Depășirea obstacolelor în proiectarea de proiect AI end-to-end

Potrivit unui studiu recent realizat de 451 Research, parte a S&P Global Market Intelligence, „mai mult de 90% dintre organizațiile care au adoptat AI au început dezvoltarea primului lor proiect AI în ultimii cinci ani”. Deși în curs de dezvoltare, soluțiile activate de AI sunt în creștere în jurul nostru. Cu toate acestea, multe dintre aceste inițiative încă nu îndeplinesc așteptările – chiar dacă ajung la implementare.

Pentru a reuși, liderii ar trebui să selecteze și să gestioneze proiectele de inteligență artificială cu o strategie atentă, condusă de așteptări clare, aliniere la obiectivele de afaceri și iterare. Să ne uităm la obstacolele obișnuite cu care se confruntă organizațiile atunci când proiectează proiecte AI de succes de la capăt la capăt și cum să le depășească.

Gestionarea așteptărilor pentru soluțiile activate de AI

Multe dintre proiectele AI eșuate de astăzi amintesc de proiectele software de întreprindere din anii 90, în care proiectele de dezvoltare au plecat de la sine, echipele aveau mari speranțe că noile tehnologii își vor rezolva problemele. Atât atunci, cât și acum, o capcană majoră este să ai așteptări umflate cu privire la ceea ce poate rezolva de fapt soluția ta.

Este periculos să presupunem că prin colectarea de date suficiente, totul va fi dintr-o dată transparent; că poți prezice comportamentele clienților sau să faci recomandări perfecte pentru a anticipa nevoile acestora. Din păcate, lumea este mult mai puțin previzibilă decât își doresc oamenii să fie. Deși apar tipare utile, nu toate evenimentele sunt cauzale sau chiar corelate - se întâmplă multe lucruri care doar generează zgomot.

În același timp, multe organizații își văd colegii implementând soluții AI și simt presiunea de a ține pasul. Investiția în inteligența artificială doar pentru a „ține pasul cu cei de la Jones” se poate contrară dacă nu înțelegi ce motivează succesul colegilor tăi și dacă va funcționa sau nu pentru propria ta organizație. Adesea, companiile cu un avans în proiectele lor de IA au strategii de date și procese de afaceri care să le permită să colecteze și să profite de tipurile potrivite de date pentru IA.

În cele din urmă, gestionarea așteptărilor pentru proiectele AI începe cu capacitatea de a articula care dintre problemele tale pot fi cu adevărat rezolvate cu AI.

Alegerea tipurilor potrivite de proiecte AI pentru problemele tale

Este strategia dvs. de inteligență artificială aliniată cu obiectivele dvs. de afaceri? Selecția proiectelor este probabil cea mai mare provocare cu care se confruntă organizațiile cu inițiativele lor de inteligență artificială. Este important să înțelegeți cu adevărat întrebarea la care încercați să răspundeți, cum (și dacă) răspunsul la această întrebare va oferi rezultate îmbunătățite în afaceri și dacă resursele de care aveți sau nu pot răspunde cu succes și eficient.

Să presupunem că doriți să utilizați un model predictiv pentru a determina când și ce fel de reducere să oferiți unui client. Aduceți echipa de știință a datelor! Dar acest lucru este de fapt foarte dificil de abordat ca o problemă de model predictiv. În primul rând, este greu să știi dacă clientul tău ar cumpăra sau nu produsul fără reducere. Și strângerea datelor necesare cu suficientă rigoare statistică pentru a produce un model util ar implica probabil unele procese care par nenaturale pentru afacere, cum ar fi selectarea aleatorie a clienților care beneficiază de reduceri sau a căror reprezentanți de vânzări pot acorda reduceri. Asta adaugă multă complexitate situației.

