Планіування, PoC та виробництво успішного підприємства з штучним інтелектом

Підприємства прискорюють свої ініціативи з штучним інтелектом (AI) при швидкій швидкості. Дослідження компанії Algorithmia показало, що 76 відсотків керівників інформаційних технологій пріоритезують і збільшують свої бюджети на інформаційні технології, щоб мати більшу увагу на рішеннях AI і машинного навчання (ML). Організації також усвідомлюють важливість даних, і більшість із них приймають той факт, що 80 відсотків даних підприємства є неструктурованими за своєю природою.

Неструктуровані дані виробляються і зростають при загрозливій швидкості в стеку підприємства. Одиниця вимірювання змінилася з терабайт на петабайти. В результаті фахівці інформаційних технологій, керівники даних і керівники інформаційних технологій повинні мати справу з деякими новими викликами, щоб задовольнити зростаючий попит на придатні дані і діючі висновки. Навіть незважаючи на те, що AI має величезний потенціал для перетворення будь-якої галузі, лише 15 відсотків рішень AI, розгорнутих до кінця 2022 року, будуть успішними, і менше з них буде генерувати позитивний ROI.

Найбільша проблема полягає в тому, що більшість рішень підприємства з AI не бачать світло дня через неправильну відповідність очікувань. Надалі існують неправильні уявлення про можливості AI, і проекти продовжують створюватися на основі моделей, керованих гіпом. Більшість продуктів або моделей дуже далекі від реальності щоденних операцій підприємства. Інші чинники нижчих показників успіху включають: перевитрати коштів, відсутність центрів досконалості AI (CoE), недосвідчених фахівців, недоступність даних і застарілі політики, щоб назвати лише декілька.

Планіування прокладає шлях для успіху підприємства з AI

Неструктуровані дані – це дані, які не мають попередньо визначеної моделі даних і включають все, від текстових документів і веб-сайтів до зображень, відеофайлів, чат-ботів, аудіопотоків і публікацій у соціальних мережах. З зростаючою кількістю неструктурованих даних в архітектурі підприємства, критично важливо мати ефективний і поступовий план, який відповідає цілям усіх корпоративних зацікавлених сторін. Типові цілі на організаційному рівні можуть включати: автоматизацію процесів, виявлення шахрайства, поліпшення досвіду клієнта, поліпшення безпеки, збільшення продажів тощо. Хоча деякі з цих цілей можна досягти досить ефективно, через структурований характер даних, планування щодо неструктурованих даних може бути складним.

Зазвичай, планування починається з визначення областей можливостей в організації. Хоча на рівні виконавчого управління може бути грандіозна візія AI, критично важливо визначити область, яка має високий вплив, низький ризик і постійний зростання даних. Добрим прикладом такого випадку використання може бути функція обробки кредитів у сфері банківської справи та фінансів. Початок кредитування до обслуговування пов’язаний з ручними процесами, при яких інформація вводиться вручну в системи повторюваним чином. Дуальна перевірка кредитних заявок включає значну кількість документів, що подаються, що становить кілька ризиків. Однак AI можна застосувати в декількох областях робочого процесу, включаючи обробку документів і виявлення шахрайства. Це також область, в якій є постійний ріст даних з року в рік.

Інші критичні кроки, які слід розглянути під час цієї фази планування, включають визначення критеріїв успіху, формулювання єдиної стратегії даних, постійну підготовку і зворотний зв’язок, а також оцінку досвіду користувача, масштабованості та інфраструктури.

Визначення вимірюваних критеріїв успіху (і уникання моменту “колеса перед конем”)

Ранній успіх Google часто пояснюється тим, що компанія встановила ключові результати об’єктів (OKR). Хоча цей підхід можна застосувати до будь-якого аспекту бізнесу чи особистих цілей, застосування цього підходу до вашої стратегії AI може дати деякі перспективні результати. Однак, коли мова йде про неструктуровані дані, це еволюційна проблема, яку намагається вирішити галузь в цілому. Враховуючи ці виклики, керівники бізнесу повинні поставити різні питання, щоб визначити “що” і “чому”. Наприклад, якщо підвищення продуктивності є ключовою метою, два питання, на які можна відповісти, це:

• Чи слід мені планувати поліпшення продуктивності шляхом автоматизації? або
• Чи слід мені планувати вирішення 80 відсотків проблеми для 100 відсотків усіх випадків, поданих?

