Trước Khi Có Nhiều Mô Hình Hơn, Trí Tuệ Nhân Tạo Trong Thương Mại Cần Một Cuộc Cách Mạng Về Cơ Sở Hạ Tầng

Việc triển khai trí tuệ nhân tạo trong thương mại đang diễn ra với tốc độ đáng kinh ngạc. Đầu tư vào trí tuệ nhân tạo trong bán lẻ đang tăng tốc nhanh chóng, với thị trường dự kiến sẽ tăng từ 11,6 tỷ đô la vào năm 2024 lên hơn 40 tỷ đô la vào năm 2030.

Tương tự, các mô hình mới được phát hành liên tục, các nhà cung cấp tiếp tục mở rộng khả năng của mình, và các nhà bán lẻ đang phải đối mặt với áp lực ngày càng tăng từ hội đồng quản trị và nhà đầu tư để chứng minh rằng họ đang tích cực tích hợp trí tuệ nhân tạo vào hoạt động của mình.

Bề ngoài, điều này tạo ra ấn tượng về một ngành công nghiệp đang trải qua một chuyển đổi nhanh chóng và quyết liệt. Tuy nhiên, dưới bề mặt hoạt động đó, hầu hết các sáng kiến này đều được xếp lớp lên các hệ thống không được thiết kế để hỗ trợ chúng.

Giới hạn không phải là sự sẵn có hay chất lượng của các mô hình. Đó là tình trạng của cơ sở hạ tầng bên dưới chúng.

Khi triển khai trí tuệ nhân tạo, ngân sách đầu tiên không nên đi vào trí tuệ nhân tạo itself. Nó nên đi vào những gì chúng tôi gọi là “data trust”, đó là cơ sở hạ tầng dữ liệu. Đây là các kết nối giữa các hệ thống, loại bỏ dữ liệu trùng lặp và cập nhật thời gian thực.

Không thực hiện việc này là lý do tại sao trí tuệ nhân tạo thất bại trong thương mại, và tại sao nhiều nỗ lực bắt đầu với động lực nhưng khó chuyển thành tác động bền vững. Để triển khai trí tuệ nhân tạo thành công, chúng ta cần bắt đầu với cơ sở hạ tầng.

Ngược lại, trong thương mại, cuộc trò chuyện bản thân thường bắt đầu một lớp quá cao, tập trung vào việc chọn mô hình hoặc xác định các trường hợp sử dụng có tiềm năng cao. Điều nhận được ít sự chú ý hơn là liệu kiến trúc dữ liệu cơ bản có thể hỗ trợ bất kỳ quyết định nào trong một cách có ý nghĩa.

Nếu dữ liệu cơ bản bị phân mảnh, trí tuệ nhân tạo sẽ chỉ tạo ra đầu ra có thể gây hại hoặc gây hiểu lầm.

Trong các tổ chức lớn hơn, xu hướng này được củng cố bởi nhu cầu thể hiện tiến bộ. “Làm việc với trí tuệ nhân tạo” trở thành một mục tiêu trong chính nó, và việc giới thiệu một mô hình thường là cách nhanh nhất để đạt được điều đó, bất kể nó có tạo ra giá trị đo lường được hay không.

Ở cấp độ hội đồng quản trị, kỳ vọng về trí tuệ nhân tạo đang tăng tốc dưới dạng cá nhân hóa tốt hơn và lợi ích đo lường được về hiệu suất và lợi nhuận. Ở cấp độ hệ thống, sự sẵn sàng không theo kịp. Khoảng cách càng kéo dài, việc sửa chữa càng trở nên tốn kém, vì các lớp công nghệ được thêm vào trên các nền tảng vẫn không thay đổi.

Không Sẵn Sàng Cho Trí Tuệ Nhân Tạo Trông Như Thế Nào Trong Thực Tiễn

Một vấn đề chính là thiếu tính nhất quán giữa các hệ thống. Ví dụ, một khách hàng duy nhất có thể tồn tại đồng thời trong một nền tảng ERP, một môi trường thương mại điện tử và một hệ thống ngoại tuyến hoặc忠诚, mỗi phiên bản mang theo các lịch sử và giả định khác nhau.

Dữ liệu sản phẩm, mặc dù về mặt kỹ thuật là hoàn chỉnh, nhưng bị giới hạn về việc cung cấp ngữ cảnh cho phép một mô hình giải thích hoặc lý luận về nó một cách hiệu quả. Chất lượng dữ liệu kém alone được ước tính tốn cho các tổ chức gần 13 triệu đô la mỗi năm, nhấn mạnh cách những hạn chế này đã trở nên cơ bản.

