Планіування, PoC та виробництво успішного корпоративного рішення на основі штучного інтелекту

Корпорації прискорюють свої ініціативи з штучного інтелекту (ШІ) при швидкій швидкості. Дослідження компанії Algorithmia показало, що 76 відсотків керівників інформаційних технологій пріоритезують і збільшують свої бюджети на інформаційні технології, щоб приділити більше уваги рішеннями на основі ШІ та машинного навчання (МН). Організації також усвідомлюють важливість даних і більшість з них приймають той факт, що 80 відсотків корпоративних даних мають неструктурований характер.

Неструктуровані дані виробляються і зростають при загрозливій швидкості в корпоративному стеку. Одиниця вимірювання змінилася з терабайт на петабайти. В результаті цього фахівці з інформаційних технологій, керівники даних і керівники інформаційних технологій повинні впоратися з деякими новими викликами, щоб задовольнити зростаючий попит на придатні дані і діючі знання. Незважаючи на те, що ШІ має величезний потенціал для трансформації будь-якої галузі, лише 15 відсотків рішень на основі ШІ, розгорнутих до кінця 2022 року, будуть успішними, і ще менше з них генеруватимуть позитивну віддачу від інвестицій.

Найбільша проблема полягає в тому, що більшість корпоративних рішень на основі ШІ не бачать світло дня через неправильну відповідність очікувань. Надалі існують неправильні уявлення про можливості ШІ, і проекти продовжують створюватися на основі моделей, які спонукаються гіпом. Більшість продуктів або моделей далеко від справжньої дійсності щоденного корпоративного функціонування. Інші чинники нижчих показників успіху включають: перевитрати коштів, відсутність центрів досконалості ШІ (ЦДШІ), відсутність досвіду у фахівців, недоступність даних і застарілі політики, щоб назвати лише деякі.

Планіування прокладає шлях до успіху корпоративного ШІ

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 зростанням кількості неструктурованих даних у корпоративній архітектурі 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, покращення досвіду клієнта, підвищення 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 у організації. Хоча на рівні виконавчої адміністрації може бути грандіозна візія ШІ, критично важливо визначити область, яка має високий вплив, низький ризик і безперервний ріст 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 повторно. Дуальна перевірка кредитних заявок включає значну кількість документів, що подаються, які становлять кілька ризиків. Однак ШІ можна застосувати в кількох областях робочого процесу, включаючи обробку документів і виявлення шахрайства. Це також область, в якій є безперервний ріст даних з року в рік.

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

Визначення вимірюваних критеріїв успіху (і уникання моменту “передачі колес!)

Ранній успіх Google часто приписується компанії, яка заснувала Об’єктивні ключові результати (ОКР). Хоча цей підхід можна застосувати до будь-якого аспекту бізнесу чи особистих цілей, застосування цього підходу до вашої стратегії ШІ може дати деякі перспективні результати. Однак, коли мова йде про неструктуровані дані, це є проблемою, яку намагається вирішити галузь в цілому. Ураховуючи 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 потрібно планувати покращення продуктивності шляхом автоматизації? або
• Чи потрібно планувати вирішення 80 відсотків проблеми для 100 відсотків усіх випадків, які подаються?

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

З неструктурованими даними інша нечітка область вимірювання – точність. У прикладі обробки кредитів існує така велика варіативність документів, поданих клієнтами, що для керівників бізнесу і технологій критично важливо прийти до згоди щодо того, як вимірюється точність рішення ШІ. Якщо продуктивність є однією з цілей впровадження рішення ШІ, то необхідно визначити інші області, які впливають на продуктивність. Це можна зробити, уважно розглянувши поточний процес “як є” і переосмисливши процес з автоматизацією ШІ. 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 ступінь варіативності 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. Окрім документів, організації все частіше вкладають кошти в чат-боти, моніторинг даних соціальних мереж і інших форм неструктурованих даних, таких як новини, зображення і відео.

Більшість організацій недооцінюють, скільки даних доступно і доступно на руках. Часто виклик полягає просто в тому, щоб подолати обмеження щодо дотримання законодавства і поділитися даними всередині організації. Тим не менше, наявність чистих і високоваріативних даних дозволяє краще оцінити проблему і розробити оптимальне рішення.

Іншим важливим фактором, який потрібно розглянути, є те, який результат ви очікуєте від цих неструктурованих даних. Це забезпечить точну кількість фактичних, навчальних і тестових даних. Вернувшись до прикладу обробки кредитів, якщо результатом цього рішення ШІ є визначення середніх щоденних балансів заявників, фактичні, навчальні і тестові дані можуть бути дуже зосереджені 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, навчальні і тестові дані.

