Я Будую Системи Штучного Інтелекту для Заробітку. Ось Що Більшість Людей Помиляється

Я будую системи штучного інтелекту для корпоративних контакт-центрів.

Не демо-версії, не бенчмарки, не дослідницькі проекти. Продукційні системи, які взаємодіють з клієнтами, навігають за політиками, витягують інформацію з відключених корпоративних платформ і працюють у середовищі, сформованому заплутаними даними, суперечливими записами, фоновим шумом і непередбачуваним поведінкою людини.

Цей досвід дав мені можливість спостерігати за однією з найбільших розривів у галузі штучного інтелекту. Публічні розмови про штучний інтелект часто домінуються тим, чим ця технологія може стати колись, тоді як організації намагаються вирішити, як успішно розгорнути її сьогодні. Це дуже різні розмови.

Питання, на які я витрачаю свій час, рідко стосуються штучного загального інтелекту або того, чи замінять машини людей. Вони часто набагато più практичні. Чи може система постійно інтерпретувати запити клієнтів? Чи може вона витягувати точну інформацію з кількох корпоративних платформ? Чи може вона відновлюватися, коли дані неповні? Чи може вона ескалювати належним чином, коли рівень впевненості низький? Чи можуть команди довіряти їй достатньо, щоб розгорнути її у великому масштабі?

Ці питання можуть бути менш цікавими, ніж заголовки, але вони визначають, чи успішно корпоративний штучний інтелект. З часом я прийшов до висновку, що більшість організацій переоцінюють важливість самої моделі і недооцінюють все, що потрібно, щоб зробити цю модель корисною всередині реальної компанії.

Демо Немає Розгортання

Хтось, хто працює близько з корпоративним штучним інтелектом, розуміє розрив між контрольованою демонстрацією і продукційним розгортанням.

Ми зустрічаємо приклади цього постійно. Одна система штучного інтелекту, з якою ми працюємо, приблизно половину часу не може правильно інтерпретувати голосовий 16-значний номер замовлення, перетворений на слова. Ці види невдач схожі на знамениту проблему “скільки р в слові strawberry?”, де просунуті мовні моделі мали труднощі з завданням, яке здавалося тривіальним для людей. Ці самі моделі можуть показувати виняткові результати на екзаменах, таких як MCAT. Це протиставлення показує щось важливе: результати бенчмарків і надійність роботи не є однією й тією ж річчю.

Як тільки штучний інтелект вступає у виробництво, він успадковує всю складність середовища навколо нього. Корпоративні системи містять неповні записи, суперечливу інформацію, застарілі процеси, відключені програми, і випадки, які накопичувалися протягом десятиліть. Клієнти ставлять нечіткі питання. Політика змінюється. Якість даних варіюється. Поведінка людини залишається чудово непередбачуваною.

Ці реалії формують результати набагато більше, ніж результати бенчмарків, оскільки штучний інтелект не працює у бенчмарках. Він працює всередині бізнес-процесів, систем і робочих процесів, які вводять складність, яку модель не може вирішити самостійно.

Корпоративний Штучний Інтелект Має Операційний Шар

Одна з уроків, які постійно дивують людей, полягає в тому, як швидко продуктивність моделі перестає бути обмежувальною. Як тільки система досягає виробництва, операційні виклики часто стають більш важливими, ніж сама модель. Успішні ініціативи штучного інтелекту залежать від проектування процесів, організаційної уваги, якості даних, інтеграції систем, спостережуваності, шляхів ескалації, управління та довіри.

Командам потрібні чіткі процедури для обробки невдач. їм потрібна видимість того, як системи приймають рішення. їм потрібна впевненість, що питання можуть бути визначені та вирішені до того, як вони вплинуть на клієнтів. Організації часто виявляють, що робота навколо системи штучного інтелекту вимагає такої ж уваги, як і сама система.

Цей операційний шар є тим, де багато розгортань в кінцевому підсумку успішно чи борються.