Các đội ngũ con người học cách điều hướng những bất nhất này theo thời gian, xây dựng các cầu nối không chính thức giữa các hệ thống. Một mô hình, ngược lại, hoạt động nghiêm ngặt trong cấu trúc nó được đưa ra, và đầu ra nó tạo ra bị giới hạn theo đó.

Khi trí tuệ nhân tạo được giới thiệu vào môi trường này, kết quả không phải là thiếu đầu ra mà là sự suy giảm dần về chất lượng của nó.

Một mô hình có thể xử lý dữ liệu và tạo ra đầu ra, nhưng nó sẽ không kết nối các hệ thống một cách tự động.

Trong thực tế, điều này có thể thể hiện như một động cơ cá nhân hóa bắt đầu cung cấp các khuyến nghị sản phẩm rất cụ thể phân loại khách hàng theo cách không phản ánh sở thích hoặc ý định thực sự của họ.

Trong các hệ thống được thúc đẩy bởi trí tuệ nhân tạo, trải nghiệm khách hàng thường trở nên chính xác hơn nhưng ít liên quan hơn.

Chuyển đổi này từ sự liên quan chung đến sự không liên quan cụ thể có thể gây hại hơn nó có vẻ, vì nó thay đổi cách khách hàng nhận thức về thương hiệu bản thân. Trong những trường hợp tồi tệ nhất, những hệ thống này không chỉ hoạt động dưới mức. Chúng tích cực làm suy giảm trải nghiệm khách hàng.

Tại Sao Hầu Hết Các Dự Án Trí Tuệ Nhân Tạo Cạn Kiệt, Và Chi Phí Là Gì

Động lực này là một trong những lý do chính tại sao một tỷ lệ lớn các dự án trí tuệ nhân tạo trong thương mại không tiến triển quá giai đoạn thử nghiệm. Dữ liệu ngành cho thấy rằng chỉ khoảng một nửa các sáng kiến trí tuệ nhân tạo chuyển từ giai đoạn thử nghiệm sang sản xuất, để lại một tỷ lệ đáng kể bị kẹt ở giai đoạn thử nghiệm.

Vấn đề hiếm khi là sự thiếu đầu tư hoặc ý định. Hạn chế xuất hiện khi đầu ra được tạo ra bởi những hệ thống này không biện minh cho việc mở rộng quy mô.

Ở điểm đó, các tổ chức phải đối mặt với lựa chọn giữa tiếp tục đầu tư vào tối ưu hóa hoặc từ bỏ sáng kiến hoàn toàn. Trong nhiều trường hợp, họ chọn cái sau vì môi trường mà nó được triển khai không thể hỗ trợ kết quả nhất quán.

Trong toàn ngành, cùng một khoảng trống cơ sở hạ tầng lặp lại. Dữ liệu khách hàng vẫn bị phân mảnh chứ không thống nhất. Thông tin sản phẩm tồn tại, nhưng thiếu độ sâu cần thiết cho việc giải thích. Các hệ thống hoạt động song song chứ không phải như một dòng thông tin hợp lý. Khi các mô hình được giới thiệu vào môi trường này, chúng sẽ mở rộng các vấn đề này.

Chi phí của cách tiếp cận này vượt ra ngoài chi phí trực tiếp. Nó thể hiện như một sự tích tụ hệ thống của các khuyến nghị không thành công, cá nhân hóa không nhất quán và tự động hóa làm tăng các lỗi hiện có.

Theo thời gian, điều này tạo ra một sự xói mòn tinh tế nhưng đáng kể về niềm tin trong tổ chức. Các đội bắt đầu đặt câu hỏi về độ tin cậy của các hệ thống họ đang xây dựng, và các lớp công nghệ bổ sung được giới thiệu để bù đắp. Kết quả là sự chậm trễ trong việc đạt được sự rõ ràng cần thiết để xây dựng các hệ thống hoạt động.

Lý do tại sao nhiều công ty xây dựng các dự án trí tuệ nhân tạo nhưng không bao giờ vượt qua chúng là vì họ đang xây dựng những dự án này trên các nền tảng yếu, giống như nấu ăn với nguyên liệu kém.

Bạn có thể có một công thức của Gordon Ramsay và thiết bị tuyệt vời, nhưng nếu nguyên liệu là kém, kết quả vẫn sẽ là tiêu cực.

Sự Khác Biệt Giữa Các Công Ty Khởi Nghiệp Và Các Tập Đoàn Lớn

Các tổ chức nhỏ hơn, đặc biệt là những tổ chức thuộc phạm vi trung bình, thường thể hiện khả năng triển khai trí tuệ nhân tạo một cách hiệu quả hơn. Điều này là vì các hệ thống của họ ít bị phân mảnh hơn và quá trình ra quyết định của họ trực tiếp hơn.

