Overvinne hindringer i ende-til-ende AI-prosjektdesign

I følge en fersk studie av 451 Research, en del av S&P Global Market Intelligence, "begynte mer enn 90 % av organisasjoner som har tatt i bruk AI utviklingen av sitt første AI-prosjekt i løpet av de siste fem årene." Selv om de er begynnende, er AI-aktiverte løsninger på vei oppover rundt oss. Imidlertid oppfyller mange av disse initiativene fortsatt ikke forventningene – hvis de i det hele tatt kommer til utrulling.

For å lykkes bør ledere velge og administrere AI-prosjekter med en gjennomtenkt strategi drevet av klare forventninger, tilpasning til forretningsmål og iterasjon. La oss se på vanlige hindringer organisasjoner møter når de designer vellykkede ende-til-ende AI-prosjekter, og hvordan de kan overvinne dem.

Administrere forventninger til AI-aktiverte løsninger

Mange av dagens sviktende AI-prosjekter i dag minner om enterprise software-prosjekter på nittitallet, der utviklingsprosjekter gikk av stabelen da team hadde store forhåpninger om at ny teknologi ville fikse problemene deres. Både da og nå er en stor fallgruve å ha oppblåste forventninger til hva løsningen din faktisk kan løse.

Det er farlig å anta at ved å samle inn nok data, vil alt plutselig være gjennomsiktig; at du kan forutsi kundeatferd eller komme med perfekte anbefalinger for å forutse deres behov. Dessverre er verden langt mindre forutsigbar enn folk vil at den skal være. Selv om nyttige mønstre dukker opp, er ikke alle hendelser årsakssammenheng eller til og med korrelert - det skjer mange ting som bare genererer støy.

Samtidig ser mange organisasjoner at kolleger implementerer AI-løsninger og føler presset til å følge med. Å investere i kunstig intelligens bare for å "holde tritt med Joneses" kan slå tilbake hvis du ikke forstår hva som driver jevnaldrendes suksesser og om det vil fungere for din egen organisasjon eller ikke. Ofte har selskaper med et ben opp i sine AI-prosjekter datastrategier og forretningsprosesser på plass som gjør dem i stand til å samle inn og dra nytte av de riktige typene data for AI.

Til syvende og sist, styring av forventninger til AI-prosjekter starter med muligheten til å artikulere hvilke av problemene dine som virkelig kan løses med AI.

Velg de riktige typene AI-prosjekter for problemene dine

Er AI-strategien din i samsvar med forretningsmålene dine? Prosjektvalg er sannsynligvis den største enkeltutfordringen som organisasjoner står overfor med sine AI-initiativer. Det er viktig å virkelig forstå spørsmålet du prøver å svare på, hvordan (og om) svaret på det spørsmålet vil gi forbedrede forretningsresultater, og om ressursene du har kan svare på det på en vellykket og effektiv måte.

La oss si at du vil bruke en prediktiv modell for å bestemme når og hva slags rabatt du skal tilby en kunde. Ta med datavitenskapsteamet! Men dette er faktisk veldig utfordrende å tilnærme seg som et prediktivt modellproblem. For det første er det vanskelig å vite om kunden din ville kjøpt produktet uten rabatten. Og å samle de nødvendige dataene med nok statistisk strenghet til å produsere en nyttig modell vil sannsynligvis innebære noen prosesser som føles unaturlige for virksomheten – som å randomisere hvilke kunder som får rabatter eller hvilke selgere som kan gi rabatter. Det tilfører mye kompleksitet til situasjonen.

En bedre måte å nærme seg dette problemet med AI kan være å utforske simuleringsmodeller av kundeadferden som du forventer under forskjellige rabattregimer. I stedet for å torturere systemet for å komme frem til en presis prognose, kan simulering og scenarioplanlegging hjelpe folk til å avdekke hvilke variabler som er sensitive for hverandre når de tar forretningsbeslutninger. Spør deg selv: hvilken kunderespons trenger vi for at denne rabatten skal gi mening? Denne typen øvelse for å utforske potensielle utfall er mye mer effektiv og absolutt mye enklere enn å bygge opp et komplekst datavitenskapelig eksperiment.

Sette opp teamene dine for suksess

Å forstå hva dataene dine ble samlet inn og kurert for, hvordan de har blitt brukt tidligere, og hvordan de kommer til å bli brukt i fremtiden, er avgjørende for å utføre enhver form for AI-aktivitet på dataene. Det er viktig å trene en modell på data som er komplette og som representerer det som er tilgjengelig i den virkelige verden i det øyeblikket du foretar intervensjonen. For eksempel, hvis du har flere stadier i avtalepipelinen din og du ønsker å forutsi sannsynligheten for at en avtale avsluttes i løpet av trinn fem, kan du ikke kjøre modellen på avtaler i trinn tre eller fire og forvente nyttige resultater.

Dataforskere har ofte et gap i å forstå nyansene av hva data representerer og hvordan de genereres. Hvilke menneskelige og teknologiske prosesser spiller en rolle i å lage dataene, og hva betyr dataene i sammenheng med din virksomhet? Det er her analytikere og forretningsbrukere som er i nærheten av dataene – og problemene du prøver å løse med dem – er utrolig verdifulle. Vi liker å Tenk på AI som en lagsport fordi suksess krever forretningskontekst i tillegg til en grunnleggende data- og modellkunnskap.

Til slutt er det menneskesentriske aspekter ved prosjektsuksess som organisasjoner kan overse hvis de er for fokusert på dataene eller teknologien. Ofte kan AI lage en forutsigelse, men det er opp til noen å bestemme hvordan det skal gjøres om til en anbefalt handling. Er forslaget nyttig for å gi en klar handling, og en som folk vil være villige til å følge? Skaper du et miljø hvor disse forslagene vil bli mottatt effektivt?

Å forutsi noe er bare noen ganger nyttig. Er du villig til å justere priser, produktvolumer eller bemanning, eller til og med endre produktlinjen din? Hvilket nivå av endringsledelse er nødvendig for at folk vil omfavne den nye løsningen og utvikle sin etablerte atferd og prosesser? Tillit kommer fra et mønster av konsekvent atferd og en vilje til å fortsette å utdanne virksomheten; hvis du radikalt skal påvirke hvordan folk gjør jobben sin, må de være med på det.

Starter i det små og gjentar

La oss avslutte med litt veiledning basert på det vi har sett mens vi jobbet med kunder.

Ofte er det beste første AI-prosjektet det som vil være lettest å operasjonalisere og komme i produksjon med minst kompleks endringsledelse. Prøv å bygge noe som gir verdi så raskt som mulig, selv om det er en veldig liten inkrementell forbedring. Og hold dine kunder, forretningsbrukere og interessenter så nærme utviklingsprosessen som mulig. Mål å skape et miljø med gode tilbakemeldinger – både i betydningen å samle inn mer data for å iterativt forbedre modellen, og innspill fra interessenter for å forbedre prosjektet og dets resultater.

Med AI vil det alltid være kantsaker der løsningen er en glipp. Men det er bedre å finne løsninger som fungerer for flertallet av kundene eller ansatte, i stedet for å utvikle et virkelig prangende proof of concept som bare fungerer for noen få skreddersydde brukstilfeller. Til syvende og sist skal AI redusere friksjonen og gjøre det lettere for folk å gjøre jobben sin og ta informerte beslutninger.

For å lære mer om Tableau AI-analyse, besøk tableau.com/ai.