Transformarea AI nu este o problemă de tehnologie

În fiecare trimestru, o altă întreprindere își anunță strategia de inteligență artificială. Se formează un nou grup de lucru. Este adus un furnizor. Sunt lansate proiecte pilot. Și, după douăsprezece luni, majoritatea acestor inițiative au produs puțin mai mult decât o demonstrație de principiu care nu a ajuns niciodată în producție, o echipă deziluzionată și o anulare silențioasă a bugetului.

Tiparul este remarcabil de consistent și nu are aproape nimic de-a face cu tehnologia AI în sine. Modelele funcționează. Cadrul este suficient de matur. Infrastructura cloud este disponibilă. Ceea ce eșuează este tot ceea ce ține de tehnologie: datele, procesele, pregătirea organizațională și așteptările.

Eroarea „adăugării AI”

Cel mai frecvent mod de eșec în AI-ul întreprinderilor este credința că AI poate fi adăugat unei operațiuni existente în același mod în care ați putea adăuga o nouă caracteristică unei aplicații. Liderii se uită la un proces care este lent, costisitor sau predispus la erori și întreabă: „Putem folosi AI pentru a remedia acest lucru?”

Această întrebare sună rezonabil, dar este aproape întotdeauna punctul de plecare greșit. AI nu remediază procesele. Automatizează tiparele. Dacă procesul dvs. de bază este inconsistent, slab documentat sau depinde de judecăți umane nedocumentate, atunci automatizarea acestuia cu AI nu va produce rezultate mai bune - va produce rezultate proaste mai rapide, cu mai multă încredere.

Am lucrat cu o organizație de servicii financiare care dorea să utilizeze învățarea automată pentru a automatiza evaluările riscului de credit. Proiectul pilot arăta promițător. Dar, când au analizat datele, au descoperit că analiștii lor de risc existenți foloseau criterii diferite, în funcție de managerul de relații implicat, de perioada anului și de excepțiile nedocumentate care se acumulaseră de-a lungul unui deceniu. Modelul AI antrenat pe aceste date a reprodus cu fidelitate toate inconsecvențele - doar mai repede.

Pregătirea datelor nu înseamnă disponibilitatea datelor

Majoritatea întreprinderilor cred că au o problemă cu datele, când, de fapt, au o problemă cu calitatea, guvernanța și accesibilitatea datelor. Datele există - adesea în cantități enorme. Dar sunt împrăștiate în sisteme care nu comunică între ele, stocate în formate care nu au fost niciodată concepute pentru utilizare analitică și întreținute de echipe care nu au niciun stimulent să le păstreze curate.

Pregătirea datelor pentru AI nu se referă la volum. Se referă la faptul dacă datele dvs. sunt consistente, etichetate, actuale și reprezentative pentru problema pe care încercați să o rezolvați. În practică, aceasta înseamnă:

Conductele dvs. de date trebuie să fie fiabile înainte ca modelele dvs. AI să poată fi utile.Dacă formatul datelor care alimentează modelul dvs. se modifică de fiecare dată când cineva actualizează o foaie de calcul sau reconfigurează un sistem din amonte, modelul dvs. se va degrada în tăcere. Nicio cantitate de sofisticare a modelului nu compensează intrarea nesigură.

Etichetarea este costisitoare și adesea subestimată.Învățarea supravegheată necesită date etichetate, iar în majoritatea contextelor întreprinderilor, etichetarea înseamnă ca experții în domeniu să revizuiască mii de exemple. Aceasta nu este o sarcină de inginerie a datelor - este o sarcină de operațiuni de afaceri și concurează cu locurile de muncă de zi cu zi ale experților.

Datele istorice pot să nu reflecte realitatea actuală.Un model antrenat pe trei ani de date despre comportamentul clienților poate fi inutil dacă piața s-a schimbat acum șase luni. Acest lucru este deosebit de periculos, deoarece modelul va produce în continuare rezultate cu mare încredere - pur și simplu nu va fi relevant.

