Преодоление препятствий при сквозном проектировании ИИ

Согласно недавнему исследованию 451 Research, входящего в S&P Global Market Intelligence, «более 90% организаций, внедривших ИИ, начали разработку своего первого проекта ИИ за последние пять лет». Несмотря на то, что решения на основе ИИ только зарождаются, они растут вокруг нас. Однако многие из этих инициатив по-прежнему не оправдывают ожиданий — если даже доходят до развертывания.

Чтобы добиться успеха, лидеры должны выбирать проекты ИИ и управлять ими с помощью продуманной стратегии, основанной на четких ожиданиях, соответствии бизнес-целям и повторяемости. Давайте рассмотрим общие препятствия, с которыми сталкиваются организации при разработке успешных комплексных проектов ИИ, и способы их преодоления.

Управление ожиданиями в отношении решений с поддержкой ИИ

Многие сегодняшние провальные проекты ИИ сегодня напоминают проекты корпоративного программного обеспечения в девяностых, когда проекты разработки сходили с рельсов, поскольку команды возлагали большие надежды на то, что новые технологии решат их проблемы. Как тогда, так и сейчас основной ловушкой являются завышенные ожидания того, что ваше решение действительно может решить.

Опасно предполагать, что собрав достаточно данных, все вдруг станет прозрачным; что вы можете предсказывать поведение клиентов или давать идеальные рекомендации, чтобы предвидеть их потребности. К сожалению, мир гораздо менее предсказуем, чем хотелось бы людям. Хотя полезные паттерны действительно появляются, не все события являются причинно-следственными или даже коррелированными — происходит много вещей, которые просто создают шум.

В то же время многие организации видят, как их коллеги внедряют ИИ-решения, и чувствуют необходимость не отставать. Инвестиции в ИИ только для того, чтобы «не отставать от Джонсов», могут иметь неприятные последствия, если вы не понимаете, что движет успехами ваших коллег и будет ли это работать для вашей собственной организации. Часто компании, занимающие лидирующие позиции в своих проектах ИИ, стратегии данных и бизнес-процессы на месте, которые позволяют им собирать и использовать нужные виды данных для ИИ.

В конечном счете, управление ожиданиями от проектов ИИ начинается с возможности четко сформулировать, какие из ваших проблем действительно можно решить с помощью ИИ.

Выбор правильных видов проектов ИИ для ваших задач

Соответствует ли ваша стратегия ИИ вашим бизнес-целям? Выбор проекта, вероятно, является самой большой проблемой, с которой сталкиваются организации в своих инициативах в области ИИ. Важно действительно понять вопрос, на который вы пытаетесь ответить, как (и если) ответ на этот вопрос приведет к улучшению бизнес-результатов, и смогут ли имеющиеся у вас ресурсы ответить на него успешно и эффективно.

Предположим, вы хотите использовать прогнозную модель, чтобы определить, когда и какую скидку предложить клиенту. Пригласите команду по науке о данных! Но на самом деле очень сложно подойти к проблеме прогнозной модели. Во-первых, трудно понять, купил бы ваш клиент продукт без скидки. И сбор необходимых данных с достаточной статистической точностью для создания полезной модели, скорее всего, потребует некоторых процессов, которые кажутся неестественными для бизнеса, например, рандомизация того, какие клиенты получают скидки или какие торговые представители могут предоставлять скидки. Это сильно усложняет ситуацию.

Лучшим способом решить эту проблему с помощью ИИ может быть изучение имитационных моделей поведения клиентов, которые вы ожидаете при различных режимах скидок. Вместо того, чтобы мучить систему, чтобы получить точный прогноз, моделирование и планирование сценариев могут помочь людям выявить, какие переменные чувствительны друг к другу при принятии бизнес-решений. Спросите себя: какая реакция клиентов нам нужна, чтобы эта скидка имела смысл? Такого рода упражнения по изучению потенциальных результатов гораздо эффективнее и, безусловно, намного проще, чем создание сложного эксперимента по науке о данных.

Настройте свои команды на успех

Понимание того, для чего собирались и обрабатывались ваши данные, как они использовались в прошлом и как они будут использоваться в будущем, имеет решающее значение для выполнения любых действий ИИ с данными. Важно обучать модель на полных данных, которые представляют то, что доступно в реальном мире в момент вмешательства. Например, если у вас есть несколько этапов воронки сделок и вы хотите предсказать вероятность закрытия сделки на пятом этапе, вы не можете запустить модель для сделок на третьем или четвертом этапах и ожидать полезных результатов.

Специалисты по данным часто не понимают нюансов того, что представляют собой данные и как они генерируются. Какие человеческие и технологические процессы играют роль в создании данных и что именно эти данные означают в контексте вашего бизнеса? Именно здесь аналитики и бизнес-пользователи, близкие к данным и проблемам, которые вы пытаетесь решить с их помощью, невероятно ценны. Нам нравится Думайте об ИИ как о командном виде спорта потому что для успеха требуется бизнес-контекст в дополнение к базовой информации и грамотности моделей.

Наконец, есть аспекты успеха проекта, ориентированные на человека, которые организации могут упустить из виду, если они слишком сосредоточены на данных или технологиях. Часто ИИ может сделать прогноз, но кто-то должен решить, как превратить это в рекомендуемое действие. Полезно ли это предложение для обеспечения четкого действия, которому люди захотят следовать? Создаете ли вы среду, в которой эти предложения будут эффективно приняты?

Предсказывать что-то полезно только иногда. Готовы ли вы скорректировать цены, объемы продукции или штатное расписание или даже изменить свою продуктовую линейку? Какой уровень управления изменениями необходим, чтобы люди восприняли новое решение и изменили свое устоявшееся поведение и процессы? Доверие исходит из модели последовательного поведения и готовности продолжать обучать бизнес; если вы собираетесь радикально изменить то, как люди выполняют свою работу, они должны быть готовы к этому.

Начиная с малого и повторяя

Давайте закончим некоторыми рекомендациями, основанными на том, что мы видели при работе с клиентами.

Часто лучший первый проект ИИ — это тот, который будет проще всего реализовать и запустить в производство с наименее сложным управлением изменениями. Постарайтесь создать что-то, что принесет пользу как можно быстрее, даже если это очень небольшое постепенное улучшение. И держите своих клиентов, бизнес-пользователей и заинтересованных лиц как можно ближе к процессу разработки. Стремитесь создать среду с хорошей обратной связью — как в смысле сбора большего количества данных для итеративного улучшения модели, так и в отношении вклада заинтересованных сторон для улучшения проекта и его результатов.

С искусственным интеллектом всегда будут крайние случаи, когда решение отсутствует. Но лучше найти решения, которые работают для большинства ваших клиентов или сотрудников, вместо того, чтобы разрабатывать действительно яркое доказательство концепции, которое работает только для нескольких индивидуальных вариантов использования. В конце концов, ИИ должен уменьшить трения и облегчить людям выполнение их работы и принятие обоснованных решений.

Чтобы узнать больше об аналитике Tableau AI, посетите таблица.com/ai.