Сервіс Клієнтів Залишається Одним з Найбільш Складних Проблем

Досвід клієнта пропонує один з найясніших прикладів цієї складності.

Прості взаємодії стали все більш керованими для систем штучного інтелекту. Перевірка балансу рахунку. Скидання пароля. Перегляд статусу польоту. Це високо структуровані завдання з передбачуваними результатами.

Фактичні розмови клієнтів рідко залишаються такими простими.

Клієнт, який намагається вирішити проблему авіалінії, що включає бали лояльності, партнерські авіакомпанії, спори про компенсацію, винятки з політики, та кілька попередніх взаємодій, представляє зовсім інший виклик. Контекст фрагментований. Мета може бути нечіткою. Політика може суперечити. Емоції часто входять у розмову.

Ці взаємодії продовжують представляти значну частку роботи служби клієнтів і вимагають розуміння систем, процесів і бізнес-правил способами, які залишаються складними для штучного інтелекту. Прогрес був вражаючим. Складність залишається реальною.

Дані Корпорації Нарешті Становляться Використовуваними

Одна область, де я бачу значну трансформацію, що відбувається сьогодні, стосується корпоративних даних.

Більшість організацій витратили роки на накопичення інформації по десяткам або сотням відключених систем. Корисна інформація існує, але знаходження її та ефективне використання часто було складним. Штучний інтелект робить цю інформацію більш доступною.

Організації починають синтезувати дані по системах, поверхнево більш ефективно контексту, та допомагають працівникам навігації інформації, яка раніше була розсіяна по кількох програмах та репозиторіях. Ця здатність оперативно використовувати корпоративні знання може виявитися більш трансформаційною, ніж багато заголовків, що привертають увагу демонстрацій штучного інтелекту, які домінують у публічних розмовах.

Наступний Виклик: Штучний Інтелект, який Працює з Штучним Інтелектом

Наступна хвиля інновацій, ймовірно, буде涉увати кілька систем штучного інтелекту, які працюють разом.

Організації вже експериментують з робочими процесами, де агенти обмінюються інформацією, координують завдання та внесок до більших бізнес-процесів. Це створює нові виклики навколо відповідальності, довіри, ескалації, комунікації та управління.

Люди розвили неявні колаборативні навички протягом століть. Ми розуміємо, як просити про допомогу, комунікувати невизначеність, ескалювати ризики та відновлюватися після помилок. Будування цих поведінок у системи штучного інтелекту є набагато новішою дисципліною.

Багато наступного розділу корпоративного штучного інтелекту буде涉увати навчання систем працювати ефективно поряд з однією одною, залишаючись при цьому орієнтованими на організаційні цілі.

Що Корпоративний Штучний Інтелект Насправді Вимагає

Після років побудови та розгортання систем штучного інтелекту я став переконаним, що організації витрачають занадто багато часу на оцінку інтелекту моделі та недостатньо часу на підготовку середовища навколо неї.

Інтелект цих моделей може бути вражаючим. Кожного року вони стають більш здатними, більш корисними та більш складними. Однак успішні розгортання все ще залежать від фундаментальних речей: довірчих даних, добре спроектованих процесів, ретельного управління, чіткої відповідальності та людей, які розуміють, як інтегрувати нову технологію у існуючі операції.

Організації, які бачать найбільшу цінність від штучного інтелекту, звертають увагу на ці фундаментальні речі. Адже інтелект сам по собі не створює трансформації.

Трансформація відбувається, коли технологія, дані, процеси та люди працюють разом, щоб створити кращі результати.

інтегрувати нову технологію у існуючі операції. Організації, які бачать найбільшу цінність від штучного інтелекту, звертають увагу на ці фундаментальні речі. Адже інтелект сам по собі не створює трансформації.

Трансформація відбувається, коли технологія, дані, процеси та люди працюють разом, щоб створити кращі результати.