AI зустрічається з інженерією аналітики: зрілість AI для процесів

Компанії різних галузей та спеціалізацій відчувають необхідність пірнути у світ AI, і це стосується також інженерії аналітики. Можливості реальні, і вони цікаві, але організації, які хочуть зробити з них最大 вигоду, повинні реалізувати свою структуру процесу вдумливо та реалістично, ґрунтуючись на своїй зрілості AI. Давайте дослідимо, як це зробити.

Рівні зрілості AI

При описі складності використовуваного AI рівні зрілості AI корисні як проста, роз’яснювальна структура.

Рівень 1: Помічник інтелекту (Автоматизація): базова автоматизація повторюваних завдань та робочих процесів. Приклади: чат-боти з фіксованими відповідями, веб-кравлери, внутрішні інструменти пошуку.

Рівень 2: Розширений інтелект (Керований аналіз): ви вказуєте AI метод/модель та те, що потрібно проаналізувати, і воно робить решту. Приклади: алгоритми торгівлі рекламою, підсумовувачі контенту.

Рівень 3: Автономний інтелект (Самоучення AI): AI вибирає методи, знаходить закономірності та пропонує рекомендації. Приклади: самоводійні автомобілі, автономні роботи торгівлі акціями.

Тиск на “AI”

Звичайно, сьогодні існує великий тиск на те, щоб бути на рівні 3. Але це в основному залежить від ресурсів вашої компанії, активів, основних можливостей, знань та людей. Найкращий підхід – почати з того, де це має сенс, навіть якщо це рівень 1.

Зараз у мережі мільйони статей, які бомбардують вас ідеями щодо AI. Але ідеї не приносять результатів. За даними Adobe, лише 12% компаній зараз мають робочі рішення AI, які демонструють чіткий ROI. Більшість з них все ще знаходиться на пілотних етапах, оцінюють ефективність або стикаються з проблемами масштабування ініціатив AI. Багато команд борються з тим, щоб визначити, де AI можна значуще інтегрувати до їхніх робочих процесів, і навіть коли ідентифіковано випадок використання, багато організацій не мають внутрішніх можливостей для створення власних інструментів AI або пошуку надійних зовнішніх рішень.

Давайте триматимемося реалістичних застосунків. Є великі способи поступового впровадження AI у реалістичні елементи роботи для лідерів, які готові розширювати свої можливості відповідально.

Що можна автоматизувати, коли ви будуєте аналітику для електронної комерції/SaaS-продукту

На мою думку, існують два загальних процеси в успішних командах інженерії аналітики, які є чудовими кандидатами для побудови зрілості AI:

1. AI для управління знаннями та онбордингу
2. AI для автоматизації QA та аудиту

1. AI для управління знаннями та онбордингу

Документація – це ключовий інструмент для відстеження складних систем. Згідно з рамковою моделлю процесу, SDR (Посилання на дизайн рішення) потрібно задокументувати кожен з п’яти кроків. Це може виглядати так:

• Процес #1: Документування очікуваних результатів.
• Процес #2: Відстеження ключових історій збору даних, які регулярно перевіряються.
• Процес #3: Запис історії вимог до даних третіх сторін.
• Процес #4: Розподіл шару даних по всіх додатках та поверхнях.
• Процес #5: Опис та деталізація інженерної архітектури з діаграмами, ієрархіями та вимогами.

Тепер давайте додамо трохи AI до цього.

Рівень 1

На рівні 1 ви можете почати використовувати внутрішні чат-боти AI для отримання документів.

Багато компаній зараз мають внутрішні чат-боти, які можна натренувати на власній документації. Якщо у вас немає внутрішнього чат-бота, ви можете використовувати інкогніто-режим або редагувати свою документацію перед тим, як надати її боту.

Надайте боту свої SDR, керівництва з QA, назви конвенцій та стандарти реалізації.

Після успішного випуску надайте боту свої проєктні нотатки або плани реалізації, щоб додати до документації. Потім запитайте у AI наступні питання:

• “Який найкращий метод реалізації X, якщо я хочу використовувати ту ж логіку, що й Y?”
• “Які дані потрібно зібрати для відстеження покупок?”
• “Які теги відсутні на цій новій сторінці продукту?”

