Первоначально опубликовано в Блоге Luminance 29 марта 2019 г.
2018 год был годом безумия ИИ, с лавиной разговоров, блогов и статей о преимуществах и опасностях ИИ. Однако, если мы отвлечемся от шумихи в СМИ и сосредоточимся на внедрении, многие компании все еще не могут эффективно внедрить технологию ИИ. Когда Google, Tesla и Facebook находятся в центре внимания, люди часто забывают, что истинные преимущества технологий связаны с их массовым внедрением отраслевыми, средними и небольшими компаниями, которые находятся на переднем крае взаимодействия с клиентами.
Согласно Опросу McKinsey & Company, опубликованному в 2018 году, около 50% компаний по всему миру внедрили возможности ИИ по крайней мере в одну функцию или бизнес-подразделение. Однако в том же исследовании отмечается, что большинство из них еще не внедрили дополнительные методы, необходимые для извлечения ценности из ИИ в масштабе. Это свидетельствует о том, что многие компании относятся к технологии ИИ как к сложному кухонному комбайну: они покупают его, ставят на кухню, а затем продолжают нарезать овощи ножом.
Почему это происходит? Давайте рассмотрим несколько причин прокрастинации ИИ, которые лишают некоторые фирмы конкурентного преимущества и успеха в бизнесе:
1. Неспособность определить болевые точки
Чтобы создать конкурентное преимущество с помощью ИИ, фирма должна сначала рассмотреть один вопрос: Какая область моей работы нуждается в улучшении? Это должно быть ежедневной болевой точкой, на которую компания выделяет деньги и человеческие ресурсы. В этом случае решение будет широко распространено и будет способствовать дальнейшему внедрению ИИ. Как сказал ИИ-стратег Анкур Агарвал: Возможности должны быть вторичны по отношению к возможностям. Поэтому бизнес-лидеры должны искать наиболее эффективные варианты использования ИИ для своих компаний.
С другой стороны, проект должен быть технически осуществимым, чтобы его можно было реализовать на нынешнем уровне технологий, не дожидаясь годами до его запуска. Примером организации, получающей преимущества от ИИ с самого начала, является одна фирма, которая обнаружила, что потратила много времени на расшифровку нестандартных условий в своих соглашениях о конфиденциальности в нескольких региональных филиалах. В данном случае ИИ-решение представляло собой простой алгоритм, но обеспечивало значительную экономию времени, что делало его хорошим начальным вариантом использования. Другим примером является JP Morgan COIN (программа анализа контрактов, автоматизирующая проверку контрактов), которая сэкономила 360 000 часов в год, затрачиваемых на ручную проверку мирских договоров коммерческого кредита, и устранила ощутимую боль компании.
Таким образом, поиск эффективного и практичного варианта использования — это первый шаг к внедрению ИИ.
2. Разрозненный подход
Как отметил Эндрю Нг, известный эксперт по ИИ, в Книге по трансформации ИИ, одной из лучших стратегий внедрения ИИ является разработка общекорпоративных платформ, полезных для нескольких подразделений [или] подразделений. В крупных организациях технологические решения часто используются небольшими подразделениями бизнеса. Тем не менее, все отделы могут извлечь выгоду из синергии, которую обеспечивает ИИ: общепринятые передовые методы, агрегированные данные, а также комбинированные идеи, предоставляемые ИИ. Так, один из первых пользователей Luminance, ведущей платформы искусственного интеллекта для юристов отметил, что люди много перемещаются по своей фирме, поэтому они не хотят учиться использовать новый инструмент каждый раз, когда переходят в другое подразделение. . Гибкость технологии необходима для решения проблем в масштабах всей фирмы. Вас не раздражает наличие миллиона приложений на вашем смартфоне, каждое из которых выполняет небольшую отдельную задачу — почему бы не объединить их в один мощный инструмент?
ИИ преобразует. Компании не могут перейти на 10 % в эпоху ИИ, но оставаться на 90 % в эпоху паровых двигателей, потому что консервативная часть будет препятствовать инновациям, и первоначальный импульс быстро сойдет на нет. Наличие специальной рабочей группы по искусственному интеллекту и четкой стратегии искусственного интеллекта высшего уровня может помочь преодолеть эту разрозненную проблему и обеспечить, чтобы преимущества искусственного интеллекта ощущались во всей организации.
3. Неспособность управлять данными
Общеизвестно, что данные являются топливом для систем ИИ. Технологические гиганты, такие как Google и Facebook, сумели накопить огромное количество данных. Это не означает, что небольшие компании не могут извлечь выгоду из благотворного цикла непрерывного совершенствования ИИ. Они часто обладают богатыми репозиториями бизнес-данных, которые являются узкоспециализированными и специфичными для области, в которой они конкурируют. Одним из примеров является аналитическая группа пивоваренных заводов Weissbeerger, которая установила измерительное оборудование в тавернах и барах для отслеживания моделей поведения своих потребителей пива — эта информация слишком специфична, чтобы ее можно было найти или получить где-то еще.
Переход от больших данных к интеллектуальным данным позволяет компаниям создавать собственные «корпоративные ИИ» и обучать свои собственные модели на относительно небольших наборах данных. Чем более дифференцированными и специализированными будут эти модели, тем больше конкурентных преимуществ они дадут фирме. Однако многие компании не понимают скрытой ценности своих данных.
Чтобы решить проблему с данными, компаниям необходимо сначала создать единую базу данных для всей компании. Как утверждает Эндрю Нг, очень сложно построить эффективные модели ИИ, если вы храните свои данные в 50 различных базах данных. Во-вторых, в целях обучения компаниям необходимо отделять очень ценные данные от малоценной информации. Обычно поставщики технологий помогают фирмам определить, какой тип и объем данных им необходим для достижения целей ИИ. Но чтобы запустить этот процесс, управление данными должно быть признано высокоприоритетным на уровне целей фирмы.
4. Отсутствие образования и обучения ИИ
Большие технологические сдвиги часто создают неопределенность. Люди склонны ждать, пока технология станет «достаточно хорошей» или достаточно проникнет на рынок, а пока полагаются на старые методы и процессы. Таким образом, они не могут извлечь выгоду из инноваций, поскольку первые пользователи получают наибольшую выгоду от технологии.
Это происходит потому, что людям часто не хватает знаний о том, что технологии могут и не могут делать в их организации. Повышение осведомленности о доступных инструментах искусственного интеллекта путем проведения обучения и демонстраций — бесценный способ стимулирования внедрения. Важно отметить, что ключевые фигуры в компании должны понимать ИИ и активно участвовать в разработке стратегий ИИ.
Эндрю Нг рекомендует минимум 4 часа обучения ИИ для руководителей и руководителей высшего звена и минимум 12 часов обучения ИИ для менеджеров среднего звена, чтобы обеспечить успешное внедрение технологии. Эти цифры не кажутся слишком амбициозными; однако важно сделать обучение ИИ непрерывным и основанным на практике процессом. Другими словами, выполнение задач вручную, когда их можно выполнить с помощью технологий, следует рассматривать как устаревший подход. Иногда внедрение требует настройки бизнес-процессов, но однажды измененные, они обеспечат беспрепятственное взаимодействие людей и технологий.
Для многих организаций успешное внедрение ИИ означает сохранение конкурентоспособности на рынке. Мы выявили несколько узких мест, которые мешают полноценной трансформации бизнеса с использованием ИИ. Требуется мужество и деловая хватка, чтобы заметить их в своей организации и принять решение изменить статус-кво. Тем не менее, существует потенциал для исключительного повышения производительности, удовлетворенности работой и способности опережать конкурентов.
