Kodėl dirbtinio intelekto pilotiniai projektai nepavyksta išplėsti ir kaip įmonės gali tai ištaisyti

Įvadas

Dirbtinio intelekto projektas gali atrodyti sėkmingas bandymų metu, tačiau vis tiek susidurti su rimtomis problemomis, kai įmonė pradeda jį naudoti kasdieninėje veikloje.

Mažo masto bandomasis projektas gali tiksliai apdoroti sąskaitas faktūras, atsakyti į klientų klausimus arba padėti darbuotojams greičiau atlikti užduotis. Rezultatai atrodo daug žadantys, todėl vadovybė nusprendžia sistemą įdiegti visoje įmonėje.

Tačiau kai ją pradeda naudoti daugiau žmonių, atsiranda problemų.

Dirbtinis intelektas sunkiai susidoroja su netikėtais užklausimais. Kai kurios verslo sistemos nesugeba tinkamai keistis informacija. Darbuotojai pastebi, kad šiam įrankiui reikia daugiau rankinio palaikymo, nei tikėtasi. Taip pat pradeda didėti eksploatacijos išlaidos.

Tai ne visada reiškia, kad pradinis AI projektas buvo blogai sukurtas.

Problema ta, kad sėkmingas bandomasis projektas ir patikima gamybinė sistema yra du skirtingi dalykai.

Dirbtinio intelekto perkėlimas į gamybą reikalauja daugiau nei gerų bandymų rezultatų. Įmonės turi pasirengti dirbti su tikrais duomenimis, didesne darbo apkrova, sistemos gedimais, saugumo problemomis ir nuolatine technine pagalba.

Šių iššūkių supratimas prieš diegimą gali užkirsti kelią tam, kad perspektyvus AI projektas taptų brangia operacine problema.

1. Sėkmingas bandomasis projektas negarantuoja pasirengimo gamybai

AI bandomieji projektai paprastai kuriami kontroliuojamoje aplinkoje.

Kūrimo komanda žino, kokią problemą sistema turi išspręsti. Bandomieji duomenys dažnai parengiami iš anksto, o programą naudoja tik nedidelė darbuotojų grupė.

Tokios sąlygos leidžia lengviau parodyti, ką ši technologija gali pasiekti.

Tačiau kasdienė verslo veikla retai būna tokia nuspėjama.

Pavyzdžiui, įsivaizduokime įmonę, kuri testuoja AI sąskaitų apdorojimui.

Bandomojo etapo metu komanda pateikia 100 sąskaitų faktūrų, kurių formatas yra aiškus ir kuriose pateikta išsami tiekėjų informacija. Sistema tiksliai išskiria reikiamus duomenis ir pateikia naudingus rezultatus.

Įdiegus sistemą, ji gauna sąskaitas faktūras iš šimtų tiekėjų.

Kai kurie dokumentai yra prastai nuskaityti. Kituose nurodomos skirtingos valiutos, trūksta pirkimo užsakymų numerių arba jų išdėstymas yra neįprastas.

Dabar dirbtiniam intelektui gali prireikti daugiau rankinio taisymo, nei buvo tikėtasi.

Pirminis bandymas parodė, kad technologija gali atlikti konkrečią užduotį. Tačiau jis neįrodė, kad sistema sugebės susidoroti su visomis situacijomis, su kuriomis susidurs įmonė.

Prieš plečiant sistemą, įmonės turėtų nustatyti sąlygas, kurios padėjo sėkmingai įgyvendinti bandomąjį projektą, ir išnagrinėti, ar tos sąlygos išliks tokios pačios gamybos etape.

2. Realūs verslo duomenys sukelia netikėtų problemų

Duomenų kokybė yra viena iš dažniausių priežasčių, dėl kurių AI sistemos susiduria su sunkumais po diegimo.

Bandymų metu komandos dažnai dirba su atrinkta informacija, kuri yra tiksli, susisteminta ir lengvai apdorojama.

Gamybinės sistemos turi dirbti su informacija, surinkta vykdant kasdienę verslo veiklą.

Šiuose duomenyse gali būti pasikartojančių įrašų, pasenusių duomenų, trūkstamų laukelių ir nesuderintų formatų.

Pavyzdžiui, AI klientų aptarnavimo asistentas gali puikiai atsakyti į klausimus, remdamasis patvirtinta žinių baze.

Tačiau vėliau įmonė gali susieti jį su produktų įrašais, klientų sąskaitomis ir pagalbiniais dokumentais.

Jei šiuose šaltiniuose yra prieštaringa informacija, asistentas gali pateikti neteisingus atsakymus.

Vienoje sistemoje produktas gali būti rodomas kaip turimas, o kitoje – kaip išparduotas.

