Успішна адаптація штучного інтелекту вимагає 3 компонентів — більшість компаній мають тільки 2

На цьому етапі штучний інтелект вже не є новою технологією. Його доведена ефективність у аналізі даних, розпізнаванні закономірностей та синтезі знань може зробити команди більш ефективними. Але попри незаперечну цінність штучного інтелекту, нові дослідження свідчать, що лише 13% підприємств використовують його у широкому масштабі. Більшість підприємств грають на безпечному боці, використовуючи штучний інтелект тільки для завдань з низьким рівнем ризику. Що зупиняє бренди від того, щоб повністю скористатися його перевагами? Пропуск між аспіраціями штучного інтелекту та досягненнями зводиться до структурної недолі.

Відсутній ланцюг.

Успішна, поширена адаптація штучного інтелекту вимагає трьох компонентів: інфраструктури, застосування та даних. Шар інфраструктури складається з моделі штучного інтелекту, чия структура безпосередньо формує використання та потенційні результати.

Шар застосування — це місце, де живуть програмні рішення. Це місце, де користувачі взаємодіють (можливо, опосередковано) зі штучним інтелектом та розглядають його результати; це центр прийняття рішень, інформованих штучним інтелектом.

Поміж цих шарів знаходиться шар даних, і саме цей компонент викликає труднощі у більшості підприємств — чи вони це усвідомлюють, чи ні. Цей шар, звичайно, містить усі дані; дані, які входять до основної моделі штучного інтелекту та керують розробкою застосунків. Якість шару даних безпосередньо впливає на результат на рівні застосування. Високоякісні, багаті дані можуть підтримувати потужні випадки використання, тоді як сумнівні або недостатні дані не можуть.

До тих пір, поки організації не зможуть створити — або співпрацювати з підприємствами, які створюють — усі три шари адаптації штучного інтелекту, вони не зможуть отримати максимальну вигоду.

Вплив дисбалансу.

Результати штучного інтелекту завжди будуть залежати від даних, які йому подаються. Якщо організація хоче, щоб її штучний інтелект міг передбачити синтетичні молекулярні структури, їй потрібно буде годувати його великою кількістю фізичних даних. Якщо рітейлер хоче використовувати штучний інтелект для передбачення поведінки користувачів та покращення цифрового досвіду, йому потрібно буде годувати його поведінковими даними.

Якщо підприємства (або їхні партнери) не можуть належним чином підтримувати свої інструменти штучного інтелекту достатньою кількістю даних, наслідки будуть далекосяжними. По-перше, це стосується самого рішення штучного інтелекту. У найкращому випадку воно буде технічним, але не у такому ступені, як бажано. Результати можуть бути слабкими, нецікавими або позбавленими будь-яких прозрінь. За межами цього “найкращого” результату лежить більш імовірний наслідок: галюцинації штучного інтелекту, помилкові результати та негативна віддача інвестицій. Не тільки інвестиція буде марною, але й організації можуть бути змушені витратити більше коштів на виправлення наслідків.

Віддаляючись від безпосередніх наслідків, ми можемо побачити ширші наслідки рішення штучного інтелекту, яке не має достатніх даних. Загалом, підприємства приймають штучний інтелект, щоб зробити більше: отримати більше прозрінь, обслужити більше клієнтів, працювати більш ефективно. Якщо організації вкладають час та ресурси в інструмент штучного інтелекту, який не виправдовує очікувань, вони фактично стримують свій власний розвиток, обмежуючи свою здатність адаптуватися до ринку та випереджати конкурентів. Це ставить їх у невигідне становище та змушує їх наздоганяти втрачений час, ресурси та — потенційно — клієнтів.

Але надія не втрачена; є багато чого організації можуть зробити, щоб правильно позиціонувати себе, виправити (або попередити) дисбаланс штучного інтелекту та рухатися вперед.

Заповнення прогалини правильними даними.

Ризикуючи спрощенням, найкращше, що лідери можуть зробити, щоб уникнути дисбалансу штучного інтелекту, — це провести свою домашню роботу до того, як продовжити роботу з будь-яким рішенням, яке використовує штучний інтелект. До того, як розгорнути новий інструмент, потрібно витратити час на вивчення джерела даних та того, як вони генеруються.

Якщо ваш постачальник рішень або головний інженер не можуть дати вам прямої відповіді про джерело, якість або кількість основних даних, це повинно спрацювати як сигнал тривоги. Отримайте другу або третю думку від партнерів каналу та інтеграторів. Зіберіть інформацію, звернувшись до мережі обговорень користувачів, таких як Reddit та Discord; побачите, де інші користувачі зустрілися з перешкодами. Знання про те, які червоні прапори шукати до прийняття будь-яких рішень, може допомогти лідерам уникнути багатьох проблем та невиправданих очікувань.

Звичайно, така передбачливість не завжди можлива і не допоможе організаціям, які вже відчувають нестачу даних штучного інтелекту. Якщо відмовитися від існуючого рішення не можна, наступна найкраща річ — знайти спосіб ввести більше даних, щоб інструмент мав більше контексту, закономірностей та прозрінь для вивчення.

Синтетичні дані можуть бути варіантом, але це не є універсальним засобом. Їх може бути важко ідентифікувати, тому вони не завжди можуть бути найкращим шляхом. Однак є час і місце для синтетичних даних. Наприклад, вони добре підходять для навчання моделей штучного інтелекту з безпеки, особливо у вороговському середовищі. Як завжди, проведення попередніх досліджень до того, як повністю зайнятися цим, допоможе лідерам приймати найкращі рішення для свого бізнесу.

Для галузей, таких як рітейл або ресторани швидкого харчування (QSR), людські дані є перевагою. Підприємства цих галузей, ймовірно, використовують штучний інтелект, щоб допомогти оптимізувати досвід клієнтів, тому їх інструменти повинні бути навчені на людських поведінкових даних. Наприклад, якщо ви сподіваєтеся передбачити, наскільки користувачі прокрутять сторінку, ви хочете, щоб штучний інтелект базував свої передбачення на реальній поведінці людей у подібних умовах.

У деяких випадках отримання потоку людських даних не так багато пов’язано з отриманням нових даних, скільки з активацією існуючих даних. Відвідувачі сайту та додатків вже присутні — це лише питання захоплення, структуризації та аналізу їх поведінкових даних, щоб інструменти штучного інтелекту могли використовувати їх.

В кінцевому підсумку, мати недостатньо даних краще, ніж мати погані дані; усе, що організації можуть зробити, щоб очистити свої рішення, допоможе забезпечити кращі результати.

З чого почати.

Недостатність даних штучного інтелекту може становити значну проблему для підприємств будь-якого розміру, і це може бути заляканим навіть подумати про те, які можуть бути наступні кроки. Але навіть визнання проблеми є досягненням самим по собі. Від цього моменту потрібно знайти керувані, інкрементальні кроки, які можна виконувати по одному.

Штучний інтелект має величезний потенціал — але тільки для тих, хто готовий інвестувати в кожен з його ключових компонентів: інфраструктуру, застосування та дані. Без цих шарів навіть найелегантніше рішення штучного інтелекту буде провальним. Організації, які закриють прогалину даних зараз, не тільки уникнуть відставання, але й встановлять темп.