Miks tehisintellekti piloodid ei suuda mastaapsust saavutada ja kuidas ettevõtted saavad seda parandada

Sissejuhatus

Tehisintellekti projekt võib testimise käigus edukana tunduda, kuid siiski tekkida tõsiseid probleeme, kui ettevõte hakkab seda igapäevases tegevuses kasutama.

Väike pilootprojekt võib arveid täpselt töödelda, vastata klientide küsimustele või aidata töötajatel ülesandeid kiiremini täita. Tulemused tunduvad paljulubavad ja juhtkond otsustab süsteemi kogu ettevõttes kasutusele võtta.

Kuid kui seda hakkab kasutama rohkem inimesi, hakkavad ilmnema probleemid.

Tehisintellekt ei tule toime ootamatute päringutega. Mõned ärisüsteemid ei suuda teavet õigesti vahetada. Töötajad avastavad, et tööriist vajab oodatust rohkem käsitsi abi. Samuti hakkavad tõusma käitamiskulud.

See ei tähenda alati, et algne tehisintellekti projekt oli halvasti üles ehitatud.

Probleem on selles, et edukas pilootprojekt ja töökindel tootmissüsteem on kaks erinevat asja.

Tehisintellekti tootmisse viimine nõuab enamat kui häid testitulemusi. Ettevõtted peavad olema valmis tegelema reaalsete andmetega, suuremate töökoormustega, süsteemiriketega, turvalisusküsimustega ja pideva toega.

Nende väljakutsete mõistmine enne kasutuselevõttu võib ära hoida, et paljulubav AI-projekt muutuks kulukaks operatiivseks probleemiks.

1. Edukas pilootprojekt ei taga tootmisvalmidust

Tehisintellekti pilootprojekte arendatakse tavaliselt kontrollitud keskkonnas.

Arendusmeeskond teab, millist probleemi süsteem peab lahendama. Testandmed on sageli eelnevalt ette valmistatud ja rakendust kasutab vaid väike rühm töötajaid.

Need tingimused muudavad tehnoloogia võimete demonstreerimise lihtsamaks.

Kuid igapäevane äritegevus on harva nii ettearvatav.

Võtame näiteks ettevõtte, mis testib tehisintellekti arve töötlemisel.

Pilootprojekti käigus esitab meeskond 100 arvet loetavas formaadis ja täielike tarnijaandmetega. Süsteem eraldab vajalikud andmed täpselt ja annab kasulikke tulemusi.

Pärast kasutuselevõttu saab süsteem arveid sadadelt tarnijatelt.

Mõned dokumendid on halvasti skaneeritud. Teistes on erinevad valuutad, puuduvad ostutellimuse numbrid või on neil harjumatu kujundus.

Tehisintellekt võib nüüd vajada oodatust rohkem käsitsi parandamist.

Esialgne test näitas, et tehnoloogia suudab täita konkreetse ülesande. See ei tõestanud, et süsteem suudaks toime tulla igas olukorras, millega ettevõte kokku puutub.

Enne laiemat kasutuselevõttu peaksid ettevõtted kindlaks tegema tingimused, mis aitasid pilootprojektil õnnestuda, ning uurima, kas need tingimused jäävad tootmiskeskkonnas samaks.

2. Tegelike ärandmete kasutamine tekitab ootamatuid probleeme

Andmete kvaliteet on üks levinumaid põhjuseid, miks tehisintellekti süsteemid pärast kasutuselevõttu raskusi kogevad.

Testimise käigus töötavad meeskonnad sageli valitud teabega, mis on täpne, korrastatud ja kergesti töödeldav.

Tootmissüsteemid peavad töötama igapäevase äritegevuse käigus kogutud teabega.

Need andmed võivad sisaldada dubleeritud kirjeid, aegunud andmeid, puuduvaid välju ja ebajärjekindlaid formaate.

Näiteks võib tehisintellekti klienditeenindusassistent toimida hästi, kui ta vastab küsimustele heakskiidetud teadmistebaasi põhjal.

Kuid ettevõte võib selle hiljem ühendada tooterekordite, kliendikontode ja tugidokumentidega.

Kui need allikad sisaldavad vastuolulist teavet, võib assistent anda valevastuseid.

Ühes süsteemis võib toode olla saadaval, samas kui teises süsteemis näidatakse, et see on otsas.

Ilma selgete ärireegliteta ei suuda tehisintellekt kõiki vastuolusid usaldusväärselt lahendada.

Seetõttu peaksid ettevõtted enne kasutuselevõttu AI-d realistliku teabe abil testima.

