Việc áp dụng AI thành công yêu cầu 3 thành phần — Hầu hết các công ty chỉ có 2

Tại thời điểm này, AI 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 AI, 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 AI cho các nhiệm vụ có rủi ro thấp nhất. Vậy điều gì ngăn cản các thương hiệu từ việc lao vào và thu được lợi ích? Khoảng cách giữa khát vọng AI và thành tựu thực tế có thể được quy cho một điểm yếu cấu trúc.

Liên kết thiếu.

Sự áp dụng AI thành công và rộng rãi yêu cầu ba thành phần: cơ sở hạ tầng, ứng dụng và dữ liệu. Lớp cơ sở hạ tầng bao gồm mô hình AI, mà khuôn khổ của nó trực tiếp định hình việc sử dụng và đầu ra có thể.

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

Giữa các lớp này là lớp dữ liệu, và đây là thành phần mà hầu hết các doanh nghiệp gặp khó khăn – dù họ có nhận thức được điều đó hay không. Lớp này, tất nhiên, chứa tất cả dữ liệu; dữ liệu phù hợp với các mô hình AI cơ bản và hướng dẫn các ứng dụng được xây dựng. Chất lượng của lớp dữ liệu trực tiếp thông tin cho 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 thì không thể.

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

Ảnh hưởng của sự mất cân bằng.

Đầu ra của AI sẽ luôn phụ thuộc vào dữ liệu mà nó được cung cấp. Nếu một tổ chức muốn AI của mình 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 AI 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 đối tác của họ) không thể hỗ trợ đủ cho các công cụ AI của mình với đủ dữ liệu, ảnh hưởng sẽ rất sâu rộng. Đầu tiên, có giải pháp AI chính nó. Trong trường hợp tốt nhất, nó sẽ hoạt động về mặt kỹ thuật, mặc dù không đến mức mong muốn. Đầu ra có thể yếu, thiếu ấn tượng hoặc không có thông tin gì. Ngoài kết quả “tốt nhất” này là một kết quả có khả năng hơn: ảo giác AI, đầu ra sai và ROI tiêu cực. Không chỉ khoản đầu tư sẽ bị浪 phí, mà các tổ chức có thể phải chi tiêu thêm để kiểm soát thiệt hại.

Khi zoom ra khỏi các tác động ngay lập tức, chúng ta có thể thấy ảnh hưởng rộng lớn hơn của giải pháp AI thiếu dữ liệu. Nhìn chung, các doanh nghiệp áp dụng AI 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 đầu tư thời gian và tài nguyên vào một công cụ AI mà không đạt được kết quả, họ đã thực sự cản trở 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 tình thế bất lợi và sẽ khiến họ phải cố gắng 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 AI và tiến về phía trước.

Điền vào khoảng trống với dữ liệu phù hợp.

Có nguy cơ đơn giản hóa, điều tốt nhất mà các nhà lãnh đạo có thể làm để tránh sự mất cân bằng AI là thực hiện nghĩa vụ của họ trước khi tiến hành với bất kỳ giải pháp AI nào. Trước khi triển khai một công cụ mới, hãy dành thời gian để tìm hiểu về nơi dữ liệu đến và cách nó được tạo ra.

Nếu nhà cung cấp giải pháp hoặc kỹ sư trưởng của bạn không thể đưa ra câu trả lời thẳng thắn về nguồn gốc, chất lượng hoặc số lượng dữ liệu cơ bản, điều đó nên kích hoạt báo động. Hãy lấy ý kiến thứ hai hoặc thứ ba từ các đối tác kênh và tích hợp. Tìm kiếm thông tin từ các mạng thảo luận người dùng như Reddit và Discord; xem nơi các nhà áp dụng khác gặp phải trở ngại hoặc chướng ngại vật. Biết những lá cờ đỏ nào để tìm trước khi đưa ra bất kỳ quyết định nào có thể giúp các nhà lãnh đạo tránh được nhiều vấn đề và kỳ vọng không đạt được.

Tất nhiên, tầm nhìn này không phải lúc nào cũng có thể và sẽ không giúp các tổ chức đang trong tình trạng thiếu hụt dữ liệu AI. 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 thêm 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 là con đường tốt nhất để tiến về phía trước. Điều đó nói rằng, 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 AI, đặc biệt là theo cách đối lập. Như luôn luôn, việc thực hiện nghiên cứu trước khi lao vào 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 đang sử dụng AI để giúp tối ưu hóa trải nghiệm khách hàng của họ, 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 người dùng sẽ cuộn xuống trên một trang, bạn muốn AI dựa trên dự đoán của nó về hành vi con người thực tế trong điều kiện tương tự.

Trong một số trường hợp, việc có được một lượng lớn dữ liệu con người không phải là về việc có được mới dữ liệu mà là kích hoạt hiện có dữ liệu. Các trang web và ứng dụng đã có khách truy cập – chỉ là vấn đề thu thập, cấu trúc và phân tích dữ liệu hành vi của họ để các công cụ AI 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 các tổ chức có thể làm để làm sạch các giải pháp của họ sẽ giúp thúc đẩy kết quả tốt hơn.

Nơi để bắt đầu.

Thiếu dữ liệu AI có thể là một thách thức lớn đối với các tổ chức của mọi quy mô, và nó có thể đáng sợ khi chỉ nghĩ về những bước tiếp theo có thể là gì. Nhưng ngay cả việc nhận ra vấn đề cũng là một thành tựu trong chính nó. Từ đó, đó là về việc tìm ra những bước nhỏ, có thể quản lý mà bạn có thể giải quyết từng bước một.

AI mang lại nhiều hứa hẹn – nhưng chỉ dành 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, ngay cả giải pháp AI 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 đặt tốc độ.