Планування, PoC і створення успішного корпоративного рішення на основі ШІ

Підприємства стрімко прискорюють свої ініціативи зі штучного інтелекту (AI). Дослідження автора Алгоритмія показали, що 76 відсотків ІТ-директорів ставлять пріоритети та збільшують свої ІТ-бюджети, щоб більше зосередитися на рішеннях ШІ та машинного навчання (ML). Організації також усвідомлюють важливість даних, і більшість із них приймає той факт, що 80 відсотків корпоративних даних є неструктурованими за своєю природою.

Неструктуровані дані виробляються та зростають із загрозливою швидкістю в стеку підприємства. Одиниця вимірювання перейшла з терабайтів на петабайти. Як наслідок, ІТ-фахівцям, CDO та ІТ-директорам доводиться мати справу з деякими новими проблемами, щоб задовольнити зростаючий попит на придатні для використання дані та практичні висновки. Незважаючи на величезний потенціал штучного інтелекту трансформувати будь-яку галузь 15 відсотків рішень штучного інтелекту, розгорнутих до кінця 2022 року, будуть успішними, і менше з них принесе позитивну рентабельність інвестицій.

Найбільша проблема полягає в тому, що більшість корпоративних рішень штучного інтелекту не побачать світ через невідповідність очікуванням. Навколо можливостей штучного інтелекту продовжують існувати хибні уявлення, і проекти продовжують створюватися на моделях, керованих рекламою. Більшість продуктів або моделей далекі від справжньої реальності повсякденної діяльності підприємства. Інші рушійні фактори нижчого рівня успіху включають: перевитрати коштів, відсутність центрів передового досвіду AI (CoE), недосвідченість талантів, недоступність даних і застарілу політику тощо.

Планування прокладає шлях до успіху корпоративного ШІ

Неструктуровані дані – це дані, для яких відсутня попередньо визначена модель даних і включають усе: від документів із великою кількістю тексту та веб-сайтів до зображень, відеофайлів, чат-ботів, аудіопотоків і публікацій у соціальних мережах. Зі збільшенням кількості неструктурованих даних в архітектурі підприємства вкрай важливо мати ефективний і поетапний план, який узгоджується з цілями всіх корпоративних зацікавлених сторін. Типові цілі на рівні організації можуть включати: автоматизацію процесів, виявлення шахрайства, покращення досвіду клієнтів, покращення безпеки, збільшення продажів тощо. Хоча деяких із цих цілей можна досягти досить ефективно, через структурований характер даних планування на основі неструктурованих даних може бути складним завданням.

Як правило, планування починається з визначення сфер можливостей в організації. Хоча на рівні виконавчого керівництва може бути грандіозне бачення штучного інтелекту, дуже важливо визначити сферу, яка має високий вплив, низький ризик і постійне зростання даних. Хорошим прикладом такого використання може бути функція обробки кредитів у банківській та фінансовій галузі. Видача кредиту для обслуговування пов’язана з ручними процесами, коли інформація вручну вводиться в системи повторюваним способом. Належна перевірка кредитних заявок передбачає подання значної кількості документів, що створює кілька ризиків. Однак штучний інтелект можна застосовувати в кількох сферах робочого процесу, включаючи обробку документів і виявлення шахрайства. Це також область, де щорічно зростає кількість даних.

Інші важливі кроки, які слід розглянути на цьому етапі планування, включають визначення вимірних критеріїв успіху, формулювання цілісної стратегії даних, безперервне навчання та зворотній зв’язок, а також вимірювання взаємодії з користувачем, масштабованості та інфраструктури.

Визначення вимірюваних критеріїв успіху (і уникнення візка перед конем!)

Перший успіх Google часто пов’язують із запровадженням компанією Objective Key Results (OKR). Хоча цей підхід можна застосувати до будь-якого аспекту ділових або особистих цілей, застосування цього перевіреного підходу до вашої стратегії ШІ може дати багатообіцяючі результати. Однак, коли справа доходить до неструктурованих даних, це проблема, що розвивається, і галузь загалом намагається її вирішити. Враховуючи виклики, бізнес-лідери повинні ставити різні запитання, щоб визначити «що» і «чому». Наприклад, якщо головною метою є підвищення продуктивності, можна відповісти на два запитання:

• Чи варто планувати підвищення пропускної здатності за допомогою автоматизації? або
• Чи повинен я планувати вирішити 80 відсотків проблеми для 100 відсотків усіх поданих справ?

