Ang artificial intelligence (AI) ay inihahayag bilang game-changer para sa mga negosyo, na nangangako ng rebolusyonaryong kahusayan, pagbabago at pagbabago. Gayunpaman, ang katotohanan ay nagpinta ng ibang larawan: ang karamihan sa mga proyekto ng AI ay kulang sa mga inaasahan. Madalas na nakikita ng mga kumpanya ang kanilang mga pamumuhunan sa AI na natigil sa yugto ng proof of concept (POC)—isang maagang yugto ng pagsubok na idinisenyo upang masuri ang pagiging posible.
Sa halip na maging makapangyarihang mga driver ng negosyo, ang mga hakbangin na ito ay kadalasang nakakaubos ng mga mapagkukunan nang hindi nagbubunga ng makabuluhang resulta. Bilang resulta, nagiging nag-aalinlangan ang mga executive sa ROI ng AI, habang nagpupumilit ang mga team na makakuha ng espesyal na talento at magpatupad ng mga magastos na upgrade sa imprastraktura.
Pag-unawa sa ilusyon ng AI
Lumilitaw ang ilusyon ng AI kapag ang mga organisasyon ay nag-overestimate sa mga panandaliang kakayahan ng AI at tinatrato ito bilang isang unibersal na solusyon sa mga kumplikadong hamon. Kapag ang mga inaasahan ay sumalungat sa katotohanan, ang sisihin ay madalas na lumilipat sa teknolohiya mismo sa halip na ang maling diskarte. Ang cycle na ito ay humahantong sa mga nasayang na mapagkukunan, demoralized na mga koponan at mga pagkakataong dumausdos sa mga bitak.
Mula sa aking karanasan sa pakikipagtulungan sa mga pinuno ng Silicon Valley, pandaigdigang nangungunang mga developer ng teknolohiya at mga negosyong may pasulong na pag-iisip mula sa buong mundo, natukoy namin ng aking koponan ang mga paulit-ulit na mga pitfall na nagpapanatili sa ilusyon ng AI.
Una sa lahat, ang karamihan sa mga pinuno ng negosyo ay tinatrato ang AI na parang gumagana ito tulad ng tradisyonal na software. Masyado rin nilang pinahahalagahan ang pag-unlad, mabilis na nakakamit ang 80 porsiyentong pagkumpleto ngunit nagpupumilit na maabot ang buong deployment. At higit sa lahat, nabigo silang magdisenyo ng mga system na gumaganap sa mga lakas ng AI habang binabayaran ang mga kahinaan nito.
Ang artikulo ay nagpapatuloy pagkatapos ng patalastas na ito
Mga karaniwang sanhi ng pagkabigo ng pilot ng AI
Karamihan sa mga POC ay hindi kailanman umabot sa produksyon. Para makawala sa pattern na ito, kailangan mong harapin ang mga ugat ng kabiguan at pag-isipang muli ang iyong mga diskarte sa AI.
Ang artikulo ay nagpapatuloy pagkatapos ng patalastas na ito
1. Hindi natukoy na mga sukatan ng tagumpay
Isa sa pinakakaraniwan at maiiwasang dahilan kung bakit nabigo ang mga proyekto ng AI ay ang kawalan ng malinaw na kahulugan ng tagumpay. Maraming mga inisyatiba ang nagpapatuloy nang walang tiyak, nasusukat na mga layunin, na nag-iiwan sa mga koponan na hindi masukat kung ang teknolohiya ay naghahatid ng halaga, tulad ng mga pagbawas sa gastos o pagpapahusay sa pagpapatakbo.
Solusyon: Tukuyin nang unahan ang mga sukatan ng tagumpay, direktang itali ang mga ito sa mga tiyak na layunin ng negosyo tulad ng pinahusay na produktibidad o pinahusay na kasiyahan ng customer.
