Успішна адопція штучного інтелекту вимагає 3 компонентів — більшість компаній мають лише 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 недовідому цінність штучного інтелекту, нові дослідження свідчать про те, що лише 13% підприємств використовують його у широкому сенсі. Більшість підприємств грають на безпечному боці, використовуючи штучний інтелект лише для завдань з низьким рівнем ризику. Що зупиняє бренди від повного занурення та отримання вигод? Пропуск між аспіраціями штучного інтелекту та досягненням зводиться до структурної недоліки.

Відсутнє ланцюжок.

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

Шар застосунку — це місце, де живуть програмні рішення. Це місце, де створюється більша частина цінності штучного інтелекту; це місце, де користувачі взаємодіють (можливо, опосередковано) зі штучним інтелектом та переглядають його результати; це центр прийняття рішень на основі штучного інтелекту.

Між цими шарами знаходиться шар даних, і саме цей компонент викликає у більшості підприємств труднощі — навіть якщо вони цього не усвідомлюють. Цей шар, звичайно, містить усі дані; дані, які входять до моделі штучного інтелекту та керують застосунками, які будуються. Якість шару даних безпосередньо впливає на результат на шарі застосунку. Високоякісні, численні 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 адопції штучного інтелекту, вони не отримають максимальної вигоди.

Вплив дисбалансу.

Результати штучного інтелекту завжди будуть залежати від даних, які йому подаються. Якщо організація хоче, щоб її штучний інтелект міг передбачати синтетичні молекулярні структури, їй потрібно буде подати йому багато фізичних даних. Якщо рітейлер хоче використовувати штучний інтелект для передбачення поведінки користувачів та покращення цифрових досвідів, йому потрібно буде подати йому поведінкові дані.

Якщо підприємства (або їхні партнери) не можуть належним чином підтримувати свої інструменти штучного інтелекту достатньою кількістю даних, наслідки будуть далекосяжними. По-перше, це сам інструмент штучного інтелекту. Найкраще, він буде технічно робочим, хоча й не в такому ступені, як бажано. Результати можуть бути слабкими, нецікавими або позбавленими інсайтів зовсім. За цією “найкращою” ситуацією лежить більш імовірний результат: галюцинації штучного інтелекту, помилкові результати та негативний ROI. Не лише буде втрачено інвестиції, але й організації можуть бути змушені витратити більше коштів на виправлення шкоди.

Віддалячись від безпосередніх наслідків, ми можемо побачити ширші наслідки рішення штучного інтелекту, яке позбавлене даних. Зазвичай підприємства приймають штучний інтелект, щоб зробити більше: отримати більше інсайтів, обслужити більше клієнтів, працювати більш ефективно. Якщо організації вкладають час та ресурси в інструмент штучного інтелекту, який виявляється невдалим, вони фактично стримують свій власний розвиток, обмежуючи свою здатність адаптуватися до ринку та випереджати конкурентів. Це ставить їх у невигідне становище та залишить їх у пошуках способів наздогнати втрачений час, ресурси та — потенційно — клієнтів.

Але надія не втрачена; є багато чого організації можуть зробити, щоб поставити себе на правильний шлях, виправити (або запобігти) дисбалансу штучного інтелекту та рухатися вперед.

Заповнення прогалини правильними даними.

Ризикуючи спрощенням, найкраще, що можуть зробити лідери, щоб уникнути дисбалансу штучного інтелекту, — це провести свою домашню роботу до того, як продовжити роботу з будь-яким рішенням на основі штучного інтелекту. 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 сигнал тривоги. Отримайте другу або третю думку від партнерів каналів та інтеграторів. Зберіть інформацію, звернувшись до мережі обговорень користувачів, таких як Reddit та Discord; побачите, де інші користувачі зустрілися з перешкодами чи проблемами. Знання про те, які червоні прапори шукати до того, як приймати будь-які рішення, можуть допомогти лідерам уникнути багатьох проблем та невиправданих очікувань.

Звичайно, таке передбачення не завжди можливе і не допоможе організаціям, які вже відчувають нестачу даних штучного інтелекту. Якщо скасування існуючого рішення не є варіантом, наступна найкраща річ — знайти спосіб ввести більше даних, щоб інструмент мав більше контексту, закономірностей та інсайтів, на які можна спертися.

Синтетичні дані можуть бути варіантом тут, але це не є універсальним засобом. Їх може бути складно ідентифікувати, тому вони не завжди можуть бути найкращим шляхом вперед. Зазначається, що існує час і місце для синтетичних даних. Наприклад, вони добре підходять для навчання моделей штучного інтелекту безпеки, особливо у вороговому середовищі. Як завжди, проведення попередніх досліджень до того, як пірнати у воду, 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 для оптимізації досвіду клієнтів, тому їхні інструменти повинні бути навчені на людських поведінчих даних. Наприклад, якщо ви хочете передбачити, наскільки користувачі прокрутять сторінку, ви хочете, щоб штучний інтелект базувався на реальній поведінці людей у подібних умовах.

У деяких випадках отримання людських даних не так багато про отримання нових даних, як про активацію існуючих даних. Відвідувачі сайту та додатків вже є — це просто питання захоплення, структуризації та аналізу їхніх поведінчих даних, щоб інструменти штучного інтелекту могли використовувати їх.

У кінцевому підсумку, мати недостатньо даних краще, ніж мати погані дані; все, що організації можуть зробити, щоб очистити свої рішення, допоможе покращити результати.

Звідки починати.

Недостатність даних штучного інтелекту може становити суттєву проблему для організацій будь-якого розміру, і це може бути страшно навіть подумати про те, які можуть бути наступні кроки. Але навіть визнання проблеми є досягненням сам по собі. Від цього моменту це питання знаходження керованих, поступових кроків, які можна виконувати по одному.

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