Kāpēc mākslīgā intelekta pilotprojekti nespēj attīstīties plašākā mērogā un kā uzņēmumi var to labot

Ievads

Mākslīgā intelekta projekts var šķist veiksmīgs testēšanas posmā, taču, sākot to izmantot ikdienas darbībā, uzņēmums var saskarties ar nopietnām problēmām.

Neliels izmēģinājuma projekts var precīzi apstrādāt rēķinus, atbildēt uz klientu jautājumiem vai palīdzēt darbiniekiem ātrāk pabeigt uzdevumus. Rezultāti izskatās daudzsološi, un vadība nolemj ieviest sistēmu visā uzņēmumā.

Taču, tiklīdz to sāk izmantot vairāk cilvēku, parādās problēmas.

Mākslīgais intelekts nespēj tikt galā ar negaidītiem pieprasījumiem. Dažas uzņēmuma sistēmas nespēj pareizi apmainīties ar informāciju. Darbinieki secina, ka rīkam ir nepieciešams lielāks manuāls atbalsts, nekā tika gaidīts. Sāk pieaugt arī ekspluatācijas izmaksas.

Tas ne vienmēr nozīmē, ka sākotnējais AI projekts bija slikti izstrādāts.

Problēma ir tā, ka veiksmīgs izmēģinājuma projekts un uzticama ražošanas sistēma ir divas atšķirīgas lietas.

AI ieviešanai ražošanā nepieciešams kas vairāk nekā tikai labi testa rezultāti. Uzņēmumiem jāgatavojas reāliem datiem, lielākai darba slodzei, sistēmas kļūmēm, drošības jautājumiem un nepārtrauktai atbalsta nodrošināšanai.

Šo izaicinājumu izpratne pirms ieviešanas var novērst to, ka daudzsološs AI projekts kļūst par dārgu darbības problēmu.

1. Veiksmīgs izmēģinājums negarantē gatavību ražošanai

AI pilotprojekti parasti tiek izstrādāti kontrolētā vidē.

Izstrādes komanda zina, kādu problēmu sistēmai ir jāatrisina. Testu dati bieži vien tiek sagatavoti iepriekš, un lietojumprogrammu izmanto tikai neliela darbinieku grupa.

Šādi apstākļi atvieglo tehnoloģijas iespēju demonstrēšanu.

Tomēr ikdienas uzņēmējdarbība reti kad ir tik paredzama.

Iedomāsimies uzņēmumu, kas testē mākslīgo intelektu rēķinu apstrādei.

Izmēģinājuma posmā komanda iesniedz 100 rēķinus lasāmā formātā ar pilnīgu informāciju par piegādātājiem. Sistēma precīzi izgūst nepieciešamos datus un sniedz noderīgus rezultātus.

Pēc ieviešanas tā saņem rēķinus no simtiem piegādātāju.

Daži dokumenti ir slikti ieskenēti. Citi satur dažādas valūtas, trūkst pasūtījuma numuru vai tiem ir neierasts izkārtojums.

Tagad AI var būt nepieciešama lielāka manuāla korekcija, nekā tika gaidīts.

Sākotnējais tests parādīja, ka tehnoloģija spēj veikt konkrētu uzdevumu. Tas nepierādīja, ka sistēma spēj tikt galā ar katru situāciju, ar ko uzņēmums saskarsies.

Pirms mēroga paplašināšanas uzņēmumiem jāidentificē apstākļi, kas palīdzēja pilotprojektam gūt panākumus, un jāizvērtē, vai šie apstākļi paliks nemainīgi ražošanas vidē.

2. Reāli uzņēmuma dati rada negaidītas problēmas

Datu kvalitāte ir viens no visbiežākajiem iemesliem, kāpēc AI sistēmām rodas grūtības pēc ieviešanas.

Testēšanas laikā komandas bieži strādā ar atlasītu informāciju, kas ir precīza, sakārtota un viegli apstrādājama.

Ražošanas sistēmām ir jāstrādā ar informāciju, kas iegūta ikdienas uzņēmējdarbības gaitā.