Відповіді на ці питання ведуть до двох різних шляхів реалізації, і важливо вирішити, який з них буде правильним для вашого підприємства.

З неструктурованими даними іншим нечітким вимірюванням є точність. У прикладі обробки кредитів існує така велика різноманітність документів, поданих клієнтами, що критично важливо для керівників бізнесу і технологій досягти консенсусу щодо того, як вимірюється точність рішення AI. Якщо продуктивність є однією з цілей впровадження рішення AI, то необхідно визначити інші області, які впливають на продуктивність. Це можна зробити, уважно розглянувши поточний процес “так як є” і переосмислив процес з автоматизацією AI. Часто нова автоматизація веде до нових кроків у процесі, таких як ручне управління винятками, анотація, навчання тощо. З цими кроками на місці буде легше визначити, як виміряти точність.

Дані – це життєва кров усіх підприємств

Неструктуровані дані мають високий рівень різноманітності щодо того, як структурована і представлена інформація. Підприємства повні інформації, представленої в документах, які за своєю природою мають складні структури, що складаються з абзаців, речень і, що більш важно, багатовимірних таблиць. Крім документів, організації все частіше інвестують у чат-боти, моніторинг даних соціальних мереж і інших форм неструктурованих даних, таких як новини, зображення та відео.

Більшість організацій недооцінюють, скільки даних доступно і доступно на руках. Часто проблема полягає просто в подоланні обмежень щодо дотримання законодавства і спільному використанні даних в організації. Тим не менше, наявність чистих і високоваріантних даних дозволяє краще оцінити проблему і розробити оптимальне рішення.

Іншим важливим фактором, який слід розглянути, є те, який результат ви очікуєте від цих неструктурованих даних. Це забезпечить точну кількість фактичних даних, навчальних і тестових даних. Повернувшись до прикладу обробки кредитів, якщо результатом цього рішення AI є визначення середнього денного балансу заявників, фактичні дані і навчальні дані можна зосередити навколо банківських виписок. Однак, якщо увага зосереджена на визначенні шахрайських заявників через подані банківські виписки, потрібно буде отримати доступ до ширшого спектру документів, щоб отримати необхідні фактичні дані і навчальні дані.

Масштабування з PoC до виробництва

Розпочавши вимірюваний доказ концепції (PoC), ви забезпечуєте, що всі зацікавлені сторони розуміють виклики, результати і цінність пропозиції рішення AI. Однак PoC не є тим самим, що і рішення, готове до виробництва. PoC дозволяє організації визначити пробіли, стимулює проектування думок для рішення виробництва і спрощує цілі і ключові результати, які повинні бути досягнуті. Щоб перейти від PoC до масштабованого рішення, організації повинні планувати складні сценарії даних, які включають постійні зміни даних, недоступність dánних і високий рівень різноманітності форми і форматів. Не менш важливо переосмислити робочий процес, перепідготувати вашу робочу силу і визначити правильну інфраструктуру, витрати, продуктивність, архітектуру даних, інформаційну безпеку і угоди про рівень обслуговування (SLA).

Абсолютно важливо оцінити весь робочий процес і бізнес-процес, щоб досягти найкращих результатів від будь-якого рішення AI. Взявши сигнал з поведінкової економіки, критично важливо порівняти результат з існуючою точкою відліку (так званою “залежністю відліку”), в якій можна очікувати кращої ефективності до виробництва через проектування думок і відображення процесу.

Цей сценарій припускає, що як бізнес, так і технічні лідери погодилися на підхід MI або глибокого навчання на основі PoC. Деякі проблемні заяви можуть бути детермінірованими, і статистичний підхід можна застосувати для вирішення проблеми, тоді як інші виклики можуть потребувати комбінації MI і підходів, заснованих на нейронних мережах, для досягнення бажаних результатів.