Samuti on vaja inimesi, kes vastutavad andmete kvaliteedi tagamise ja tekkivate probleemide parandamise eest.

Hoolikalt ettevalmistatud andmetest saadud head tulemused on kasulikud, kuid neist ei piisa selle tõendamiseks, et süsteem on valmis igapäevaseks kasutamiseks.

3. Olemasolevad ärisüsteemid ei pruugi omavahel sujuvalt koostööd teha

Paljud tehisintellekti pilootprojektid toimivad sõltumatult tarkvarast, mida ettevõte igapäevaselt kasutab.

Arendajad võivad näidisfailid käsitsi üles laadida või ühendada tehisintellekti ajutise andmebaasiga.

See on varases testimisfaasis vastuvõetav, sest peamine eesmärk on aru saada, kas idee toimib.

Tootmiskeskkond nõuab midagi usaldusväärsemat.

Tehisintellektil võib tekkida vajadus vahetada teavet CRM-tarkvara, ERP-platvormide, finantsrakenduste, klienditoe tööriistade ja sisemiste andmebaasidega.

Need ühendused toovad kaasa uusi väljakutseid.

Tehisintellekti müügiassistent võib tuvastada paljulubava potentsiaalse kliendi, kuid ebaõnnestuda CRM-süsteemi uuendamisel.

Arve töötlemise tööriist võib küll väljastada õige summa, kuid saata teabe formaadis, mida raamatupidamissüsteem ei suuda vastu võtta.

Mõlemal juhul täidab tehisintellekt talle määratud ülesande, kuid laiem äriprotsess jääb poolikuks.

Enne kasutuselevõttu peaksid meeskonnad testima kogu töövoogu, sealhulgas seda, mis juhtub, kui mõni teine süsteem muutub kättesaamatuks.

Kasulikuks abivahendiks on käesolev juhend tehisintellekti pilootprojektide tootmisse viimise kohta, milles selgitatakse, kuidas ettevõtted saavad enne tehisintellekti laiemat kasutuselevõttu hinnata andmete valmisolekut, süsteemi usaldusväärsust, turvalisust ja operatiivseid nõudeid.

Eesmärgiks peaks olema tehisintellekti usaldusväärne toimimine olemasolevate äriprotsesside raames, mitte lihtsalt uue rakenduse ühendamine.

4. Tootmiskeskkonnas testimine peab hõlmama enamat kui täpsust

Pilootprojekt keskendub sageli sellele, kas tehisintellekt annab õige vastuse või täidab oodatud ülesande.

Täpsus on oluline, kuid see on vaid üks osa tootmiskeskkonnas testimisest.

Ettevõtted peavad samuti mõistma, kuidas süsteem toimib, kui mitu kasutajat kasutab seda samaaegselt, kui teavet puudub või kui ilmub ootamatu päring.

Oletame, et tehisintellekti abiline käsitleb testimise käigus 20 kliendivestlust.

Võib-olla vastab ta kiiresti ja täpselt.

Aga mis juhtub, kui 500 klienti püüab seda kasutada tippkoormuse ajal?

Vastamise aeg võib pikeneda. Mõned päringud võivad ebaõnnestuda ja iga vestluse töötlemise kulud võivad tõusta.

Tootmiskeskkonna testimise kava peaks hõlmama mitut valdkonda:

• Täpsus reaalsetes olukordades: kas süsteem suudab toime tulla puuduliku, ebatavalise või halvasti vormindatud teabega?
• Jõudlus: kas süsteem reageerib usaldusväärselt, kui kasutamine suureneb?
• Integreeritus: kas süsteem suudab vahetada teavet korrektselt ühendatud ärirakendustega?
• Turvalisus: kas süsteem kaitseb tundlikku teavet ja järgib juurdepääsupiiranguid?
• Rikke käsitlemine: mis juhtub, kui AI-mudel või mõni muu teenus muutub kättesaamatuks?
• Inimese poolt läbivaatamine: Kas töötajad saavad vigu parandada ja keerulisi juhtumeid enda kätte võtta?

Need testid peaksid kajastama seda, kuidas ettevõte süsteemi tegelikult kasutab.

Ettevõte peaks enne käivitamist kokku leppima ka aktsepteeritavas jõudluses.

Näiteks võib juhtkond seada eesmärgid ülesannete edukaks täitmiseks, töötlemisajaks ja käsitsi läbivaatamist vajavate juhtumite arvuks.

Kokkulepitud eesmärkideta võib meeskondadel olla raske otsustada, kas süsteem on valmis.

