботу, необхідну для успіху будь-якої реалізації штучного інтелекту. Можливості штучного інтелекту покращуються щомісяця. Стійка конкурентна перевага належить компаніям з даними, достатньо міцними, щоб підтримувати будь-які технологічні розробки, які з’являться далі.