2. Hindi sapat na kadalubhasaan
Maraming organisasyon ang kulang sa espesyal na kaalaman na kinakailangan para mabisang ipatupad at pamahalaan ang mga AI system. Ang pagkuha ng mga bihasang propesyonal sa AI ay parehong mapagkumpitensya at magastos, at ang pagtatangkang pataasin ang kasanayan sa mga kasalukuyang kawani ay kadalasang kulang sa kadalubhasaan na kailangan para sa matagumpay na pag-deploy.
Solusyon: Gumawa ng mga pakikipagsosyo sa mga may karanasang AI consultant at unahin ang mga inisyatiba sa pagsasanay upang bumuo ng pundasyong kaalaman sa mga team.
3. Mahina ang kalidad ng data
Ang mga AI system ay umuunlad sa mataas na kalidad na data, ngunit maraming kumpanya ang sumusubok na i-deploy ang mga ito gamit ang mga pira-piraso o hindi pare-parehong mga dataset. Madalas itong nagreresulta sa mga system na hindi maganda ang performance kapag na-scale lampas sa unang yugto ng pagsubok.
Solusyon: Magpatupad ng matatag na mga kasanayan sa pamamahala ng data upang matiyak na malinis, maaasahan at naa-access ang mga dataset bago maglunsad ng mga inisyatiba ng AI.
4. Mga ipinagbabawal na gastos ng mga LLM
Large Language Models (LLMs): Ang mga AI system na sinanay sa malawak na dataset para makabuo ng mga tugon na tulad ng tao—ay madalas na ginagamit sa mga POC. Gayunpaman, ang pag-scale sa mga modelong ito ay maaaring napakamahal at hindi epektibo, lalo na kapag kulang ang mga ito ng espesyalisasyon na kinakailangan para sa mga partikular na kaso ng paggamit.
Solusyon: I-priyoridad ang mga finetuned na modelo na iniayon sa mga natatanging hamon ng iyong negosyo, na naghahatid ng mga cost-effective at naka-target na solusyon.
5. Mga hamon sa pagtitiwala at pagsunod
Ang pag-aampon ng AI ay kadalasang nabibigo dahil sa kawalan ng tiwala at mga alalahanin tungkol sa pagsunod. Ang mga isyu tulad ng mga guni-guni o hindi nahuhulaang mga output ay maaaring masira ang kumpiyansa ng stakeholder at lumikha ng mga panganib sa regulasyon.
Solusyon: Bumuo ng mga transparent na system na may mahigpit na pagsubok at mga proseso ng pagpapatunay upang matiyak ang pagiging maaasahan at pananagutan.
Mga diskarte para sa pagtakas sa ilusyon ng AI
Dapat magpatibay ang mga organisasyon ng balanseng diskarte na pinagsasama ang mga lakas ng AI sa pangangasiwa ng tao. Narito ang apat na diskarte upang matulungan ang mga negosyo na magtagumpay:
1. Mga iniangkop na solusyon sa mga generic na modelo
Maaaring mukhang kaakit-akit ang mga pangkalahatang layunin na modelo ng AI, ngunit kadalasan ay hindi angkop ang mga ito para sa mga partikular na aplikasyon sa negosyo. Ang mga pinasadya at pinong mga modelo na idinisenyo para sa mga naka-target na kaso ng paggamit ay naghahatid ng mas mahusay na mga resulta sa mas mababang gastos.
Halimbawa: Sa sektor ng pananalapi, ang naka-customize na AI para sa pagtuklas ng panloloko ay maaaring matukoy ang mga nuanced na anomalya sa transaksyon nang mas epektibo kaysa sa isang generic na modelo ng wika.
2. Pakikipagtulungan ng Human-AI
Dapat dagdagan ng AI ang paggawa ng desisyon ng tao, hindi palitan ito. Ang pagsasama-sama ng pangangasiwa ng tao ay nagsisiguro na ang mga AI system ay mananatiling nakahanay sa mga layunin ng negosyo at bumubuo ng tiwala sa mga stakeholder.