Деякі рішення AI вимагають включення обробки природної мови (NLP). Хоча загальні моделі мови служать фундаментальним кроком, більшість моделей не призначені для задоволення унікальних потреб кожного підприємства і потребують тонкої настройки. Водночас більшість виконавчих директорів, ймовірно, будуть схвильовані величезними моделями, такими як GPT3, які вимагають значної обчислювальної потужності і можуть мати прямий вплив на ROI компанії. Ці моделі найменше підходять для вашої компанії.

Ваш PoC AI – це лише початок довгого процесу, тому пам’ятайте про наступне:

• Не виберіть складну проблему для вирішення на стадії PoC
• Застосуйте проектування думок і перегляньте свій кінцевий процес; передбачайте і керуйте ризиками на ранній стадії
• Точність не є єдиним вимірюванням; проектуйте і плануйте будівництво цінності, керованого рішення, а не досягнення 100 відсоткової точності
• Оцініть свій підхід AI; не плануйте на основі моделей, керованих гіпом, а скоріше виберіть найбільш оптимальний підхід, який є модульним за своєю природою
• Керуйте очікуваннями по всіх зацікавлених сторонах, щоб забезпечити найбільш успішний результат
• Проектуйте своє рішення і архітектуру для масштабування з ростом ваших даних для найбільш оптимального ROI

Найкращі практики для рішень, керованих AI

Сьогодні більшість підприємств здійснюють одне або кілька проектів AI. Навіть незважаючи на добрі наміри і важку працю, багато підприємств AI не відповідають очікуванням, не масштабуються і не генерують бажаного ROI. Забереться час, щоб інтегрувати штучний інтелект як основний компонент бізнесу, однак деякі з найкращих практик, яких дотримуються успішні організації, включають:

• Почніть з AI CoE: Багато великих корпорацій, навіть не-технологічних, створили центри досконалості AI (AI CoE), щоб максимізувати свої шанси на успіх. Центр досконалості AI збирає разом необхідну експертизу, ресурси і людей, щоб дозволити трансформації, заснованій на AI. Основні вигоди включають:
  • Консолідування знань AI, ресурсів і талантів в одному місці
  • Розробка єдиної візії і бізнес-стратегії AI
  • Стандартизація підходів AI, платформ і процесів
  • Визначення нових можливостей доходу для AI і інновацій
  • Масштабування зусиль з науки про дані шляхом надання AI всім бізнес-функціям
• Відповідальність виконавчої влади: Стратегія AI найбільш успішна через підхід “зверху вниз”. Масштабування пілотних проектів по всій організації успішно вимагає погодження керівництва, необхідних навичок і даних, а також створення організаційної структури, яка забезпечує точність моделей з часом.
• Доступність даних: Більшість організацій мають ізольовані дані через різні причини дотримання законодавства. Однак дані – це життєва кров будь-якого рішення AI, і забезпечення цих даних є критично важливим. Разом з забезпеченням класифікації і очищення даних є суттєвим. Розробка точних фактичних даних і навчальних даних може зробити або зруйнувати рішення AI.
• Архітектура: Використання AI – це зміна парадигми для будь-якої організації, яка вимагає нових способів мислення і планування. Проектування оптимальної технічної і операційної архітектури збільшує ваші шанси на успіх. Це включає в себе нові функції, такі як операції з машинним навчанням, операції з даними, ітеративне навчання і анотації, серед інших.
• Модульність і гнучкість: Рішення, керовані AI, ще знаходяться на ранній стадії, особливо коли організації мають справу з важкими неструктурованими даними. Критично важливо проектувати і будувати модульне і гнучке рішення, яке може масштабуватися з бізнесом і його зростаючими викликами.

Створення і початок реалізації стратегії AI має великий потенціал для більшості організацій, і випадки використання безкінечні. Рішення машинного і глибокого навчання торкаються кожного аспекту організації, від продажів і маркетингу до щоденних операцій. Однак, як і будівництво ракети або винахід нового пристрою, успіх не буде досягнутий одразу. Рішення, керовані AI, повинні бути підходом у стадіях і побудовані на менших перемогах з часом.