Be aiškių verslo taisyklių AI negali patikimai išspręsti kiekvieno nesutarimo.

Todėl įmonės prieš diegdamos AI turėtų ją išbandyti naudodamos realistišką informaciją.

Be to, joms reikia žmonių, atsakingų už duomenų kokybės užtikrinimą ir problemų taisymą, kai tik jos atsiranda.

Geri rezultatai, gauti iš kruopščiai paruoštų duomenų, yra naudingi, tačiau jų nepakanka, kad būtų galima įrodyti, jog sistema yra pasirengusi kasdieniam naudojimui.

3. Esamos verslo sistemos gali nesuderinamai veikti tarpusavyje

Daugelis AI bandomųjų projektų veikia nepriklausomai nuo programinės įrangos, kurią įmonė naudoja kasdien.

Kūrėjai gali rankiniu būdu įkelti pavyzdinius failus arba prijungti AI prie laikinos duomenų bazės.

Tai priimtina ankstyvuoju bandymų etapu, nes pagrindinis tikslas – išsiaiškinti, ar idėja veikia.

Gamybai reikalingas patikimesnis sprendimas.

Dirbtinis intelektas gali turėti keistis informacija su CRM programine įranga, ERP platformomis, finansinėmis programomis, klientų aptarnavimo įrankiais ir vidinėmis duomenų bazėmis.

Šie ryšiai kelia naujų iššūkių.

AI pardavimo asistentas gali nustatyti perspektyvų potencialų klientą, tačiau nesugebėti atnaujinti CRM duomenų.

Sąskaitų apdorojimo įrankis gali išgauti teisingą sumą, tačiau nusiųsti informaciją formatu, kurio apskaitos sistema negali priimti.

Abiem atvejais AI atliko jai paskirtą užduotį, tačiau platesnis verslo procesas lieka neužbaigtas.

Prieš diegimą komandos turėtų išbandyti visą darbo eigą, įskaitant tai, kas nutinka, kai kita sistema tampa nepasiekiama.

Naudinga medžiaga yra šis vadovas, kaip perkelti dirbtinio intelekto bandomuosius projektus į gamybą, kuriame paaiškinama, kaip įmonės gali įvertinti duomenų parengtį, sistemos patikimumą, saugumą ir veiklos reikalavimus prieš plečiant dirbtinio intelekto naudojimą.

Tikslas turėtų būti užtikrinti, kad AI patikimai veiktų esamuose verslo procesuose, o ne tiesiog prijungti dar vieną programą.

4. Gamybiniai bandymai turi apimti daugiau nei tik tikslumą

Bandomojo projekto metu dažnai daugiausia dėmesio skiriama tam, ar AI pateikia teisingą atsakymą ar įvykdo numatytą užduotį.

Tikslumas yra svarbus, tačiau tai tik viena iš gamybinio testavimo dalių.

Įmonės taip pat turi suprasti, kaip sistema veikia, kai prie jos vienu metu prisijungia keli vartotojai, kai trūksta informacijos arba kai atsiranda netikėtas užklausimas.

Tarkime, kad dirbtinio intelekto asistentas per bandymą tvarko 20 pokalbių su klientais.

Jis gali atsakyti greitai ir tiksliai.

Bet kas atsitiks, kai piko metu jį bandys naudoti 500 klientų?

Atsakymo laikas gali pailgėti. Kai kurie užklausimai gali likti neapdoroti, o kiekvieno pokalbio apdorojimo kaina gali išaugti.

Gamybinio testavimo planas turėtų apimti keletą sričių:

• Tikslumas realiomis sąlygomis: ar sistema gali apdoroti neišsamią, neįprastą ar netinkamai suformatuotą informaciją?
• Veikimas: ar sistema patikimai reaguoja, kai naudojimas padidėja?
• Integracija: ar ji gali teisingai keistis informacija su prijungtomis verslo programomis?
• Saugumas: ar ji apsaugo konfidencialią informaciją ir laikosi prieigos apribojimų?
• Gedimų tvarkymas: kas atsitinka, kai AI modelis ar kita paslauga tampa nepasiekiama?
• Žmogaus peržiūra: ar darbuotojai gali ištaisyti klaidas ir perimti sudėtingus atvejus?

Šie testai turėtų atspindėti, kaip įmonė iš tikrųjų naudos sistemą.

Įmonė taip pat turėtų susitarti dėl priimtinų veiklos rodiklių prieš paleidimą.

Pavyzdžiui, vadovybė gali nustatyti tikslus, susijusius su sėkmingu užduočių įvykdymu, apdorojimo trukme ir atvejų, kuriems reikia rankinio peržiūrėjimo, skaičiumi.

