Защо пилотите с изкуствен интелект не успяват да се разпространят широко и как фирмите могат да разрешат този проблем

Въведение

Един проект за изкуствен интелект може да изглежда успешен по време на тестовете, но все пак да срещне сериозни проблеми, когато компанията започне да го използва в ежедневната си дейност.

Малък пилотен проект може да обработва фактури точно, да отговаря на въпроси на клиенти или да помага на служителите да изпълняват задачите си по-бързо. Резултатите изглеждат обещаващи и ръководството решава да въведе системата в цялата компания.

Но щом повече хора започнат да я използват, започват да се появяват проблеми.

ИИ се затруднява с неочаквани заявки. Някои бизнес системи не успяват да обменят информация правилно. Служителите установяват, че инструментът се нуждае от повече ръчна поддръжка, отколкото се очакваше. Оперативните разходи също започват да нарастват.

Това не винаги означава, че първоначалният проект за изкуствен интелект е бил лошо изграден.

Проблемът е, че успешен пилотен проект и надеждна производствена система са две различни неща.

Преминаването на ИИ в производствена среда изисква повече от добри резултати от тестовете. Фирмите трябва да се подготвят за реални данни, по-големи работни натоварвания, системни сривове, проблеми със сигурността и непрекъсната поддръжка.

Разбирането на тези предизвикателства преди внедряването може да предотврати един обещаващ проект за ИИ да се превърне в скъп оперативен проблем.

1. Успешният пилотен проект не гарантира готовност за внедряване в производството

Пилотните проекти за ИИ обикновено се разработват в контролирана среда.

Екипът за разработка знае какъв проблем трябва да реши системата. Тестовите данни често се подготвят предварително, а приложението се използва само от малка група служители.

Тези условия улесняват демонстрирането на възможностите на технологията.

Въпреки това ежедневните бизнес операции рядко са толкова предсказуеми.

Да вземем за пример компания, която тества ИИ за обработка на фактури.

По време на пилотния проект екипът предоставя 100 фактури с четлив формат и пълна информация за доставчиците. Системата извлича точно необходимите данни и дава полезни резултати.

След внедряването тя получава фактури от стотици доставчици.

Някои документи са сканирани некачествено. Други съдържат различни валути, липсващи номера на поръчки или непознати формати.

Сега изкуственият интелект може да се нуждае от повече ръчна корекция, отколкото се очакваше.

Първоначалният тест показа, че технологията може да изпълни конкретна задача. Той обаче не доказа, че системата може да се справи с всяка ситуация, с която бизнесът би се сблъскал.

Преди мащабирането компаниите трябва да идентифицират условията, които са допринесли за успеха на пилотния проект, и да проучат дали тези условия ще останат същите в производствената среда.

2. Реалните бизнес данни създават неочаквани проблеми

Качеството на данните е една от най-честите причини за затрудненията на системите за изкуствен интелект след внедряването им.

По време на тестването екипите често работят с подбрана информация, която е точна, организирана и лесна за обработка.

Производствените системи трябва да работят с информация, събрана чрез ежедневните бизнес дейности.

Тези данни могат да съдържат дублирани записи, остарели данни, липсващи полета и несъвместими формати.

Например, асистентът за обслужване на клиенти, базиран на изкуствен интелект, може да се представя добре, когато отговаря на въпроси от одобрена база от знания.

Въпреки това, по-късно компанията може да го свърже с записи за продукти, клиентски профили и документи за поддръжка.

Ако тези източници съдържат противоречаща си информация, асистентът може да даде неправилни отговори.

Даден продукт може да изглежда наличен в една система, докато друга система показва, че е изчерпан.

Без ясни бизнес правила изкуственият интелект не може надеждно да разреши всяко несъответствие.

Затова компаниите трябва да тестват ИИ с реалистична информация преди внедряването му.

Те също така се нуждаят от хора, отговорни за поддържането на качеството на данните и коригирането на проблемите, когато те възникнат.

Добрите резултати от внимателно подготвени данни са полезни, но не са достатъчни, за да докажат, че дадена система е готова за ежедневна употреба.

3. Съществуващите бизнес системи може да не работят безпроблемно заедно

Много пилотни проекти с изкуствен интелект работят независимо от софтуера, който компанията използва ежедневно.

Разработчиците могат да качват примерни файлове ръчно или да свържат ИИ с временна база данни.

Това е приемливо по време на ранните тестове, тъй като основната цел е да се разбере дали идеята работи.

Производствената среда изисква нещо по-надеждно.

Изкуственият интелект може да се наложи да обменя информация със софтуер за управление на взаимоотношенията с клиентите (CRM), ERP платформи, финансови приложения, инструменти за обслужване на клиенти и вътрешни бази данни.

Тези връзки създават нови предизвикателства.

AI асистентът по продажбите може да идентифицира обещаващ потенциален клиент, но да се провали при опита си да актуализира CRM системата.