5. Turvariskid suurenevad, kui rohkem inimesi kasutab tehisintellekti

Väike tehisintellekti pilootprojekt võib olla kättesaadav vaid mõnele töötajale, kes kasutavad piiratud hulga teavet.

Kui sama süsteem võetakse kasutusele kogu ettevõttes, võib see hõlmata nii klientide andmeid, finantsdokumente, töötajate andmeid kui ka konfidentsiaalset äriteavet.

See tekitab täiendavaid turvalisusega seotud kohustusi.

Ettevõtted peavad mõistma, millistel töötajatel on juurdepääs tehisintellekti rakendusele ja millist teavet see saab hankida.

Näiteks ei tohiks klienditoe töötaja saada automaatselt juurdepääsu konfidentsiaalsetele finantsandmetele lihtsalt seetõttu, et mõlemad osakonnad kasutavad sama tehisintellekti platvormi.

Ettevõtted peaksid samuti läbi vaatama, kuidas teave liikub süsteemide vahel ning kas välised teenusepakkujad töötlevad või säilitavad äriteavet.

Enne laiemat kasutuselevõttu tuleks kehtestada juurdepääsukontrollid, tegevuslogid, turvalised ühendused ja selged andmetöötluse eeskirjad.

Turvalisuse ülevaatamine peaks jätkuma ka pärast kasutuselevõttu, eriti kui ühendatakse uusi osakondi või andmeallikaid.

Tehisintellekti laiendamine ilma nende kontrollimeetmete läbivaatamiseta võib avalikustada teavet, mida ei olnud kunagi kavatsetud jagada.

6. Ebaselge vastutus muudab tootmisprobleemide lahendamise raskemaks

Pilootprojekti käigus jälgivad arendajad süsteemi sageli tähelepanelikult.

Kui midagi läheb valesti, saab projektimeeskond probleemi uurida ja parandada.

Selline korraldus muutub keeruliseks, kui tehisintellekt hakkab toetama igapäevast äritegevust.

Kes reageerib, kui süsteem lakkab töötamast väljaspool tööaega?

Kes otsustab, kas vale soovitus on piisavalt tõsine, et automaatika peatada?

Kes ajakohastab äriandmeid, kui ettevõtte eeskirjad muutuvad?

Need küsimused vajavad vastuseid enne süsteemi kasutuselevõttu.

Tootmiskasutusse võetud tehisintellekti süsteemil peaksid olema selged vastutusalad nii tehniliste kui ka ärimeeskondade vahel.

Arendajad võivad tegeleda tarkvaraprobleemidega, samal ajal kui osakonnajuhid hindavad, kas tehisintellekt annab kasulikke äritulemusi.

Operatsioonimeeskonnad võivad jälgida süsteemi kättesaadavust ning töötajad võivad tegeleda juhtumitega, mis nõuavad inimese otsust.

Ilma sellise struktuurita võivad probleemid jääda lahendamata, kuna meeskonnad ei jõua kokkuleppele selles, kes peaks vastutuse enda peale võtma.

Selge vastutusjaotus hõlbustab jõudluse säilitamist ja kiiret reageerimist, kui midagi läheb valesti.

7. Kulud võivad pärast kasutuselevõttu kiiresti tõusta

Tehisintellekti pilootprojektid hõlmavad tavaliselt piiratud kasutust, mis muudab kulude kontrollimise lihtsamaks.

Tootmissüsteemid võivad olla teistsugused.

Rohkem kasutajaid võib tähendada täiendavaid mudelipäringuid, suuremaid pilveteenuste kulusid, suuremat andmesalvestusmahtu ja rangemaid järelevalvenõudeid.

Mõned AI-töövoogud võivad nõuda ka seda, et töötajad tulemusi regulaarselt üle vaataksid või parandaksid.

Näiteks võib automatiseeritud dokumentide töötlemise süsteem küll vähendada andmete sisestamisele kuluvat aega, kuid nõuab siiski, et rahandusosakonna töötajad vaataksid läbi paljud erandid.

Kui ettevõte mõõdab ainult töötlemiskiirust, võib ta jätta tähelepanuta selle lisatööga seotud kulud.

Ettevõtted peaksid enne süsteemi laiendamist hindama kogu tegevuskulu.

See hõlmab infrastruktuuri, tarkvara kasutamist, integratsiooni hooldust, tehnilist tuge ja töötajate kaasatust.

Samuti tuleks neid kulusid võrrelda süsteemi poolt loodava väärtusega.

Odavam tehisintellekti mudel ei pruugi olla parim valik, kui töötajad kulutavad märkimisväärselt rohkem aega selle vigade parandamisele.

