Việc áp dụng Trí tuệ nhân tạo thành công đòi hỏi 3 thành phần — Hầu hết các công ty chỉ có 2

Tại thời điểm này, Trí tuệ nhân tạo không còn là công nghệ mới. Hiệu quả đã được chứng minh của nó trong phân tích dữ liệu, nhận dạng mẫu và tổng hợp kiến thức có thể làm cho các đội trở nên hiệu quả hơn. Nhưng尽管 giá trị không thể phủ nhận của Trí tuệ nhân tạo, nghiên cứu mới cho thấy chỉ có 13% doanh nghiệp đã áp dụng nó một cách rộng rãi. Hầu hết các doanh nghiệp đang chơi an toàn, chỉ sử dụng Trí tuệ nhân tạo cho các nhiệm vụ có rủi ro thấp nhất. Điều gì đang cản trở các thương hiệu từ việc tham gia và tận hưởng lợi ích? Khoảng cách giữa khát vọng và thành tựu Trí tuệ nhân tạo giảm xuống đến một khiếm khuyết cấu trúc.

Liên kết bị thiếu.

Việc áp dụng Trí tuệ nhân tạo thành công, rộng rãi Trí tuệ nhân tạo đòi hỏi ba thành phần: cơ sở hạ tầng, ứng dụng và dữ liệu. Lớp cơ sở hạ tầng bao gồm mô hình Trí tuệ nhân tạo, mà khuôn khổ trực tiếp định hình sử dụng và đầu ra tiềm năng.

Lớp ứng dụng là nơi các giải pháp phần mềm sống. Đây là nơi mà phần lớn giá trị của Trí tuệ nhân tạo được tạo ra; đây là nơi người dùng tương tác (có thể gián tiếp) với Trí tuệ nhân tạo và xem xét đầu ra của nó; đây là trung tâm của việc ra quyết định thông qua Trí tuệ nhân tạo.

Giữa các lớp này là lớp dữ liệu, và đây là thành phần mà hầu hết các doanh nghiệp gặp khó khăn – cho dù họ có nhận thức về nó hay không. Lớp này,当然, chứa tất cả dữ liệu; dữ liệu phù hợp với các mô hình Trí tuệ nhân tạo cơ bản và hướng dẫn các ứng dụng được xây dựng. Chất lượng của lớp dữ liệu trực tiếp thông báo đầu ra tại lớp ứng dụng. Dữ liệu chất lượng cao, dồi dào có thể hỗ trợ các trường hợp sử dụng mạnh mẽ, trong khi dữ liệu đáng ngờ hoặc không đầy đủ không thể.

Cho đến khi các tổ chức có thể xây dựng – hoặc hợp tác với các doanh nghiệp xây dựng – tất cả ba lớp của việc áp dụng Trí tuệ nhân tạo, họ sẽ không thu được giá trị tối đa.

Ảnh hưởng của sự mất cân bằng.

Đầu ra của Trí tuệ nhân tạo sẽ luôn được xác định bởi dữ liệu nó được cung cấp. Nếu một tổ chức muốn Trí tuệ nhân tạo của họ có thể dự đoán cấu trúc phân tử tổng hợp, họ sẽ cần cung cấp cho nó nhiều dữ liệu vật lý. Nếu một nhà bán lẻ muốn sử dụng Trí tuệ nhân tạo để dự đoán hành vi của người dùng và cải thiện trải nghiệm kỹ thuật số, họ sẽ cần cung cấp cho nó dữ liệu hành vi.

Nếu các doanh nghiệp (hoặc các đối tác của họ) không thể hỗ trợ đầy đủ các công cụ Trí tuệ nhân tạo của họ với đủ dữ liệu, ảnh hưởng sẽ rất sâu rộng. Đầu tiên, có giải pháp Trí tuệ nhân tạo itself. Ở mức tốt nhất, nó sẽ hoạt động kỹ thuật, mặc dù không đến mức độ mong muốn. Đầu ra có thể yếu, thiếu luster, hoặc không có thông tin nào. Ngoài kết quả “tốt nhất” này là một kết quả có khả năng hơn: ảo giác Trí tuệ nhân tạo, đầu ra sai, và ROI tiêu cực. Không chỉ khoản đầu tư sẽ bị浪费, nhưng các tổ chức có thể phải chi tiêu thêm để kiểm soát thiệt hại.

Khi phóng to từ các ramification ngay lập tức, chúng ta có thể thấy ảnh hưởng rộng hơn của giải pháp Trí tuệ nhân tạo thiếu dữ liệu. Nói chung, các doanh nghiệp áp dụng Trí tuệ nhân tạo để họ có thể làm nhiều hơn: thu được nhiều thông tin hơn, phục vụ nhiều khách hàng hơn, hoạt động hiệu quả hơn. Nếu các tổ chức đổ thời gian và tài nguyên vào một công cụ Trí tuệ nhân tạo mà không thành công, họ đã hiệu quả hạn chế sự phát triển của chính mình, hạn chế khả năng thích nghi với thị trường và vượt qua đối thủ. Điều đó sẽ đặt họ vào thế bất lợi và sẽ để lại cho họ việc bù đắp cho thời gian, tài nguyên và – có thể – khách hàng bị mất.