Rezistența organizațională este adevăratul blocaj

Chiar și atunci când tehnologia funcționează și datele sunt pregătite, inițiativele AI se blochează în mod obișnuit din cauza dinamicii organizaționale pe care nicio arhitectură tehnică nu o poate rezolva.

Oamenii rezistă adoptării AI din motive raționale. Își fac griji cu privire la înlocuirea locurilor de muncă. Nu au încredere în sistemele pe care nu le înțeleg. Au văzut „transformări” anterioare care au creat mai multă muncă, nu mai puțină. Și, în multe industrii reglementate, există preocupări legitime cu privire la responsabilitate: dacă AI ia o decizie care se dovedește a fi greșită, cine este responsabil?

Acestea nu sunt obiecții iraționale care trebuie depășite cu prezentări de gestionare a schimbării. Sunt constrângeri reale care trebuie proiectate în jurul lor. Adoptarea cu succes a AI în întreprinderi urmează aproape întotdeauna un model de augmentare înainte de automatizare: AI asistă factorii de decizie umani, mai degrabă decât să-i înlocuiască, construind încredere incremental.

Unde AI oferă efectiv valoare

Proiectele AI ale întreprinderilor care oferă în mod constant valoare măsurabilă au câteva caracteristici comune:

Vizează sarcini specifice, bine definite - nu obiective strategice largi.„Utilizarea AI pentru a îmbunătăți operațiunile” nu este un obiectiv. „Reducerea rezultatelor fals pozitive în detectarea fraudei cu 30% în șase luni” este un obiectiv. Cu cât domeniul de aplicare este mai restrâns, cu atât este mai probabil ca proiectul să aibă succes.

Automatizează sarcinile în care logica decizională este deja bine înțeleasă.Cei mai buni candidați pentru automatizarea AI nu sunt apelurile complexe de judecată - sunt sarcinile repetitive, cu volum mare, în care regulile sunt clare, dar execuția este lentă. Clasificarea documentelor. Potrivirea facturilor. Detectarea anomaliilor în datele senzorilor. Acestea nu sunt pline de farmec, dar oferă un ROI real.

Încep cu fluxul de lucru, nu cu modelul.Prima întrebare nu ar trebui să fie niciodată „Ce model AI ar trebui să folosim?” Ar trebui să fie „Cum arată fluxul de lucru astăzi și unde anume își petrece o persoană timp cu ceva care ar putea fi prezis sau clasificat?” Modelul este o componentă. Fluxul de lucru este produsul.

Planifică realitatea operațională a AI-ului de producție.Modelele se deplasează. Distribuțiile datelor se modifică. Cazurile limită se acumulează. O demonstrație de principiu care funcționează într-un notebook Jupyter nu este un sistem de producție. Inițiativele AI de succes alocă buget pentru monitorizare continuă, recalificare și supraveghere umană încă din prima zi.

Ce înseamnă acest lucru pentru lideri

Dacă evaluați o inițiativă AI pentru organizația dvs., cea mai sinceră întrebare pe care o puteți adresa echipei dvs. este:Am putea rezolva mai întâi această problemă cu date mai bune și o automatizare mai simplă?

În multe cazuri, răspunsul este da. Automatizarea fluxului de lucru, conductele de date mai bune și standardizarea proceselor vor rezolva optzeci la sută din problemele pe care întreprinderile încearcă să le rezolve cu AI - și sunt mai ieftine, mai previzibile și mai ușor de întreținut.

Când AI este cu adevărat abordarea corectă, succesul depinde de tratarea acesteia ca pe o capacitate operațională, nu ca pe un experiment tehnologic. Aceasta înseamnă inginerie dedicată a datelor, valori clare de succes, implicarea experților în domeniu și un calendar realist care să țină cont de realitatea dezordonată a datelor întreprinderilor.

Organizațiile care obțin în liniște valoare de la AI nu sunt cele care fac cele mai îndrăznețe anunțuri. Sunt cele care au investit în infrastructura lor de date, au ales probleme restrânse și au construit mușchiul operațional pentru a menține modelele funcționale în producție. Nu există scurtături.