Результатом цього процесу є те, що ви витрачаєте менше часу на перегляд документів або запитання колег, нові члени команди можуть самостійно отримувати відповіді, а трибальне знання стає масштабованим.

Є деякі застереження тут. Цей метод справді працює, якщо ви добре підтримуєте свою документацію, і воно стає масштабованим лише тоді, коли ви тренуєте та вимагаєте від людей використовувати цей інструмент.

Рівень 2

Якщо це працює для вашого відділу, подумайте про розширення до прямого підключення вашого чат-бота до вашої техніки. Ви можете автоматизувати автоматизацію.

Рівень 3

Я впевнений, що небо – це межа тут. Напрямок, яким я би пішов, полягає у створенні проактивного AI, який виділяє несумісності та пропонує покращення. Реальність полягає в тому, що небагато компаній досягають цього рівня, і я пишу цю статтю для більшості з нас, які все ще вчаться основам.

2. AI для автоматизації QA та аудиту

Регулярне аудитування методів збору даних – одне з найкращих практик для рамкової моделі процесу. Часто аудитором буде команда QA або інструмент аудиту. Наприклад, ObservePoint – це інструмент з великою кількістю можливостей, який дозволяє створювати складні потоки аудиту. Навіть з роботом завжди можна використовувати трохи більше AI, правда?

Рівень 1

Давайте почнемо з автоматизації технічних питань. Будування шляхів у інструментах аудиту, таких як ObservePoint, часто є технічним та вимагає великої підтримки. Щоб автоматизувати деякі з цих повторюваних технічних завдань під час побудови шляхів аудиту, ви можете знову попросити допомоги у чат-бота AI. Запитайте у AI наступні питання:

“Дайте мені селектор CSS для кнопки ‘Наступний крок’.”

“Напишіть код, який автоматично погоджується на всі файли cookie.”

Результатом цього повинно бути полегшення роботи з високотехнологічними інструментами, швидше розслідування та виправлення проблем та менше залежності від підтримки та розробників фронтенду.

Деякі застереження тут полягають у тому, що якщо ви не використовуєте роботизований інструмент аудиту для перевірки даних, ви можете використовувати команду QA. Команда QA може розглянути можливість впровадження автоматизації для спільних кроків. Почніть з малого, розширюйте, коли будете готові; ваші наступні кроки стануть зрозумілішими лише після того, як ви зробите перший крок.

Рівень 2

Для рівня 2 використання AI подивіться на інтеграцію вашого чат-бота з інструментом безпосередньо, уникайте ручного запиту чат-бота.

Рівень 3

Нарешті, для рівня 3 небо знову є межею. Відкрийте, як ви можете зробити свої автоматизації більш проактивними у виявленні покращень та пропонуванні рішень. Ідіть цим шляхом лише тоді, коли ви комфортно орієнтуєтеся на рівні 2.

Що не варто автоматизувати (ще)

Давайте розглянемо найкращу практику #3: Співпраця з технічними сторонами третіх сторін. Це ще щось, що люди роблять найкраще. Ви можете використовувати AI для підготовки до дзвінків постачальникам, підсумовування контрактів або створення планів інтеграції. Але поки що будівництво відносин залишається людським.

Фінальні думки

Навіть якщо у вас немає бюджету на розробку власних рішень AI, ви можете почати з інструментів, які у вас вже є. Хороший процес та хороший чат-бот можуть зробити велику справу.

Почніть просто, з рівня 1 або 2, і дайте вашій команді можливість звикнути. Як тільки ви побачите, де AI економить час та підвищує узгодженість, ви будете знаєте, де інвестувати в більш просунуті інструменти. Найскладнішою частиною впровадження AI часто є визначення того, де воно вам потрібно. Як тільки ви встановите цю базову лінію, спробуйте підвищити рівень разом з вашою командою та побачите, наскільки більш гладко може працювати інженерія аналітики, підтримувана AI.

Хочете дізнатися більше про AI в інженерії аналітики та, зокрема, про найкращі процеси для збору чистих даних? Перегляньте мою статтю про створення Чистої структури даних електронної комерції.