Существуют различные способы, с помощью которых организации могут поощрять успешные программы ИИ, начиная с малого и заканчивая определением вариантов использования.

Многие компании спешат создавать решения для машинного обучения (МО) и искусственного интеллекта (ИИ) только для того, чтобы столкнуться с проблемами, которые приводят к провалу их проектов. Сбой может произойти по многим причинам, в том числе:

  • Отсутствие подходящего варианта использования.
  • Отсутствие нужных данных и основополагающих элементов для доступа.
  • Отсутствие исполнительной поддержки для развертывания модели в рабочей среде.
  • Безуспешные попытки масштабировать решения, выходящие за рамки ранней экспериментальной работы.

К счастью, есть несколько практических шагов, которые организации могут предпринять, чтобы избежать разочарований и неудач в своих программах ИИ.

1. Определите, может ли AI/ML помочь вашей бизнес-задаче

Распространенной причиной неудачных проектов ИИ является неявное, непроверенное предположение, что проблему лучше всего решить с помощью МО. Удивительное количество бизнес-проблем лучше решается с помощью простых методов автоматизации или четко кодифицированных правил. Тем не менее, поскольку многие компании теперь имеют собственные отделы машинного обучения, существует повышенный риск появления новых инициатив в области искусственного интеллекта и машинного обучения, созданных на основе подхода «молоток ищет гвозди».

Чтобы не тратить деньги на ИИ, первый фильтр, который нужно применить перед тем, как приступить к проекту, — это подтвердить, что проблема действительно может быть решена с помощью ML. Некоторым компаниям может понадобиться внешняя помощь на этом этапе, если у них нет внутренних мощностей, но ее пропуск создает значительный риск неудачных инвестиций в ИИ.

2. Установите, как будет измеряться рентабельность инвестиций

После того, как будет определен допустимый вариант использования AI/ML, следующим шагом будет определение того, как будет измеряться рентабельность инвестиций (ROI). Во многих проектах машинного обучения уместно применить классический подход к рентабельности инвестиций, задав следующие вопросы:

  • Какова стоимость участия?
  • Какую ценность можно извлечь из этой инициативы?

Бывают ситуации, когда прямая стоимость в долларах будет иметь второстепенное значение. Например, я разработал модели машинного обучения, чтобы помочь некоммерческим организациям оптимально распределять ограниченные ресурсы, такие как рабочее время, консультации, финансовые и юридические ресурсы, чтобы повысить вероятность положительных результатов для обслуживаемого населения. Желаемые результаты в этом сценарии могут заключаться в предотвращении отсева учащихся из малообеспеченных семей или предотвращении того, чтобы семьи стали бездомными из-за выселения из дома.

В любой ситуации проект следует начинать только после того, как у компании будет четкий ответ на следующий вопрос, за которым стоит осязаемое, поддающееся количественному измерению измерение:

Если мы построим для этого модель, какие улучшения мы ожидаем увидеть в «X»?

«X» должен быть важным аспектом деятельности, таким как удовлетворенность клиентов, социальное воздействие или охрана окружающей среды.

3. Управляйте рисками с первого дня

Даже если проблема может быть решена с помощью AI/ML и имеет высокий ожидаемый ROI, решение ML может не стоить затрат на развертывание и обслуживание или потенциальных недостатков алгоритма, принимающего неправильные решения.

При рассмотрении вопроса о замене решения, которое в настоящее время основано на вмешательстве человека или механизме правил, крайне важно количественно оценить недостатки внедрения решения ИИ. В зависимости от варианта использования недостатки могут включать что угодно: от несправедливого отношения к недостаточно представленным группам до неудовлетворенности клиентов и негативного воздействия на окружающую среду.

Вот несколько шагов для минимизации рисков:

А. Начните со скромного проекта, в котором стоимость ошибки является управляемой, а некоторые осязаемые доказательства рентабельности инвестиций могут быть быстро установлены.

Небольшие проекты с четкими показателями, которые вы можете отслеживать, — отличный способ минимизировать риски, показать, что вы ведете победоносную битву, и оправдать более крупные инвестиции в вашу инициативу.

Например, вместо того, чтобы пытаться заменить всю систему рассмотрения медицинских претензий на AI/ML, сначала сосредоточьтесь на небольшой части проблемы с низким уровнем риска. В качестве первого шага можно использовать машинное обучение для классификации заявок как требующих или не требующих авторизации, чтобы заявки можно было эффективно направлять в различные рабочие процессы с участием человека.

Или — вместо того, чтобы запускать «цифровую трансформацию на основе ИИ» с чат-ботом для обработки запросов клиентов и рисковать репутацией, если он не может уловить нюансы человеческого разговора, — начните с интеллектуального агента, который просто пишет заявки в службу поддержки. на основе содержания электронных писем клиентов.

B. Определите время для своих усилий

Многие проекты AI/ML продолжаются годами, не принося никакой конкретной ценности. Проекты ИИ, которые с большей вероятностью будут успешными, разбиты на этапы, разделенные этапами проверки ворот: точками принятия решения «годен/не согласен», когда соответствующие заинтересованные стороны привлекаются для проверки прогресса и согласования перехода к следующему этапу.

В начале работы ворота должны включать ответы на такие вопросы, как:

  • Есть ли у нас достаточная поддержка со стороны руководства, чтобы принять правильное решение? Если вы не можете привлечь к участию в проекте ответственных лиц, нет смысла тратить время и деньги на создание точной и надежной модели, которая впоследствии столкнется с непреодолимыми препятствиями при использовании.
  • Можем ли мы развернуть выгодное решение? Полезно начинать с небольших экспериментальных проектов, но очень важно с самого начала понять, как ликвидировать разрыв между возможностями машинного обучения, поддерживающими пилотный проект, и возможностями, необходимыми для его масштабирования.

C. Начните свой проект с реальных, беспорядочных, живых данных

Многие организации начинают проекты с сильно очищенными и упрощенными данными. Затем, после того как ожидания модели, протестированной в «песочнице», уже определены, они испытывают большое разочарование, когда решение не может быть обобщено на реальный мир.

Например, при создании экспериментальной модели компьютерного зрения для диагностики опухолей головного мозга на основе рентгенологических изображений у специалистов по данным может возникнуть соблазн использовать готовый набор высококачественных МРТ-изображений, полученных от пациентов определенного пол, этническая принадлежность и возрастная группа. Позже, когда решение, наконец, будет протестировано с более разнообразными данными, оно может пострадать от серьезного разрыва между симуляцией и реальностью, из-за которого решение не сможет обобщаться на реальный мир.

Разработка вашего успеха ИИ

Компании по всему миру уже тратят значительные ресурсы на программы AI/ML, потому что считают их важной частью долгосрочного успеха организации. Чтобы убедиться, что эти ресурсы потрачены не зря, лучше всего начать с малого, но не упускать из виду то, что потребуется для развития и роста после пилотного проекта. Сосредоточение внимания на небольших вариантах использования с четкой окупаемостью — при использовании реальных данных и обеспечении достаточности организационных возможностей для наращивания и масштабирования проверки концепции в развертываемое решение — в конечном итоге откроет возможности для повышения эффективности и прибыльности ваших программ ИИ. .