Nesusitarus dėl tikslų, komandoms gali būti sunku nuspręsti, ar sistema yra paruošta.

5. Saugumo rizika didėja, kai AI naudoja daugiau žmonių

Mažo masto AI bandomasis projektas gali būti prieinamas tik keliems darbuotojams, naudojantiems ribotą informaciją.

Įdiegus tą pačią sistemą visoje įmonėje, ji gali tvarkyti klientų duomenis, finansinius dokumentus, darbuotojų asmens duomenis ir konfidencialią verslo informaciją.

Tai sukuria papildomų saugumo įsipareigojimų.

Įmonės turi suprasti, kurie darbuotojai gali naudotis AI programa ir kokią informaciją ji gali gauti.

Pavyzdžiui, klientų aptarnavimo darbuotojas neturėtų automatiškai gauti prieigos prie konfidencialių finansinių įrašų vien dėl to, kad abu skyriai naudoja tą pačią AI platformą.

Įmonės taip pat turėtų įvertinti, kaip informacija juda tarp sistemų ir ar išoriniai paslaugų teikėjai apdoroja ar saugo verslo duomenis.

Prieš pradedant plačiau diegti sistemą, turėtų būti nustatytos prieigos kontrolės priemonės, veiklos įrašai, saugūs ryšiai ir aiškios duomenų tvarkymo taisyklės.

Saugumo peržiūros turėtų būti atliekamos ir po sistemos paleidimo, ypač kai prisijungia nauji skyriai ar duomenų šaltiniai.

Dirbtinio intelekto diegimas neperžiūrėjus šių kontrolės priemonių gali atskleisti informaciją, kurios niekada nebuvo ketinta dalytis.

6. Neaiški atsakomybė apsunkina gamybos problemų sprendimą

Bandomojo etapo metu kūrėjai dažnai atidžiai stebi sistemą.

Jei kas nors nepavyksta, projekto komanda gali ištirti ir ištaisyti problemą.

Toks modelis tampa sudėtingas, kai AI pradeda palaikyti kasdienes verslo operacijas.

Kas reaguos, jei sistema nustos veikti ne darbo valandomis?

Kas nuspręs, ar neteisingas rekomendavimas yra pakankamai rimtas, kad būtų sustabdyta automatizacija?

Kas atnaujina verslo informaciją, kai pasikeičia įmonės politika?

Į šiuos klausimus reikia atsakyti prieš diegiant sistemą.

Veikiančioje AI sistemoje turėtų būti aiškiai paskirstytos techninių ir verslo komandų atsakomybės sritys.

Programuotojai gali spręsti programinės įrangos problemas, o padalinių vadovai – vertinti, ar AI duoda naudingų verslo rezultatų.

Operacijų komandos gali stebėti sistemos prieinamumą, o darbuotojai – spręsti atvejus, kuriuose reikalingas žmogiškasis vertinimas.

Be tokios struktūros problemos gali likti neišspręstos, o komandos nesutaria, kas turėtų prisiimti atsakomybę.

Aiškiai apibrėžta atsakomybė padeda lengviau išlaikyti našumą ir greitai reaguoti, kai kas nors nepavyksta.

7. Įdiegus sistemą, išlaidos gali greitai išaugti

AI bandomieji projektai paprastai apima ribotą naudojimą, todėl išlaidas lengviau kontroliuoti.

Gamybinės sistemos gali būti kitokios.

Didesnis vartotojų skaičius gali reikšti papildomus modelių užklausimus, didesnes išlaidas už debesų paslaugas, didesnį duomenų saugojimo poreikį ir griežtesnius stebėjimo reikalavimus.

Kai kuriuose AI darbo srautuose taip pat gali prireikti, kad darbuotojai reguliariai peržiūrėtų ar pataisytų rezultatus.

Pavyzdžiui, automatizuota dokumentų apdorojimo sistema gali sutrumpinti duomenų įvedimo laiką, tačiau vis tiek reikalauja, kad finansų darbuotojai peržiūrėtų daugelį išimčių.

Jei įmonė vertina tik apdorojimo greitį, ji gali nepastebėti to papildomo darbo sąnaudų.

Prieš plečiant veiklą, įmonės turėtų įvertinti visas veiklos sąnaudas.

Tai apima infrastruktūrą, programinės įrangos naudojimą, integracijos priežiūrą, techninę pagalbą ir darbuotojų įsitraukimą.

Be to, jos turėtų palyginti šias išlaidas su nauda, kurią teikia sistema.

Pigesnis AI modelis nebūtinai yra geresnis pasirinkimas, jei darbuotojai praleidžia žymiai daugiau laiko taisydami jo klaidas.