Инструмент за обработка на фактури може да извлече правилната сума, но да изпрати информацията във формат, който счетоводната система не може да приеме.

И в двата случая изкуственият интелект изпълнява възложената му задача, но по-широкият бизнес процес остава незавършен.

Преди внедряването екипите трябва да тестват целия работен поток, включително какво се случва, когато друга система стане недостъпна.

Полезен ресурс е това ръководство за преминаване от пилотни проекти с ИИ към производствена среда, което обяснява как предприятията могат да преценят готовността на данните, надеждността на системата, сигурността и оперативните изисквания, преди да разширят използването на ИИ.

Целта трябва да бъде изкуственият интелект да работи надеждно в рамките на съществуващите бизнес процеси, а не просто да се свърже с друго приложение.

4. Тестването в производствена среда трябва да обхваща повече от точността

Пилотният проект често се фокусира върху това дали ИИ дава правилния отговор или изпълнява очакваната задача.

Точността е важна, но тя е само една част от тестването в производствена среда.

Предприятията трябва също така да разберат как се представя системата, когато няколко потребители имат достъп до нея едновременно, когато липсва информация или когато се появи неочаквано запитване.

Да предположим, че ИИ асистентът обработва 20 разговора с клиенти по време на тестването.

Той може да отговаря бързо и точно.

Но какво се случва, когато 500 клиента се опитат да го използват по време на натоварен период?

Времето за отговор може да се удължи. Някои заявки може да се провалят, а разходите за обработка на всеки разговор могат да се увеличат.

Планът за тестване в производствена среда трябва да обхваща няколко области:

• Точност в реални условия: Може ли системата да се справи с непълна, необичайна или неправилно форматирана информация?
• Производителност: Реагира ли надеждно при увеличаване на натоварването?
• Интеграция: Може ли да обменя информация правилно със свързаните бизнес приложения?
• Сигурност: Защитава ли чувствителната информация и спазва ли ограниченията за достъп?
• Справяне с грешки: Какво се случва, когато моделът на изкуствения интелект или друга услуга стане недостъпна?
• Човешка проверка: Могат ли служителите да коригират грешки и да поемат сложни случаи?

Тези тестове трябва да отразяват начина, по който бизнесът действително ще използва системата.

Компанията трябва също така да се споразумее за приемливи показатели за работа преди пускането в експлоатация.

Например, ръководството може да определи цели за успешното изпълнение на задачите, времето за обработка и броя на случаите, изискващи ръчна проверка.

Без договорени цели екипите може да изпитват затруднения при вземането на решение дали системата е готова.

5. Рисковете за сигурността се увеличават, когато повече хора използват ИИ

Малък пилотен проект с ИИ може да бъде достъпен само за няколко служители, които използват ограничена информация.

След като бъде внедрена в цялата компания, същата система може да обработва клиентски записи, финансови документи, данни за служители и поверителна бизнес информация.

Това създава допълнителни отговорности по отношение на сигурността.

Предприятията трябва да разберат кои служители имат достъп до приложението за ИИ и каква информация то може да извлича.

Служител от отдела за обслужване на клиенти, например, не бива автоматично да получава достъп до поверителни финансови записи само защото и двата отдела използват една и съща платформа за ИИ.

Компаниите трябва също така да преразгледат как информацията се прехвърля между системите и дали външни доставчици обработват или съхраняват бизнес данни.

Преди по-широкото внедряване трябва да бъдат въведени контрол на разрешенията, записи на дейностите, сигурни връзки и ясни правила за обработка на данни.

Проверките за сигурност трябва да продължат и след пускането в експлоатация, особено когато се свързват нови отдели или източници на данни.

Мащабирането на ИИ без преглед на тези контролни механизми може да изложи на риск информация, която никога не е била предназначена за споделяне.

6. Неясната собственост затруднява разрешаването на производствени проблеми

По време на пилотния етап разработчиците често наблюдават системата отблизо.

Ако нещо се обърка, екипът по проекта може да разследва и да коригира проблема.

Тази организация става трудна, когато ИИ започне да поддържа ежедневните бизнес операции.

Кой ще реагира, ако системата спре да работи извън работното време?

Кой решава дали дадена неправилна препоръка е достатъчно сериозна, за да се спре автоматизацията?

Кой актуализира бизнес информацията, когато се променят фирмените политики?

Тези въпроси се нуждаят от отговори преди внедряването.

Една производствена система за изкуствен интелект трябва да има ясно разпределени отговорности между техническите и бизнес екипите.

Разработчиците могат да се занимават с софтуерните проблеми, докато мениджърите на отделите преценяват дали ИИ постига полезни бизнес резултати.

Оперативните екипи могат да следят за достъпността на системата, а служителите могат да се занимават със случаи, които изискват човешка преценка.

Без тази структура проблемите могат да останат нерешени, докато екипите не могат да се споразумеят кой трябва да поеме отговорността.

Ясната отговорност улеснява поддържането на производителността и бързата реакция, когато нещо се обърка.