Відповіді на ці запитання призводять до двох різних шляхів впровадження, і важливо вирішити, який із них підійде вашому підприємству.

З неструктурованими даними є ще одна неоднозначна область вимірювання точність У прикладі з обробкою кредитів існує така велика варіативність документів, які подають клієнти, для бізнес-лідерів і технологічних лідерів дуже важливо дійти консенсусу щодо того, як вимірюється точність рішення ШІ. Якщо продуктивність є однією з цілей впровадження рішення штучного інтелекту, тоді необхідно буде визначити інші сфери, що впливають на продуктивність. Цього можна досягти, уважно розглянувши поточний процес «як є» та переосмисливши процес за допомогою автоматизації ШІ. Часто нова автоматизація призводить до нових кроків у процесі, таких як керування винятками вручну, анотації, навчання тощо. З цими кроками було б легше визначити, як вимірювати точність.

Дані є джерелом життя всіх підприємств

Неструктуровані дані мають високий ступінь варіативності в тому, як інформація структурована та представлена. Підприємства переповнені інформацією, представленою в документах, які за своєю природою мають складну структуру, що складається з абзаців, речень і, що важливіше, структур багатовимірної таблиці. Окрім документів, організації все більше інвестують у чат-ботів, дані моніторингу соціальних мереж та інші форми неструктурованих даних, як-от новини, зображення та відео.

Більшість організацій недооцінюють, скільки даних доступно та доступно під рукою. Часто завдання таке ж просте, як подолання обмежень відповідності та обмін даними всередині організації. Тим не менш, наявність чистих і високоваріативних даних дозволяє краще оцінити проблему та розробити оптимальне рішення.

Іншим важливим фактором, який слід враховувати, є результат, який ви очікуєте від цих неструктурованих даних. Це забезпечить точну кількість базових істинних даних, даних навчання та тестування. Повертаючись до прикладу з обробкою позик, якщо результатом цього рішення штучного інтелекту є визначення середньодобових залишків заявників, основні правдиві дані та навчальні дані можна гіперфокусувати навколо банківських виписок. Однак, якщо основна увага полягає в тому, щоб визначити шахрайських заявників за поданими банківськими виписками, доведеться отримати доступ до більш широкого спектру документів, щоб отримати необхідну правдиву інформацію та навчальні дані.

Масштабування від PoC до виробництва

Початок вимірюваного підтвердження концепції (PoC) гарантує, що всі зацікавлені сторони розуміють проблеми, результати та цінність рішення ШІ. Однак PoC — це не те саме, що готове до виробництва рішення. PoC дозволяє організації виявляти прогалини, стимулює дизайнерське мислення для виробничого рішення та оптимізує цілі та ключові результати, яких слід досягти. Щоб перейти від PoC до масштабованого рішення, організації повинні планувати складні сценарії даних, які включають постійні зміни даних, недоступність позначених даних і високу варіативність форм і форматів. Не менш важливим є переосмислення робочого процесу, перепідготовка вашої робочої сили та визначення правильної інфраструктури, витрат, продуктивності, архітектури даних, інформаційної безпеки та угод про рівень обслуговування (SLA).

Абсолютно важливо оцінити весь робочий процес і бізнес-процес, щоб отримати найкращі результати від будь-якого рішення ШІ. Беручи приклад з поведінкової економіки, дуже важливо порівняти результат із існуючою контрольною точкою (також відомою як «еталонна залежність»), на якій можна передбачити кращу ефективність перед виробництвом за допомогою дизайнерського мислення та переналаштування процесу.

У цьому сценарії припускається, що бізнес- та технічні керівники погодилися щодо підходу MI або глибокого навчання на основі PoC. Деякі формулювання проблеми можуть бути детермінованими, і для вирішення проблеми може бути використаний статистичний підхід, тоді як інші проблеми можуть вимагати поєднання підходів на основі МІ та нейронної мережі для досягнення бажаних результатів.

