Максимізація ROI штучного інтелекту в підприємствах

Як і з багатьма технологіями до цього, штучний інтелект (AI) проголошується наступною великою інновацією, яку підприємства просто повинні використовувати. Іронічно, але основна технологія існує вже десятиліттями, але з останніми ітераціями гіпертрофія досягла лихорадочного рівня – перевищуючи реальність впровадження в підприємствах. Тим не менше, оскільки ІТ-команди стикаються з зростаючим тиском, щоб сісти на потяг ІТ, їм потрібно балансувати цей ентузіазм з реальністю дна лінії. Різні реалізації вимагають різних рівнів інвестицій, що означає, що вони також повинні принести різні повернення – часто за різним графіком.

Спроможність доставляти успішні продукти AI залежить від багатьох факторів: конкретних стратегій, планування та виконання, обраного бізнес-лідерами; наявності кваліфікованих ресурсів; відповідності продукту; організаційної прийняття ризику; та управління часом проти очікуваного повернення інвестицій (ROI).

Балансування цих факторів – це виклик, але дотримування цих трьох кроків може зберегти організації на шляху до ROI AI.

Поняття технології

Багато підприємств вступають у боротьбу з AI, вважаючи, що вони відстають, але не повністю розуміють, чому, як або навіть що таке технологія. Як результат, їхнім першим завданням є розрізнення між різними смаками AI, починаючи з точного AI проти генеративного AI.

Точний AI – це використання машинного навчання і глибокого навчання моделей для поліпшення результатів. Це дозволяє підприємствам автоматизувати процеси прийняття рішень, створюючи ефективність і збільшуючи ROI. Точний AI став зрілою технологією для підприємств, яка продовжує бачити значне впровадження і стає все більш популярною з дня на день.

Генеративний AI (GenAI) – це новий і став популярним після випуску OpenAI ChatGPT у кінці 2022 року. Він складається з фундаментальних великих мовних моделей (LLM), навчених з мільярдами параметрів для генерації нового семантичного текстового контексту, GenAI пропонує значні можливості для бізнес-впливу та оперативної ефективності, але це ще на початку циклу впровадження.

Одним із значних перешкод є стандарт для якості даних, який підвищується для застосунків GenAI, оскільки низькоякісні набори даних можуть вводити прозорість і етичні питання.

Надійність даних починається з проектування та впровадження робочих процесів; створення трубопроводів для виконання; абстрагування через API; кураторство та демократизація; та обробка різних типів даних. Навіть не попереднє покоління вимог до якості даних, яке включало 4V (обсяг, швидкість, достовірність і різноманітність), AI потребує нових вимог, які включають 4P: передбачення, продуктивність, точність і персоналізацію у масштабі.

Передбачення: алгоритми AI дозволяють використовувати статистичний аналіз для знаходження закономірностей у даних та ідентифікації поведінки для передбачення та прогнозування майбутніх подій шляхом кореляції історичних даних у стані спокою та даних у потоці для прийняття рішень в реальному часі.

Продуктивність: AI дозволяє автоматизувати бізнес-процеси, що збільшує підприємницьку оперативну ефективність та продуктивність, зменшуючи повторювані завдання та звільняючи час співробітників для роботи над більш стратегічними завданнями.

Точність: цей показник вимірює результати моделі таким чином, що моделі машинного навчання можуть виробляти точність між прийнятним діапазоном, визначеним випадками використання. Точність також обчислюється як кількість справжніх позитивних результатів, поділених на загальну кількість позитивних передбачень.

Персоналізація у масштабі: це відноситься до процесу використання надійних даних, таких як історії покупок клієнтів, дії на сайті, аналіз настрою клієнтів щодо конкретних продуктів та відповіді на опитування. Це забезпечує індивідуалізовані досвіди по демографії.

Крім якості даних, підприємства повинні враховувати численні інші фактори – як внутрішні, так і зовнішні – при оцінці своєї готовності до AI: управління, відповідність вимогам, інвестиції в хмару, таланти, нові операційні моделі бізнесу, управління ризиком та лідерський комітет.