Tikrasis sėkmės rodiklis yra ne tai, kaip pigiai AI sukuria rezultatą, o tai, kaip efektyviai ji padeda įmonei atlikti naudingą užduotį.

8. Laipsniškas diegimas sumažina gamybos riziką

Viena didžiausių klaidų, kurią gali padaryti įmonės, – įdiegti AI visuose skyriuose iškart po sėkmingo bandomojo projekto.

Visiškas diegimas gali apsunkinti problemų nustatymą, nes daug vartotojų ir sistemų vienu metu pradeda priklausyti nuo šios technologijos.

Laipsniškas diegimas suteikia daugiau kontrolės.

Įmonės gali pradėti naudoti AI kartu su esamais procesais, neleidžiant jai daryti pokyčių realiuoju laiku.

Tai leidžia darbuotojams palyginti AI rezultatus su įprastais verslo sprendimais ir nustatyti klaidas.

Kitas žingsnis galėtų būti sistemos įdiegimas viename skyriuje arba nedidelėje vartotojų grupėje.

Šiame etape įmonė turėtų stebėti atsakymo trukmę, tikslumą, sistemos gedimus, darbuotojų atsiliepimus ir eksploatacijos išlaidas.

Kai veikimas stabilizuojasi, įmonė gali išplėsti naudojimą.

Pavyzdžiui, įmonė, diegianti AI pagrįstą sąskaitų apdorojimą, galėtų pradėti nuo vienos tiekėjų grupės.

Įsitikinusi, kad dokumentų išgava, patvirtinimo taisyklės ir ERP sąsajos veikia tinkamai, ji gali įtraukti papildomus tiekėjus.

Jei iškiltų problemų, įmonė galėtų jas ištaisyti, kol sistema dar neveikia su daug didesniu sandorių skaičiumi.

Kiekviename diegimo plane taip pat turėtų būti paaiškinta, kaip grįžti prie ankstesnio proceso, jei kas nors nepavyktų.

Darbuotojams reikia patikimos alternatyvos, kai automatizuota sistema tampa nepasiekiama.

Tai užkerta kelią tam, kad techninis gedimas visiškai sustabdytų svarbią verslo veiklą.

9. AI reikia stebėti po paleidimo

AI sistemos paleidimas nereiškia, kad jos kūrimas ir testavimas baigti.

Verslo informacija keičiasi. Klientai užduoda naujus klausimus, darbuotojai laikosi atnaujintų procedūrų, o su ja susijusi programinė įranga gauna atnaujinimus.

Šie pokyčiai gali paveikti AI veikimą.

Sistema, kuri šiandien veikia gerai, po kelių mėnesių gali pateikti mažiau patikimus rezultatus.

Įmonės turėtų reguliariai vertinti tikslumą, atsakymo trukmę, nesėkmingus užklausimus, darbuotojų atliktus pataisymus ir eksploatacijos išlaidas.

Jos taip pat turėtų rinkti atsiliepimus iš sistemos naudotojų.

Jei darbuotojai nuolat taiso to paties tipo klaidas, įmonė turi išsiaiškinti, kodėl taip vyksta.

Problema gali būti susijusi su pasenusia informacija, neteisinga verslo taisykle arba integracija, kuri nebeveikia tinkamai.

Reguliari stebėsena padeda komandoms anksti nustatyti šias problemas.

Be to, tai suteikia pagrindą nuspręsti, kada sistemą reikia tobulinti arba ar ji jau pasirengusi aptarnauti papildomus skyrius.

Paskutinės mintys

Sėkmingi AI bandomieji projektai yra svarbus pirmasis žingsnis, tačiau jie negarantuoja sėkmės kasdienėje verslo veikloje.

Iššūkiai dažnai kyla tada, kai AI turi apdoroti realią informaciją, susieti su esamomis sistemomis, aptarnauti daugiau vartotojų ir veikti be nuolatinės kūrėjų pagalbos.

Įmonės gali sumažinti šias problemas, prieš diegimą išbandydamos realistiškas situacijas, patikrindamos saugumą, aiškiai paskirstydamos atsakomybę ir suplanuodamos diegimo išlaidas.

Laipsniškas diegimas taip pat suteikia komandoms laiko nustatyti problemas ir pagerinti veikimą prieš tolesnę plėtrą.

AI projektai neturėtų būti vertinami tik pagal tai, kaip gerai jie veikia demonstravimo metu.

Tikrasis išbandymas prasideda tada, kai technologija tampa kasdienės verslo veiklos dalimi ir turi užtikrinti patikimus rezultatus nesukeldama papildomų problemų.