Масштабування з PoC до виробництва

Розпочинання вимірюваного доказу концепції (PoC) гарантує, що всі зацікавлені сторони розуміють виклики, результати і цінність пропозиції рішення ШІ. Однак PoC не є тим же, що і рішення, готове до виробництва. PoC дозволяє організації визначити пробіли, стимулює проектування рішення для виробництва, і спрощує цілі і результати, які повинні бути досягнуті. Для переходу від PoC до масштабованого рішення організації повинні планувати складні сценарії даних, які включають постійні зміни даних, недоступність dánних даних і високий ступінь варіативності форми і форматів. Не менш важливо переосмислити робочий процес, перепідготувати робочу силу і визначити правильну інфраструктуру, витрати, продуктивність, архітектуру даних, інформаційну безпеку і угоди про рівень обслуговування (SLA).

Це абсолютно важливо оцінити весь робочий процес і бізнес-процес, щоб досягти найкращих результатів від будь-якого рішення ШІ. Взявши підказку з поведінкової економіки, критично важливо порівняти результат з існуючою точкою відліку (так званою “відносною залежністю”), на якій можна очікувати кращої ефективності до виробництва через проектування і перепланування процесу.

Цей сценарій припускає, що керівники бізнесу і технічні керівники погодилися щодо підходу до машинного навчання (МН) або глибокого навчання на основі PoC. Деякі проблемні заяви можуть бути детерміністичними, і статистичний підхід можна застосувати для вирішення проблеми, тоді як інші виклики можуть потребувати комбінації підходів МН і нейронних мереж для досягнення бажаних результатів.

Деякі рішення ШІ вимагають включення обробки природної мови (ОПМ). Хоча загальні мовні моделі служать фундаментальним кроком, більшість моделей не призначені для задоволення унікальних потреб кожної корпоративної проблемної заяви і потребують тонкої настройки. Водночас більшість керівників бізнесу, ймовірно, будуть ентузіастами великих моделей, таких як GPT3, які вимагають значної обчислювальної потужності і можуть вплинути на віддачу від інвестицій компанії. Ці моделі найменше підходять для вашої компанії.

Ваше рішення ШІ PoC – це лише початок довгого процесу, тому пам’ятайте про наступне:

• Не виберіть складну проблему для вирішення на стадії PoC
• Застосуйте проектування і перегляньте свій кінцевий процес; передбачайте і керуйте ризиками на ранній стадії
• Точність не є єдиною мірою; проектуйте і плануйте будівництво цінності, керованого рішенням, а не досягнення 100 відсоткової точності
• Оцініть свій підхід ШІ; не плануйте на основі моделей, спонукаених гіпом, а радше виберіть найбільш оптимальний підхід, який є модульним за своєю природою
• Керуйте очікуваннями серед усіх зацікавлених сторін, щоб забезпечити найуспішніший результат
• Проектуйте своє рішення і архітектуру для масштабування з ростом ваших даних для найбільш оптимальної віддачі від інвестицій

Найкращі практики для рішень на основі ШІ

Сьогодні більшість підприємств здійснює одне або кілька проектів ШІ. Незважаючи на добрі наміри і важку працю, багато корпоративних програм ШІ не виправдовують очікувань, не масштабуються і не генерують бажаної віддачі від інвестицій. Забереться час, щоб інтегрувати штучний інтелект як основний компонент бізнесу, однак деякі з найкращих практик, яких дотримуються успішні організації, включають:

• Почніть з центру досконалості ШІ (ЦДШІ): Багато великих корпорацій, навіть тих, які не належать до технологічної галузі, створили центри досконалості ШІ (ЦДШІ), щоб максимізувати шанси свого успіху. ЦДШІ об’єднує необхідну експертизу, ресурси і людей, щоб дозволити трансформації на основі ШІ. Основні вигоди включають:
  • Консолідування знань ШІ, ресурсів і талантів на одному місці
  • Розробка єдиної візії ШІ і бізнес-стратегії
  • Стандартизація підходів ШІ, платформ і процесів
  • Визначення нових можливостей доходу для ШІ і інновацій
  • Масштабування зусиль з науки про дані шляхом надання ШІ всім бізнес-функціям
• Відповідальність виконавчої влади: Стратегія ШІ найбільш успішна завдяки підходу “зверху вниз”. Масштабування пілотних проектів по всій організації успішно вимагає підтримки 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 ШІ, і надання цих даних є критично важливим. Разом з наданням класифікація і очищення даних є суттєвими. Розробка точних фактичних і навчальних даних може зробити або зруйнувати рішення ШІ.
• Архітектура: Використання ШІ – 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 наявність нових функцій, таких як операції МН, операції з даними, ітеративне навчання і анотації, серед інших.
• Модульність і гнучкість: Рішення на основі ШІ ще знаходяться на початкових стадіях, особливо коли організації мають справу з великими неструктурованими даними. Критично важливо проектувати і будувати модульне і гнучке рішення, яке може масштабуватися з бізнесом і його зростаючими викликами.

Створення і впровадження стратегії ШІ має великий потенціал для більшості організацій, і випадки використання безкінечні. Рішення на основі машинного навчання і глибокого навчання торкаються кожного аспекту організації, від продажів і маркетингу до щоденних операцій. Однак, як і будівництво ракети або винайдення нового пристрою, успіх не буде досягнутий одразу. Рішення на основі ШІ повинні бути підходами поетапно і будуватися на менших перемогах з часом.