Overvinde forhindringer i end-to-end AI-projektdesign

Ifølge en nylig undersøgelse foretaget af 451 Research, en del af S&P Global Market Intelligence, "begyndte mere end 90 % af de organisationer, der har taget AI, udviklingen på deres første AI-projekt inden for de seneste fem år." Selvom nye, AI-aktiverede løsninger er på fremmarch overalt omkring os. Men mange af disse initiativer lever stadig ikke op til forventningerne – hvis de overhovedet når at implementere dem.

For at lykkes bør ledere udvælge og styre AI-projekter med en gennemtænkt strategi drevet af klare forventninger, tilpasning til forretningsmål og iteration. Lad os se på almindelige forhindringer, organisationer står over for, når de designer vellykkede end-to-end AI-projekter, og hvordan man overvinder dem.

Styring af forventninger til AI-aktiverede løsninger

Mange af nutidens fejlslagne AI-projekter i dag minder om virksomhedssoftwareprojekter i halvfemserne, hvor udviklingsprojekter gik af sporet, da teams havde store håb om, at nye teknologier ville løse deres problemer. Både dengang og nu er en stor faldgrube at have oppustede forventninger til, hvad din løsning rent faktisk kan løse.

Det er farligt at antage, at ved at indsamle nok data, vil alt pludselig være gennemsigtigt; at du kan forudsige kundeadfærd eller komme med perfekte anbefalinger for at forudse deres behov. Desværre er verden langt mindre forudsigelig, end folk ønsker, at den skal være. Selvom nyttige mønstre dukker op, er ikke alle begivenheder årsagssammenhænge eller endda korrelerede - der sker mange ting, der bare genererer støj.

Samtidig ser mange organisationer, at deres kolleger implementerer AI-løsninger og føler sig presset til at følge med. Investering i kunstig intelligens bare for at "holde trit med Joneses" kan give bagslag, hvis du ikke forstår, hvad der driver dine jævnaldrende succeser, og om det vil fungere for din egen organisation. Ofte har virksomheder med et ben op i deres AI-projekter datastrategier og forretningsprocesser på plads, der gør dem i stand til at indsamle og drage fordel af de rigtige typer data til AI.

I sidste ende starter styring af forventninger til AI-projekter med evnen til at artikulere, hvilke af dine problemer der virkelig kan løses med AI.

At vælge de rigtige slags AI-projekter til dine problemer

Er din AI-strategi afstemt med dine forretningsmål? Projektvalg er nok den største enkeltstående udfordring, som organisationer står over for med deres AI-initiativer. Det er vigtigt virkelig at forstå det spørgsmål, du forsøger at besvare, hvordan (og hvis) besvarelse af det spørgsmål vil give forbedrede forretningsresultater, og om de ressourcer, du har, kan besvare det med succes og effektivt.

Lad os sige, at du vil bruge en forudsigelsesmodel til at bestemme, hvornår og hvilken slags rabat du skal tilbyde en kunde. Bring datavidenskabsteamet ind! Men dette er faktisk meget udfordrende at gribe an som et prædiktivt modelproblem. Først og fremmest er det svært at vide, om din kunde ville købe produktet uden rabatten. Og at indsamle de nødvendige data med tilstrækkelig statistisk stringens til at producere en brugbar model vil sandsynligvis involvere nogle processer, der føles unaturlige for virksomheden – som at randomisere, hvilke kunder der får rabatter, eller hvilke sælgere der kan give rabatter. Det tilføjer en masse kompleksitet til situationen.

En bedre måde at nærme sig dette problem med kunstig intelligens på kan være at udforske simuleringsmodeller af kundeadfærd, som du forventer under forskellige rabatordninger. I stedet for at torturere systemet for at nå frem til en præcis prognose, kan simulering og scenarieplanlægning hjælpe folk med at afdække, hvilke variabler der er følsomme over for hinanden, når de træffer forretningsbeslutninger. Spørg dig selv: Hvilket kundesvar skal vi have for at denne rabat giver mening? Denne form for øvelse i at udforske potentielle resultater er meget mere effektiv og bestemt meget nemmere end at opbygge et komplekst datavidenskabseksperiment.

Sæt dine hold op til succes

At forstå, hvad dine data blev indsamlet og kurateret til, hvordan de er blevet brugt i fortiden, og hvordan de vil blive brugt i fremtiden, er afgørende for at udføre enhver form for AI-aktivitet på dataene. Det er vigtigt at træne en model på data, der er fuldstændige, og som repræsenterer, hvad der er tilgængeligt i den virkelige verden i det øjeblik, du foretager interventionen. For eksempel, hvis du har flere faser i din aftalepipeline, og du vil forudsige sandsynligheden for, at en aftale lukkes i løbet af fase fem, kan du ikke derefter køre modellen på handler i fase tre eller fire og forvente nyttige resultater.

Dataforskere har ofte et hul i at forstå nuancerne af, hvad data repræsenterer, og hvordan det genereres. Hvilke menneskelige og teknologiske processer spiller en rolle i at skabe dataene, og hvad betyder dataene præcist i din virksomheds sammenhæng? Det er her, analytikere og forretningsbrugere, der er tæt på dataene – og de problemer, du forsøger at løse med dem – er utrolig værdifulde. Det kan vi godt lide tænk på AI som en holdsport fordi succes kræver forretningskontekst ud over en baseline af data og modelkompetence.

Endelig er der menneskecentrerede aspekter af projektsucces, som organisationer kan overse, hvis de er for fokuserede på data eller teknologi. Ofte kan AI lave en forudsigelse, men det er op til nogen at beslutte, hvordan det skal omsættes til en anbefalet handling. Er forslaget nyttigt til at give en klar handling, og en som folk vil være villige til at følge? Skaber du et miljø, hvor disse forslag vil blive modtaget effektivt?

At forudsige noget er kun nogle gange nyttigt. Er du villig til at justere priser, produktmængder eller bemanding eller endda ændre din produktlinje? Hvilket niveau af forandringsledelse er nødvendigt, så folk vil tage den nye løsning til sig og udvikle deres etablerede adfærd og processer? Tillid kommer fra et mønster af konsekvent adfærd og en vilje til at fortsætte med at uddanne virksomheden; hvis du radikalt vil påvirke, hvordan folk udfører deres arbejde, skal de være med på det.

Starter i det små og gentager

Lad os afslutte lidt vejledning baseret på det, vi har set, mens vi arbejdede med kunder.

Ofte er det bedste første AI-projekt det, der vil være lettest at operationalisere og komme i produktion med den mindst komplekse forandringsledelse. Prøv at bygge noget, der giver værdi så hurtigt som muligt, selvom det er en meget lille trinvis forbedring. Og hold dine kunder, forretningsbrugere og interessenter så tæt på udviklingsprocessen som muligt. Sigt efter at skabe et miljø med god feedback – både i betydningen at indsamle flere data for iterativt at forbedre modellen og input fra interessenter for at forbedre projektet og dets resultater.

Med AI vil der altid være kantsager, hvor løsningen er en glip. Men det er bedre at finde løsninger, der fungerer for størstedelen af ​​dine kunder eller medarbejdere, i stedet for at udvikle et virkelig prangende proof of concept, der kun virker til få skræddersyede use cases. I sidste ende skulle kunstig intelligens reducere friktionen og gøre det lettere for folk at udføre deres arbejde og træffe informerede beslutninger.

For at lære mere om Tableau AI-analyse, besøg tableau.com/ai.