7. Разходите могат да нараснат бързо след внедряването

Пилотните проекти с ИИ обикновено включват ограничено използване, което улеснява контрола върху разходите.

Производствените системи могат да бъдат различни.

По-голям брой потребители може да означава допълнителни заявки за модели, по-високи разходи за облачни услуги, увеличено съхранение на данни и по-големи изисквания за мониторинг.

Някои работни процеси с изкуствен интелект може също да изискват от служителите редовно да преглеждат или коригират резултатите.

Например, автоматизирана система за обработка на документи може да намали времето за въвеждане на данни, но все пак да изисква от финансовия персонал да преглежда много изключения.

Ако компанията измерва само скоростта на обработка, тя може да пренебрегне разходите за тази допълнителна работа.

Предприятията трябва да оценят пълните оперативни разходи, преди да преминат към мащабиране.

Това включва инфраструктура, използване на софтуер, поддръжка на интеграцията, техническа поддръжка и участието на служителите.

Те трябва също така да сравнят тези разходи със стойността, която системата осигурява.

Един по-евтин модел за изкуствен интелект не е непременно по-добрият вариант, ако служителите прекарват значително повече време в поправяне на грешките му.

Истинският показател за успех не е колко евтино изкуственият интелект генерира резултат, а колко ефективно помага на бизнеса да изпълни полезна задача.

8. Постепенното внедряване намалява производствения риск

Една от най-големите грешки, които компаниите могат да допуснат, е въвеждането на ИИ във всеки отдел веднага след успешен пилотен проект.

Пълното внедряване може да затрудни откриването на проблеми, тъй като много потребители и системи започват да разчитат на технологията едновременно.

Постепенният подход осигурява по-голям контрол.

Фирмите могат да започнат, като пуснат ИИ да работи успоредно със съществуващия процес, без да му позволяват да прави промени в реално време.

Това позволява на служителите да сравняват резултатите от ИИ с обичайните бизнес решения и да откриват грешки.

Следващата стъпка може да включва въвеждането на системата в един отдел или малка група потребители.

По време на този етап компанията трябва да следи времето за реакция, точността, системните сривове, обратната връзка от служителите и оперативните разходи.

След като производителността се стабилизира, компанията може да разшири използването на системата.

Например, компания, която въвежда обработка на фактури, задвижвана от ИИ, може да започне с една група доставчици.

След като се потвърди, че извличането на данни от документи, правилата за одобрение и връзките с ERP системата работят коректно, тя може да включи и други доставчици.

Ако възникнат проблеми, компанията може да ги отстрани, преди системата да засегне много по-голям обем транзакции.

Всеки план за внедряване трябва също така да обяснява как да се върне към предишния процес, ако нещо се обърка.

Служителите се нуждаят от надеждна алтернатива, когато автоматизираната система стане недостъпна.

Това предотвратява техническа повреда да доведе до пълно спиране на важна бизнес операция.

9. ИИ се нуждае от мониторинг след пускането

Стартирането на система за изкуствен интелект не означава, че разработката и тестването са приключили.

Бизнес информацията се променя. Клиентите задават нови въпроси, служителите следват актуализирани процедури, а свързаният софтуер получава актуализации.

Тези промени могат да повлияят на работата на изкуствения интелект.

Система, която днес работи добре, може да дава по-малко надеждни резултати след няколко месеца.

Компаниите трябва редовно да проверяват точността, времето за отговор, неуспешните заявки, корекциите, направени от служителите, и оперативните разходи.

Те трябва също така да събират обратна връзка от хората, които използват системата.

Ако служителите многократно коригират един и същ вид грешка, компанията трябва да разбере защо.

Проблемът може да е свързан с остаряла информация, неправилно бизнес правило или интеграция, която вече не работи правилно.

Редовното наблюдение помага на екипите да идентифицират тези проблеми на ранен етап.

Той също така предоставя данни, въз основа на които да се прецени кога системата се нуждае от подобрения или дали е готова да обслужва допълнителни отдели.

Заключителни мисли

Успешните пилотни проекти с ИИ са важна първа стъпка, но те не гарантират успех в ежедневните бизнес операции.

Предизвикателствата често възникват, когато ИИ трябва да обработва реална информация, да се свързва със съществуващи системи, да обслужва повече потребители и да работи без постоянна помощ от разработчиците.

Предприятията могат да намалят тези проблеми, като тестват реалистични ситуации, преразгледат сигурността, разпределят ясни отговорности и планират производствените разходи преди внедряването.

Постепенното внедряване също така дава време на екипите да идентифицират проблемите и да подобрят производителността, преди да продължат с разширяването.

Проектите с изкуствен интелект не трябва да се оценяват само по това колко добре се представят по време на демонстрация.

Истинският тест започва, когато технологията стане част от ежедневните бизнес операции и трябва да предоставя надеждни резултати, без да създава допълнителни проблеми.