Halimbawa: Maaaring suriin ng AI ng suporta sa customer ang malalaking dami ng mga katanungan upang mahulaan ang mga uso, habang ang mga tao ay nagbe-verify at nagpino ng mga tugon para sa mas tumpak.
3. Flexible, modular na imprastraktura
Ang matibay, isang sukat na angkop sa lahat ng system ay humahadlang sa pag-aampon ng AI. Ang mga negosyo ay nangangailangan ng mga adaptive na arkitektura na sumusuporta sa maraming modelo at daloy ng trabaho na iniayon sa mga partikular na hamon.
Halimbawa: Ang isang modular na imprastraktura ay nagbibigay-daan sa tuluy-tuloy na pagsasama ng pagtuklas ng panloloko, predictive analytics at mga sistema ng segmentation ng customer, pag-streamline ng mga operasyon.
4. Patuloy na pagpapabuti
Ang mga AI system ay nangangailangan ng patuloy na pagpipino upang manatiling may kaugnayan. Ang pagtatatag ng feedback loop ay nagbibigay-daan sa mga organisasyon na umangkop sa bagong data, pagpapabuti ng katumpakan ng modelo at pagpapanatili ng competitive advantage.
Halimbawa: Regular na ina-update ng kumpanya ng e-commerce ang engine ng rekomendasyon nito batay sa mga kagustuhan ng customer, na humahantong sa pagtaas ng mga benta at kasiyahan ng user.
Lima upang umunlad: Mga Hakbang sa tagumpay ng AI
Kunin ang halimbawang ito: Isang pandaigdigang retailer ang unang lumapit sa AI na may hindi makatotohanang mga inaasahan, na umaasa sa isang agarang solusyon sa mga hamon sa pagtataya ng imbentaryo. Ang mga maagang pagsisikap ay nabigo dahil sa hindi pantay na data at kakulangan ng pangangasiwa ng tao. Sa pamamagitan ng paglipat sa isang fine-tuned na modelo at pagsasama ng ekspertong input sa mga pangunahing punto ng pagpapasya, binawasan ng kumpanya ang mga gastos sa imbentaryo ng 30 porsiyento at makabuluhang pinahusay ang kasiyahan ng customer.
Maaari mo ring baguhin ang AI mula sa isang nakakabigo na ilusyon tungo sa isang makapangyarihang driver ng pagbabago at tagumpay sa pamamagitan ng pagsunod sa limang hakbang na ito:
• Tukuyin ang malinaw na sukatan ng tagumpay: Tiyaking naaayon ang pamumuno sa masusukat na pamantayan ng tagumpay na nakatali sa mga konkretong resulta ng negosyo.
• Mamuhunan sa espesyal na talento: Makipag-ugnayan sa mga may karanasang propesyonal at mga eksperto sa labas sa pamamagitan ng pag-hire o pagkonsulta sa mga partnership, at sanayin ang iyong mga team para mabisang suportahan ang mga pagsisikap ng AI.
• Bumuo ng mga matibay na pundasyon ng data: Unahin ang malinis, pare-pareho at naa-access na mga dataset para mapagana ang mga tumpak na modelo ng AI.
• Mag-isip nang higit pa sa mga POC: Magdisenyo ng mga nasusukat na hakbangin na tumutugon sa mga partikular na hamon, na nakatuon sa kahusayan sa gastos at pangmatagalang halaga.
• Unahin ang tiwala at transparency: Bumuo ng mga system na mapagkakatiwalaan ng mga stakeholder, tinitiyak ang pagsunod at pagiging maaasahan sa pamamagitan ng matatag na pagsubok at pagpapatunay.
Si Tom Oliver, isang “global management guru” (Bloomberg), ay ang tagapangulo ng The Tom Oliver Group, ang pinagkakatiwalaang tagapayo at tagapayo sa marami sa mga pinaka-maimpluwensyang negosyo ng pamilya, katamtamang laki ng mga negosyo, pinuno ng merkado at mga pandaigdigang conglomerates. Para sa karagdagang impormasyon at mga katanungan: www.TomOliverGroup.com o email (email protected).