Nhưng hy vọng không bị mất; có rất nhiều điều mà các tổ chức có thể làm để đặt mình vào vị trí tốt, sửa chữa (hoặc ngăn chặn) sự mất cân bằng Trí tuệ nhân tạo và tiến về phía trước.

Lấp đầy khoảng trống với dữ liệu phù hợp.

Ở mức rủi ro của việc oversimplifying, điều tốt nhất mà các nhà lãnh đạo có thể làm để tránh sự mất cân bằng Trí tuệ nhân tạo là thực hiện nghĩa vụ của họ trước khi tiến hành với bất kỳ giải pháp Trí tuệ nhân tạo nào. Trước khi triển khai một công cụ mới, hãy dành thời gian để tìm hiểu về nơi dữ liệu đến từ và cách nó được tạo ra.

Nếu nhà cung cấp giải pháp hoặc kỹ sư chính của bạn không thể đưa ra một câu trả lời thẳng thắn về nguồn gốc, chất lượng hoặc số lượng dữ liệu cơ bản, điều đó nên kích hoạt chuông cảnh báo. Hãy nhận được một ý kiến thứ hai hoặc thứ ba từ các đối tác kênh và tích hợp. Crowd-source thông tin bằng cách khai thác vào các mạng thảo luận người dùng như Reddit và Discord; xem nơi các nhà áp dụng khác đã gặp phải các vấn đề hoặc chướng ngại vật. Biết những lá cờ đỏ để tìm kiếm trước khi đưa ra bất kỳ quyết định nào có thể giúp các nhà lãnh đạo tránh một thế giới của các vấn đề đầu đau và kỳ vọng bị bỏ lỡ.

Tất nhiên, sự tầm nhìn này không phải lúc nào cũng có thể và sẽ không giúp các tổ chức trong tình trạng thiếu hụt dữ liệu Trí tuệ nhân tạo. Nếu việc loại bỏ giải pháp hiện có không phải là một lựa chọn, điều tốt nhất tiếp theo là tìm cách tiêm thêm dữ liệu để công cụ có nhiều ngữ cảnh, mẫu và thông tin để rút ra.

Dữ liệu tổng hợp là một lựa chọn ở đây, nhưng nó không phải là một giải pháp toàn diện. Nó có thể khó xác định chính xác nguồn gốc của dữ liệu tổng hợp, vì vậy nó có thể không phải lúc nào cũng là con đường tốt nhất để tiến về phía trước. Điều đó nói, có một thời gian và một nơi cho dữ liệu tổng hợp. Ví dụ, nó excels tại việc đào tạo các mô hình bảo mật Trí tuệ nhân tạo, đặc biệt là trong một cách đối lập. Như luôn luôn, việc thực hiện nghiên cứu trước khi tiến hành sẽ giúp các nhà lãnh đạo đưa ra quyết định tốt nhất cho doanh nghiệp của họ.

Đối với các ngành như bán lẻ hoặc nhà hàng dịch vụ nhanh (QSR), dữ liệu con người được ưa chuộng. Các doanh nghiệp trong các ngành này có thể sử dụng Trí tuệ nhân tạo để giúp tối ưu hóa trải nghiệm khách hàng, vì vậy các công cụ của họ nên được đào tạo trên dữ liệu hành vi con người. Ví dụ, nếu bạn hy vọng dự đoán cách xa người dùng sẽ cuộn xuống trên một trang, bạn sẽ muốn Trí tuệ nhân tạo của mình dựa trên dự đoán của nó về hành vi con người thực dưới các điều kiện tương tự.

Trong một số trường hợp, việc nhận được một lượng lớn dữ liệu con người không phải là về việc nhận được mới dữ liệu mà là kích hoạt hiện có dữ liệu. Các trang web và ứng dụng người truy cập đã có – chỉ là vấn đề về việc thu thập, cấu trúc và phân tích dữ liệu hành vi của họ để các công cụ Trí tuệ nhân tạo có thể sử dụng nó.

Cuối cùng, việc có không đủ dữ liệu vẫn tốt hơn là có dữ liệu xấu; bất cứ điều gì mà các tổ chức có thể làm để làm sạch các giải pháp của họ sẽ giúp thúc đẩy các kết quả tốt hơn.

Nơi để bắt đầu.

Việc thiếu dữ liệu Trí tuệ nhân tạo có thể gây ra một thách thức lớn cho các tổ chức của mọi quy mô, và nó có thể đáng sợ khi nghĩ về những bước tiếp theo có thể là gì. Nhưng ngay cả việc nhận ra vấn đề cũng là một thành tựu trong và của chính nó. Từ đó, đó là về việc tìm kiếm các bước có thể quản lý, tăng dần mà bạn có thể giải quyết từng bước một.

Trí tuệ nhân tạo nắm giữ một lời hứa to lớn – nhưng chỉ cho những người sẵn sàng đầu tư vào từng thành phần chính của nó: cơ sở hạ tầng, ứng dụng và dữ liệu. Không có các lớp này, thậm chí giải pháp Trí tuệ nhân tạo tinh tế nhất cũng sẽ không thành công. Các tổ chức đóng khoảng trống dữ liệu bây giờ sẽ không chỉ tránh bị tụt lại phía sau; họ sẽ thiết lập tốc độ.