Հաղթահարելով խոչընդոտները «End-to-End AI» նախագծի նախագծման ժամանակ

S&P Global Market Intelligence-ի մաս կազմող 451 Research-ի վերջին ուսումնասիրության համաձայն, «ինտելեկտուալ ինտելեկտն ընդունած կազմակերպությունների ավելի քան 90%-ը սկսել է զարգացնել իրենց առաջին AI նախագիծը վերջին հինգ տարիների ընթացքում»: Թեև նորաստեղծ, արհեստական ​​ինտելեկտով աշխատող լուծումները աճում են մեր շուրջը: Այնուամենայնիվ, այս նախաձեռնություններից շատերը դեռևս չեն արդարացնում սպասելիքները, եթե նույնիսկ հասնեն տեղակայմանը:

Հաջողության հասնելու համար առաջնորդները պետք է ընտրեն և կառավարեն արհեստական ​​ինտելեկտի նախագծերը խոհուն ռազմավարությամբ, որը առաջնորդվում է հստակ ակնկալիքներով, բիզնես նպատակներին համապատասխանությամբ և կրկնություններով: Եկեք նայենք այն ընդհանուր խոչընդոտներին, որոնք հանդիպում են կազմակերպություններին, երբ նախագծում են հաջողակ AI նախագծեր, և ինչպես հաղթահարել դրանք:

Կառավարել ակնկալիքները AI-ի վրա հիմնված լուծումների համար

Այսօրվա շատ ձախողված AI նախագծերը հիշեցնում են իննսունականների ձեռնարկատիրական ծրագրային նախագծերը, որտեղ զարգացման նախագծերը դուրս էին գալիս ռելսերից, քանի որ թիմերը մեծ հույսեր էին կապում, որ նոր տեխնոլոգիաները կլուծեն իրենց խնդիրները: Ե՛վ այն ժամանակ, և՛ հիմա, հիմնական որոգայթը ուռճացված ակնկալիքներ ունենալն է, թե ինչ կարող է իրականում լուծել ձեր լուծումը:

Վտանգավոր է ենթադրել, որ բավականաչափ տվյալներ հավաքելով՝ ամեն ինչ հանկարծ թափանցիկ կլինի. որ դուք կարող եք կանխատեսել հաճախորդների վարքագիծը կամ կատարել կատարյալ առաջարկություններ՝ կանխատեսելու նրանց կարիքները: Ցավոք, աշխարհը շատ ավելի քիչ կանխատեսելի է, քան մարդիկ ցանկանում են: Թեև օգտակար օրինաչափություններ են առաջանում, ոչ բոլոր իրադարձություններն են պատճառահետևանքային կամ նույնիսկ փոխկապակցված. շատ բաներ են տեղի ունենում, որոնք պարզապես աղմուկ են առաջացնում:

Միևնույն ժամանակ, շատ կազմակերպություններ տեսնում են, որ իրենց հասակակիցներն իրականացնում են արհեստական ​​ինտելեկտի լուծումներ և զգում են, որ ճնշում են գործադրում: Արհեստական ​​ինտելեկտի մեջ ներդրումներ կատարելը պարզապես «Ջոնսների հետ չմնալու» համար կարող է հակառակ արդյունք տալ, եթե չհասկանաք, թե ինչն է ձեր հասակակիցների հաջողությունների պատճառը և արդյոք այն կաշխատի ձեր սեփական կազմակերպության համար, թե ոչ: Հաճախ ընկերությունները, ովքեր իրենց AI նախագծերում ոտք են դնում տվյալների ռազմավարություններ և բիզնես գործընթացներ տեղում, որը նրանց հնարավորություն է տալիս հավաքել և օգտվել AI-ի համար ճիշտ տեսակի տվյալներից:

Ի վերջո, արհեստական ​​ինտելեկտի նախագծերի ակնկալիքների կառավարումը սկսվում է արհեստական ​​ինտելեկտի միջոցով ձեր խնդիրներից որն իսկապես կարող է լուծվել:

Ընտրելով AI նախագծերի ճիշտ տեսակները ձեր խնդիրների համար

Արդյո՞ք ձեր AI ռազմավարությունը համահունչ է ձեր բիզնես նպատակներին: Ծրագրի ընտրությունը, հավանաբար, միակ ամենամեծ մարտահրավերն է, որին բախվում են կազմակերպությունները իրենց AI նախաձեռնություններով: Կարևոր է իսկապես հասկանալ այն հարցին, որին փորձում եք պատասխանել, ինչպես (և եթե) այդ հարցին պատասխանելը կբերի բիզնեսի բարելավված արդյունքներ, և արդյոք ձեր ունեցած ռեսուրսները կարող են հաջողությամբ և արդյունավետորեն պատասխանել դրան:

Ենթադրենք, դուք ցանկանում եք օգտագործել կանխատեսող մոդել՝ որոշելու համար, թե երբ և ինչպիսի զեղչ առաջարկել հաճախորդին: Ներդրեք տվյալների գիտության թիմը: Բայց սա իրականում շատ դժվար է մոտենալ որպես կանխատեսող մոդելի խնդիր: Առաջին հերթին, դժվար է իմանալ՝ ձեր հաճախորդը կգնի ապրանքը առանց զեղչի, թե ոչ: Եվ անհրաժեշտ տվյալներ հավաքելը բավարար վիճակագրական խստությամբ՝ օգտակար մոդել ստեղծելու համար, հավանաբար, կներառի որոշ գործընթացներ, որոնք բիզնեսի համար անբնական են թվում, օրինակ՝ պատահականորեն որոշելը, թե որ հաճախորդները ստանում են զեղչեր կամ վաճառքի ներկայացուցիչները կարող են զեղչեր տալ: Դա մեծ բարդություն է հաղորդում իրավիճակին:

AI-ի հետ այս խնդրին մոտենալու ավելի լավ միջոց կարող է լինել հաճախորդի վարքագծի մոդելավորման մոդելների ուսումնասիրությունը, որը դուք ակնկալում եք զեղչման տարբեր ռեժիմների ներքո: Ճշգրիտ կանխատեսման հասնելու համար համակարգը տանջելու փոխարեն, մոդելավորումը և սցենարի պլանավորումը կարող են օգնել մարդկանց բացահայտել, թե որ փոփոխականներն են միմյանց նկատմամբ զգայուն բիզնես որոշումներ կայացնելիս: Հարցրեք ինքներդ ձեզ. ի՞նչ հաճախորդի պատասխան պետք կլինի, որպեսզի այս զեղչը իմաստ ունենա: Պոտենցիալ արդյունքների ուսումնասիրման այս տեսակի վարժությունը շատ ավելի արդյունավետ է և, իհարկե, շատ ավելի հեշտ, քան տվյալների գիտության բարդ փորձի ստեղծումը:

Ստեղծեք ձեր թիմերը հաջողության համար

Հասկանալը, թե ինչի համար են հավաքվել և մշակվել ձեր տվյալները, ինչպես են դրանք օգտագործվել նախկինում և ինչպես են դրանք օգտագործվելու ապագայում, շատ կարևոր է տվյալների վրա ցանկացած տեսակի AI գործողություն կատարելու համար: Կարևոր է մոդել պատրաստել տվյալների վրա, որոնք ամբողջական են և ներկայացնում են այն, ինչ հասանելի է իրական աշխարհում այն ​​պահին, երբ դուք կատարում եք միջամտությունը: Օրինակ, եթե դուք ունեք մի քանի փուլ ձեր գործարքի խողովակաշարում և ցանկանում եք կանխատեսել հինգերորդ փուլում գործարքի փակման հավանականությունը, ապա չեք կարող մոդելը գործարկել երրորդ կամ չորրորդ փուլերի գործարքների վրա և ակնկալել օգտակար արդյունքներ:

Տվյալների գիտնականները հաճախ ունենում են բացթողումներ՝ հասկանալու, թե ինչ են ներկայացնում տվյալները և ինչպես են դրանք ստեղծվում: Ի՞նչ մարդկային և տեխնոլոգիական գործընթացներ են խաղում տվյալների ստեղծման գործում, և կոնկրետ ի՞նչ են նշանակում տվյալները ձեր բիզնեսի համատեքստում: Այստեղ է, որ աներևակայելի արժեքավոր են վերլուծաբաններն ու բիզնես օգտատերերը, ովքեր մոտ են տվյալներին և այն խնդիրներին, որոնք դուք փորձում եք լուծել դրանց միջոցով: Մենք սիրում ենք մտածեք AI-ի մասին որպես թիմային սպորտի քանի որ հաջողությունը պահանջում է բիզնեսի համատեքստ՝ ի հավելումն տվյալների և մոդելային գրագիտության բազային:

Վերջապես, կան նախագծի հաջողության մարդակենտրոն ասպեկտներ, որոնք կազմակերպությունները կարող են անտեսել, եթե չափազանց կենտրոնացած են տվյալների կամ տեխնոլոգիայի վրա: Հաճախ արհեստական ​​ինտելեկտը կարող է կանխատեսումներ անել, բայց ինչ-որ մեկը պետք է որոշի, թե ինչպես դա դարձնել առաջարկվող գործողության: Արդյո՞ք առաջարկն օգտակար է հստակ գործողություն ապահովելու համար, և այն առաջարկը, որին մարդիկ պատրաստ կլինեն հետևել: Ստեղծո՞ւմ եք այնպիսի միջավայր, որտեղ այս առաջարկներն արդյունավետ կընդունվեն:

Ինչ-որ բան կանխատեսելը միայն երբեմն օգտակար է: Պատրա՞ստ եք կարգավորել գները, ապրանքների ծավալները կամ անձնակազմը կամ նույնիսկ փոխել ձեր արտադրանքի գիծը: Փոփոխությունների կառավարման ի՞նչ մակարդակ է անհրաժեշտ, որպեսզի մարդիկ ընդունեն նոր լուծումը և զարգացնեն իրենց հաստատված վարքագիծն ու գործընթացները: Վստահությունը բխում է հետևողական վարքագծի և բիզնեսին կրթելու պատրաստակամությունից. եթե դուք պատրաստվում եք արմատապես ազդել, թե ինչպես են մարդիկ կատարում իրենց աշխատանքը, նրանք պետք է հաշվի նստեն դրա հետ:

Սկսած փոքրից և կրկնվող

Եկեք ավարտենք որոշ ուղեցույցներ, որոնք հիմնված են այն ամենի վրա, ինչ մենք տեսել ենք հաճախորդների հետ աշխատելիս:

Հաճախ արհեստական ​​ինտելեկտի լավագույն առաջին նախագիծը այն նախագիծն է, որն ամենահեշտը կլինի գործառնականացնելու և արտադրության մեջ մտնելու ամենաքիչ բարդ փոփոխությունների կառավարմամբ: Փորձեք կառուցել ինչ-որ բան, որը հնարավորինս արագ արժեք կհաղորդի, նույնիսկ եթե դա շատ փոքր աստիճանական բարելավում է: Եվ ձեր հաճախորդներին, բիզնես օգտագործողներին և շահագրգիռ կողմերին հնարավորինս մոտ պահեք զարգացման գործընթացին: Նպատակ դրեք ստեղծել լավ հետադարձ կապի միջավայր՝ և՛ մոդելը պարբերաբար բարելավելու համար ավելի շատ տվյալներ հավաքելու, և՛ ծրագրի և դրա արդյունքների բարելավման համար շահագրգիռ կողմերի ներդրման իմաստով:

AI-ի հետ միշտ կլինեն եզրային դեպքեր, երբ լուծումը բաց թողնված է: Բայց ավելի լավ է գտնել այնպիսի լուծումներ, որոնք կաշխատեն ձեր հաճախորդների կամ աշխատակիցների մեծամասնության համար, այլ ոչ թե մշակեք հայեցակարգի իսկապես վառ ապացույց, որն աշխատում է միայն մի քանի պատվերով օգտագործման դեպքերի համար: Ի վերջո, արհեստական ​​ինտելեկտը պետք է նվազեցնի շփումը և հեշտացնի մարդկանց՝ կատարել իրենց աշխատանքը և տեղեկացված որոշումներ կայացնել:

Tableau AI վերլուծության մասին ավելին իմանալու համար այցելեք tableau.com/ai.