Edu tõeline mõõdupuu ei ole mitte see, kui odavalt tehisintellekt tulemuse toodab, vaid see, kui tõhusalt see aitab ettevõttel kasulikku ülesannet täita.

8. Järkjärguline kasutuselevõtt vähendab tootmisriski

Üks suurimaid vigu, mida ettevõtted teha võivad, on tehisintellekti kasutuselevõtt kõigis osakondades kohe pärast edukat pilootprojekti.

Täielik kasutuselevõtt võib muuta probleemide tuvastamise raskemaks, kuna paljud kasutajad ja süsteemid hakkavad samal ajal sellest tehnoloogiast sõltuma.

Järkjärguline lähenemine pakub rohkem kontrolli.

Ettevõtted võivad alustada tehisintellekti kasutamist paralleelselt olemasoleva protsessiga, ilma et see teeks reaalajas muudatusi.

See võimaldab töötajatel võrrelda tehisintellekti tulemusi tavaliste äriotsustega ja tuvastada vigu.

Järgmine samm võiks hõlmata süsteemi kasutuselevõttu ühes osakonnas või väikeses kasutajate rühmas.

Selles etapis peaks ettevõte jälgima reageerimisaegu, täpsust, süsteemirikkeid, töötajate tagasisidet ja tegevuskulusid.

Kui süsteemi toimimine on stabiliseerunud, võib ettevõte laiendada selle kasutamist.

Näiteks võib ettevõte, mis võtab kasutusele tehisintellekti abil toimiva arvete töötlemise, alustada ühe tarnijarühmaga.

Pärast seda, kui on veendutud, et dokumentide andmete väljavõtt, heakskiitmise reeglid ja ERP-süsteemiga ühendused toimivad korrektselt, võib lisada uusi tarnijaid.

Kui tekivad probleemid, saab ettevõte need parandada enne, kui süsteem hakkab mõjutama palju suuremat tehingute mahtu.

Igas kasutuselevõtuplaanis tuleks selgitada ka seda, kuidas naasta eelmise protsessi juurde, kui midagi peaks valesti minema.

Töötajad vajavad usaldusväärset alternatiivi juhuks, kui automatiseeritud süsteem ei ole kättesaadav.

See hoiab ära olukorra, kus tehniline rike peataks täielikult olulise äritegevuse.

9. Tehisintellekti tuleb pärast kasutuselevõttu jälgida

Tehisintellekti süsteemi käivitamine ei tähenda, et arendamine ja testimine on lõppenud.

Äriandmed muutuvad. Kliendid esitavad uusi küsimusi, töötajad järgivad uuendatud protseduure ja ühendatud tarkvara saab uuendusi.

Need muutused võivad mõjutada tehisintellekti toimimist.

Süsteem, mis täna hästi töötab, võib mõne kuu pärast anda vähem usaldusväärseid tulemusi.

Ettevõtted peaksid regulaarselt kontrollima täpsust, reageerimisaegu, ebaõnnestunud päringuid, töötajate poolt tehtud parandusi ja tegevuskulusid.

Samuti peaksid nad koguma tagasisidet süsteemi kasutajatelt.

Kui töötajad parandavad korduvalt sama tüüpi vigu, peab ettevõte selgitama välja, miks see nii on.

Probleemi põhjuseks võib olla aegunud teave, vale ärireegel või integratsioon, mis ei tööta enam korralikult.

Regulaarne jälgimine aitab meeskondadel neid probleeme varakult tuvastada.

Samuti annab see aluse otsustamiseks, millal süsteemi tuleb täiustada või kas see on valmis toetama täiendavaid osakondi.

Lõppmõtted

Edukad AI-katseprojektid on oluline esimene samm, kuid need ei taga edu igapäevases äritegevuses.

Väljakutsed tekivad sageli siis, kui tehisintellekt peab töötlema reaalseid andmeid, ühenduma olemasolevate süsteemidega, toetama rohkem kasutajaid ja toimima ilma arendajate pideva abita.

Ettevõtted saavad neid probleeme vähendada, testides realistlikke olukordi, kontrollides turvalisust, määrates selged vastutusalad ja planeerides tootmiskulusid enne kasutuselevõttu.

Järkjärguline kasutuselevõtt annab meeskondadele ka aega probleemide tuvastamiseks ja jõudluse parandamiseks enne edasist laienemist.

Tehisintellekti projekte ei tohiks hinnata ainult selle järgi, kui hästi need demonstratsiooni käigus toimivad.

Tõeline proov algab siis, kui tehnoloogia muutub igapäevase äritegevuse osaks ja peab andma usaldusväärseid tulemusi ilma täiendavaid probleeme tekitamata.