Організації повинні починати з встановлення бачення AI, яке відповідає їхнім цілям та стратегічним об’єктам. Підтримка з боку вищого керівництва критична, оскільки впровадження AI вимагає значних попередніх інвестицій. CIO повинен чітко артикулювати шлях до ROI для всього вищого керівництва – справжній тест для CIO у підвищенні ІТ з функції забезпечення до стратегічної.

Далі організація повинна вирівняти людей, процеси та технології. AI вимагає нових навичок та сертифікатів, таких як глибокі моделі навчання та машинне навчання, оскільки організації традиційно інтегрували AI у людські робочі процеси. Однак GenAI змінює динаміку, але більшість найкращих практик та керівних принципів відповідальності все ще включають компонент “людина в циклі” для підтримки етичних стандартів та цінностей.

Впровадження AI також вимагає нових бізнес-процесів для управління та забезпечення якості даних, що дозволяє вченим-даним, відповідальним за доставку нових моделей AI, розв’язувати складні бізнес-проблеми.

Під час розробки, виробництва та виготовлення нових продуктів AI підприємства повинні також залишатися уважними до останніх регуляторних політик галузі AI. Європейський закон про AI встановив найкращі практики використання AI – і наслідки за невиконання цих політик. Як результат, підприємства створили команди для створення, оцінки та оновлення зусиль щодо правил AI.

Зростання підприємств, що стають усе більш залежними від даних, вони повинні розробляти фундаментальні стратегії захисту активів даних, які дозволяють їм доставляти найкращі ідеї через платформи автоматизації аналітичних процесів. Від那里 вони можуть вибрати технології AI та нові платформи, які мають найбільший сенс для них.

Визначення бізнес-кейсу

Нарешті, справжнє повернення інвестицій в AI вимагає продажу переваг клієнтам, що означає, що готовність до AI вимагає нового бізнес-місця, оскільки технологія спричиняє трансформацію для підприємств у різних галузях.

Успішна розробка продуктів AI вимагає глибокого розуміння галузевих шляхів клієнтів та вирівнювання рішень AI з бізнес-цілями. Клієнто-орієнтованість відіграє ключову роль у розробці нових операційних моделей, і сучасні технології використовуються для збільшення ефективності.

Наприклад, клієнти, які шукають малих перемог у зрілості AI, можуть покладатися на свої активи програмного забезпечення та інфраструктуру хмар для розробки нових продуктів та рішень. Це зберігає задоволеність працівників на вищому рівні та підтримує їхній фокус на перевищенні очікувань клієнтів.

Тим не менше, ядро організації повинно зосередитися на скороченні часу виходу на ринок та поліпшенні нового управління процесами для скорочення циклу розробки продукту та збільшення ефективності доставки нових продуктів. Наприклад, розподілений розширений платформою даних аналітики використовується для автоматизації інгестії, кураторства, демократизації, обробки та аналізу в реальному часі – все це збільшує продуктивність та ROI.

Розблокування повного потенціалу ROI AI

AI у своєму ядрі означає розширені алгоритми, якість даних, обчислювальну потужність, інфраструктуру як код, управління, відповідальний AI з етикою для захисту конфіденційності даних. Есенція готовності до застосування AI та виклики управління даними вимагають твердіх даних-орієнтованих рамок, людей, процесів, стратегій, етики та технологічних платформ.

Одночасно звіт McKinsey свідчить, що 65% підприємств використовують технології AI – у два рази більше, ніж минулого року. Це демонструє імпульс, але впровадження все ще рухається повільно від цікавості до реальних бізнес-кейсів у масштабі. GenAI доставляє нові прориви, дозволяючи організаціям використовувати нові можливості через розвиток семантичних та мульти-модальних LLM. Це демократизує повний спектр можливостей AI, дозволяючи їм генерувати нові потоки доходів.

З правильною стратегією, лідерським комітетом та інвестиціями у правильні випадки використання, підприємства можуть отримати значну вартість та стимулювати трансформаційний рост через AI.