O modalitate mai bună de a aborda această problemă cu AI ar putea fi explorarea modelelor de simulare a comportamentului clienților la care vă așteptați în diferite regimuri de reducere. În loc să tortureze sistemul pentru a ajunge la o prognoză precisă, simularea și planificarea scenariilor pot ajuta oamenii să descopere care variabile sunt sensibile unele la altele atunci când iau decizii de afaceri. Întrebați-vă: ce răspuns am avea nevoie de client pentru ca această reducere să aibă sens? Acest tip de exercițiu de explorare a rezultatelor potențiale este mult mai eficient și cu siguranță mult mai ușor decât construirea unui experiment complex de știință a datelor.

Pregătiți-vă echipele pentru succes

Înțelegerea pentru ce au fost colectate și curatate datele dvs., cum au fost utilizate în trecut și cum vor fi utilizate în viitor este esențială pentru a desfășura orice tip de activitate AI asupra datelor. Este important să antrenați un model pe date care este complet și care reprezintă ceea ce este disponibil în lumea reală în momentul în care efectuați intervenția. De exemplu, dacă aveți mai multe etape în pipeline de tranzacții și doriți să preziceți probabilitatea închiderii unei tranzacții în timpul etapei a cincea, atunci nu puteți rula modelul pe oferte în etapele trei sau patru și să vă așteptați la rezultate utile.

Oamenii de știință de date au adesea o lacune în înțelegerea nuanțelor a ceea ce reprezintă datele și a modului în care sunt generate. Ce procese umane și tehnologice joacă un rol în crearea datelor și ce înseamnă exact datele în contextul afacerii dvs.? Aici analiștii și utilizatorii de afaceri care sunt aproape de date - și problemele pe care încercați să le rezolvați cu acestea - sunt incredibil de valoroși. Ne place sa Gândește-te la AI ca la un sport de echipă deoarece succesul necesită un context de afaceri în plus față de o linie de bază de alfabetizare de date și model.

În cele din urmă, există aspecte centrate pe om ale succesului proiectului pe care organizațiile le pot trece cu vederea dacă sunt prea concentrate pe date sau pe tehnologie. Adesea, AI poate face o predicție, dar depinde de cineva să decidă cum să transforme asta într-o acțiune recomandată. Este sugestia utilă pentru a oferi o acțiune clară și una pe care oamenii vor fi dispuși să o urmeze? Creați un mediu în care aceste sugestii vor fi primite în mod eficient?

A prezice ceva este util doar uneori. Sunteți dispus să ajustați prețurile, volumele de produse sau personalul sau chiar să vă schimbați linia de produse? Ce nivel de management al schimbării este necesar pentru ca oamenii să accepte noua soluție și să-și evolueze comportamentele și procesele stabilite? Încrederea provine dintr-un tipar de comportament consecvent și dintr-o dorință de a continua educarea afacerii; dacă veți avea un impact radical asupra modului în care oamenii își fac treaba, trebuie să fie de acord cu asta.

Începe cu mic și repetă

Să încheiem câteva îndrumări bazate pe ceea ce am văzut în timp ce lucrăm cu clienții.

Adesea, cel mai bun prim proiect AI este cel care va fi cel mai ușor de operaționalizat și de intrat în producție cu cel mai puțin complex management al schimbărilor. Încercați să construiți ceva care să ofere valoare cât mai repede posibil, chiar dacă aceasta este o îmbunătățire progresivă foarte mică. Și păstrați clienții, utilizatorii de afaceri și părțile interesate cât mai aproape de procesul de dezvoltare. Scopul este de a crea un mediu de feedback bun – atât în ​​sensul colectării mai multor date pentru a îmbunătăți în mod iterativ modelul, cât și a contribuțiilor părților interesate pentru a îmbunătăți proiectul și rezultatele acestuia.

Cu AI, vor exista întotdeauna cazuri limită în care soluția este greșită. Dar este mai bine să găsești soluții care să funcționeze pentru majoritatea clienților sau angajaților tăi, în loc să dezvolți o dovadă de concept cu adevărat strălucitoare, care funcționează doar pentru câteva cazuri de utilizare personalizate. În cele din urmă, inteligența artificială ar trebui să reducă fricțiunile și să le faciliteze oamenilor să-și facă treaba și să ia decizii informate.

Pentru a afla mai multe despre analitice Tableau AI, vizitați tableau.com/ai.