Деякі рішення ШІ вимагають включення обробки природної мови (NLP). У той час як загальні мовні моделі дійсно служать основоположним кроком, більшість моделей не розроблені для задоволення унікальних потреб кожного постановки проблеми підприємства і вимагають точного налаштування. У той же час більшість керівників, ймовірно, будуть у захваті від таких величезних моделей, як GPT3, які вимагають значної обчислювальної потужності та можуть мати прямий вплив на рентабельність інвестицій компанії. Ці моделі, швидше за все, не підійдуть для вашої компанії.

Ваш PoC на основі штучного інтелекту – це лише початок тривалого процесу, тому пам’ятайте про таке:

• Не вибирайте складну проблему для вирішення на етапі PoC
• Застосуйте дизайнерське мислення та перегляньте свій процес від кінця до кінця; прогнозувати та керувати ризиками на ранній стадії
• Точність — не єдине вимірювання; проектувати та планувати створення цінного рішення проти досягнення 100-відсоткової точності
• Оцініть свій підхід ШІ; не плануйте моделі, що керуються ажіотажем, а виберіть найбільш оптимальний підхід, який є модульним за своєю природою
• Керуйте очікуваннями всіх зацікавлених сторін, щоб забезпечити найуспішніший результат
• Розробіть своє рішення та архітектуру відповідно до зростання обсягу ваших даних для найбільш оптимальної рентабельності інвестицій

Найкращі практики для рішень на основі ШІ

Сьогодні більшість підприємств реалізують один або кілька проектів ШІ. Незважаючи на чудові наміри та наполегливу роботу, багато корпоративних програм ШІ не виправдовують очікувань, не масштабуються та не генерують бажаної рентабельності інвестицій. Потрібен час, щоб інтегрувати штучний інтелект як основний компонент бізнесу, однак деякі з передових практик, яких дотримуються успішні організації, включають:

• Почніть з AI CoE: Багато великих корпорацій, навіть нетехнологічних, створили Центри передового досвіду AI (AI CoE), щоб збільшити шанси на успіх. AI CoE об’єднує необхідні знання, ресурси та людей, щоб забезпечити ініціативи трансформації на основі AI. Основні переваги включають:
  • Консолідація знань, ресурсів і талантів ШІ в одному місці
  • Розробка єдиного бачення ШІ та бізнес-стратегії
  • Стандартизація підходів, платформ і процесів ШІ
  • Виявлення нових можливостей отримання прибутку для ШІ та інновацій
  • Масштабування наукових досліджень даних шляхом надання ШІ для всіх бізнес-функцій
• Виконавчий бай-ін: Стратегія штучного інтелекту є найбільш успішною завдяки підходу зверху вниз. Успішне масштабування пілотних проектів у масштабах організації потребує участі лідера, необхідних навичок і даних, а також створення організаційної структури, яка гарантує, що моделі залишатимуться точними з часом.
• Доступність даних: Більшість організацій ізолює дані з різних причин відповідності. Однак дані є джерелом життя будь-якого рішення штучного інтелекту, і надання цих даних має вирішальне значення. Поряд із наданням важливе значення має класифікація та очищення даних. Розробка точної наземної правди та навчальних даних може зробити або зламати рішення ШІ.
• Архітектура: Використання штучного інтелекту є зміною парадигми для будь-якої організації, що вимагає нових способів мислення та планування. Розробка оптимальної технічної та операційної архітектури підвищує ваші шанси на успіх. Це включає нові функції, такі як операції машинного навчання, операції з даними, ітераційне навчання та анотації, серед інших.
• Модульність і гнучкість: Рішення на основі штучного інтелекту все ще знаходяться на стадії зародження, особливо коли організації мають справу з великою кількістю неструктурованих даних. Дуже важливо розробити та створити модульне та гнучке рішення, яке може масштабуватися відповідно до бізнесу та його зростаючих проблем.

Створення та впровадження стратегії ШІ має великий потенціал для більшості організацій, а варіанти використання нескінченні. Рішення для машинного та глибокого навчання торкаються всіх аспектів організації, від продажів і маркетингу до щоденних операцій. Однак, як і будівництво ракети чи винайдення нового гаджета, успіх не досягнеться відразу. До рішень на основі штучного інтелекту слід підходити поетапно та спиратися на менші успіхи з часом.