Trong các tổ chức lớn hơn, cấu trúc bản thân nó giới thiệu các chướng ngại vật tiềm năng. Các sáng kiến thường được thúc đẩy bởi nhu cầu phản ứng với các kỳ vọng bên ngoài, và trí tuệ nhân tạo trở thành một danh mục phải được giải quyết thay vì một khả năng được tích hợp cẩn thận.

Nói “chúng tôi muốn triển khai trí tuệ nhân tạo” giống như đưa điện vào một nhà máy mà không có máy móc. Ánh sáng sẽ bật, nhưng sản xuất sẽ không cải thiện, vì bạn đã đầu tư vào công nghệ mà không biết nó sẽ thực sự làm gì.

Chuyển Đổi Từ Mô Hình Sang Cơ Sở Hạ Tầng

Một cách tiếp cận thay thế đang bắt đầu hình thành trong số các tổ chức đã gặp phải những hạn chế này trực tiếp.

Thay vì phân bổ ngân sách ban đầu cho các mô hình trí tuệ nhân tạo, họ đang đầu tư vào những gì có thể được mô tả là “data trust”, đó là việc tạo ra một nền tảng nơi dữ liệu nhất quán, kết nối và liên tục cập nhật. Mục tiêu là đảm bảo rằng dữ liệu được sử dụng có thể hỗ trợ các quyết định có ý nghĩa.

Chuẩn bị dữ liệu có thể chiếm lên đến 80% thời gian dành cho các dự án học máy, nhấn mạnh rằng phần lớn công việc nằm ở lớp dữ liệu cơ bản chứ không phải trong các mô hình bản thân.

Quá trình này thường bắt đầu với việc lập bản đồ chi tiết các hệ thống hiện có và xác định các khoảng trống trong luồng dữ liệu và tính toàn vẹn. 30 đến 60 ngày đầu tiên thường được dành để hiểu cách thông tin di chuyển hoặc không di chuyển qua tổ chức. Điều này được theo sau bởi một giai đoạn tích hợp và tiêu chuẩn hóa, trong đó dữ liệu được làm sạch, loại bỏ trùng lặp và căn chỉnh trên các nền tảng.

Trong ba đến sáu tháng tiếp theo, các công ty tập trung vào việc xây dựng các đường ống dữ liệu đáng tin cậy và kết nối các hệ thống có giá trị cao theo cách hỗ trợ các trường hợp sử dụng thực tế. Chỉ khi nền tảng này được thiết lập, việc giới thiệu trí tuệ nhân tạo vào các quy trình làm việc có thể tạo ra kết quả nhất quán và đo lường được trở nên khả thi.

Trong khoảng thời gian từ sáu đến chín tháng, các tổ chức theo đuổi cách tiếp cận này thường bắt đầu thấy những kết quả có ý nghĩa dưới dạng các quy trình được thúc đẩy bởi trí tuệ nhân tạo ảnh hưởng đến các chỉ số như chuyển đổi, giữ chân và cải thiện lợi nhuận. Tại thời điểm đó, các mô hình ngừng trở thành các thí nghiệm và trở thành một phần của hoạt động. Hiệu suất của chúng được ổn định và đầu ra của chúng trở nên có thể hành động đến mức các đội có thể bắt đầu dựa vào chúng.

Sự tăng tốc của đầu tư trí tuệ nhân tạo trong thương mại không có khả năng giảm tốc trong thời gian tới. Điều còn không chắc chắn là liệu sự sẵn sàng của cơ sở hạ tầng có theo kịp và có thể hỗ trợ nó hay không. Khoảng cách ngày càng rộng giữa những gì các tổ chức mong đợi trí tuệ nhân tạo sẽ mang lại và những gì các hệ thống của họ có thể hỗ trợ đã rõ ràng trong số lượng ngày càng tăng các dự án không đạt đến sản xuất. Việc giải quyết khoảng cách này đòi hỏi một sự chuyển đổi trong sự tập trung vào việc xây dựng cơ sở hạ tầng quan trọng này.

Di chuyển cuộc trò chuyện từ mô hình sang cơ sở hạ tầng không mang lại sự cấp thiết hoặc khả năng hiển thị như nhau. Nhưng đó là nơi nhiều hạn chế hiện tại nằm. Và đó là nơi giai đoạn tiếp theo của tiến bộ có ý nghĩa trong thương mại được thúc đẩy bởi trí tuệ nhân tạo có khả năng xuất hiện.