Многие руководители в настоящее время сбиты с толку словом «ИИ». Они думают, что все должно быть превращено в ИИ. Прежде чем появился термин «Для этого есть приложение», в настоящее время кажется, что новый термин эволюционирует в «для этого есть ИИ».

У вас есть проблемы с лидерами продаж? Для этого есть ИИ.

У вас есть проблемы с набором персонала? Для этого есть ИИ.

Есть ли у вас проблемы с детской дисциплиной? Для этого есть ИИ.

У вас есть проблемы с вождением автомобиля, или вы слишком ленивы / пьяны, чтобы водить машину? Для этого есть ИИ.

Есть ли у нас проблема отличить кошек от собак? Для этого есть ИИ.

Реальность такова, что не все проблемы можно решить с помощью ИИ. На самом деле большинство проблем, с которыми мы сталкиваемся, вообще не нуждаются в цифровом вмешательстве. (Я бы сказал, цифровая проблема, но это уже другая история).

Я знаю, что у менеджера по продукту возникает соблазн внедрить ИИ во что угодно, но мы должны понимать, что ИИ дорогой, сложный и потенциально сопряжен со слишком большим риском, если не будет реализован должным образом.

Итак, вот эмпирическое правило хорошей задачи, которую следует дополнить или заменить ИИ:

  1. Когда человек-эксперт может выполнить задачу за несколько секунд. Например: сотрудники отдела контроля качества проверяют наличие дефектов в продукте, сотрудники службы поддержки пересылают необходимые заявки, специалист по товарам проверяет правильность размещения продукта на стойке.

ИИ, по крайней мере, пока еще не подходит для задачи, требующей длительного анализа, планирования и размышлений, например: Написание дорожной карты вашего продукта, подготовка отчетов для вашего босса о том, почему ваши продажи не достигли цели в прошлом месяце или анализ альтернативная история того, что произойдет с Сан-Франциско, если нацисты выиграют Вторую мировую войну.

2. Трудно или невозможно записать правила. Мы можем легко записать простые правила оценивания.

Если оценка выше 90, оценка A

если оценка ниже 55, то оценка D

Но как мы можем записать правила распознавания овощей? Даже в простой задаче распознавания изображений, такой как распознавание огурца и кабачка, у нас будут тысячи правил.

Если у нас есть только несколько правил, мы можем просто использовать традиционный алгоритм. Но если у вас есть несколько тысяч правил, просто создайте их с помощью машинного обучения.

3. Легко получить примеры, также известные как помеченные данные. Для хорошей модели машинного обучения требуется графический процессор, специалист по данным для построения модели, инженер по данным для запуска модели в производство и аналитик данных для сортировки и очистки данных. Но в первую очередь нам нужны хорошие и много данных. Так что если у нас этого нет, то забудьте об ИИ.

4. Хорошая корпоративная культура, которая ценит эксперименты как инвестиции. Создание ИИ по своей природе представляет собой исследование со множеством неопределенностей. Так много инициатив в области искусственного интеллекта потерпели неудачу, потому что у компании нет менталитета экспериментировать и рисковать.

Итак, подумайте еще раз. Действительно ли ИИ нужен для решения этой конкретной проблемы?