Šajos datos var būt dublikāti, novecojusi informācija, trūkstoši lauki un nesaskaņoti formāti.

Piemēram, AI klientu apkalpošanas asistents var labi darboties, atbildot uz jautājumiem no apstiprinātas zināšanu bāzes.

Tomēr uzņēmums vēlāk var to savienot ar produktu ierakstiem, klientu kontiem un atbalsta dokumentiem.

Ja šajos avotos ir pretrunīga informācija, asistents var sniegt nepareizas atbildes.

Vienā sistēmā produkts var šķist pieejams, bet citā sistēmā tiek norādīts, ka tas ir izpārdots.

Bez skaidriem biznesa noteikumiem AI nevar uzticami atrisināt katru nesaskaņu.

Tāpēc uzņēmumiem pirms ieviešanas būtu jātestē mākslīgais intelekts, izmantojot reālistisku informāciju.

Tām ir nepieciešami arī darbinieki, kas atbild par datu kvalitātes uzturēšanu un problēmu novēršanu, tiklīdz tās rodas.

Labi rezultāti, kas iegūti no rūpīgi sagatavotiem datiem, ir noderīgi, taču tie nav pietiekami, lai pierādītu, ka sistēma ir gatava ikdienas lietošanai.

3. Esošās biznesa sistēmas var nedarboties vienoti

Daudzi AI izmēģinājuma projekti darbojas neatkarīgi no programmatūras, ko uzņēmums izmanto ikdienā.

Izstrādātāji var manuāli augšupielādēt paraugfailus vai savienot AI ar pagaidu datu bāzi.

Tas ir pieņemami sākotnējās testēšanas posmā, jo galvenais mērķis ir saprast, vai ideja darbojas.

Ražošanai ir nepieciešams kaut kas uzticamāks.

AI var būt nepieciešams apmainīties ar informāciju ar CRM programmatūru, ERP platformām, finanšu lietojumprogrammām, klientu atbalsta rīkiem un iekšējām datu bāzēm.

Šie savienojumi rada jaunas problēmas.

AI pārdošanas asistents var atrast daudzsološu potenciālo klientu, bet neizdosies atjaunināt CRM.

Rēķinu apstrādes rīks varētu iegūt pareizo summu, bet nosūtīt informāciju formātā, ko grāmatvedības sistēma nevar pieņemt.

Abos gadījumos mākslīgais intelekts veic uzticēto uzdevumu, taču plašākais biznesa process paliek nepabeigts.

Pirms ieviešanas komandām vajadzētu pārbaudīt pilnu darba plūsmu, tostarp to, kas notiek, ja kāda cita sistēma kļūst nepieejama.

Noderīgs resurss ir šis ceļvedis par to, kā pārnest AI pilotprojektus ražošanā, kurā izskaidrots, kā uzņēmumi var pārbaudīt datu gatavību, sistēmas uzticamību, drošību un darbības prasības, pirms paplašina AI izmantošanu.

Mērķim jābūt panākt, lai AI darbotos uzticami esošajos biznesa procesos, nevis vienkārši savienotu vēl vienu lietojumprogrammu.

4. Ražošanas testēšanai jāaptver vairāk nekā tikai precizitāte

Izmēģinājuma projektā bieži vien galvenā uzmanība tiek pievērsta tam, vai AI sniedz pareizo atbildi vai pilda paredzēto uzdevumu.

Precizitāte ir svarīga, taču tā ir tikai viena no ražošanas testēšanas sastāvdaļām.

Uzņēmumiem ir arī jāizprot, kā sistēma darbojas, ja tai vienlaikus piekļūst vairāki lietotāji, ja trūkst informācijas vai ja parādās negaidīts pieprasījums.

Pieņemsim, ka AI palīgs testēšanas laikā apstrādā 20 sarunas ar klientiem.

Tas var atbildēt ātri un precīzi.

Bet kas notiek, ja noslogotā laikā to mēģina izmantot 500 klienti?

Atbildes laiks var palielināties. Daži pieprasījumi var neizdoties, un katras sarunas apstrādes izmaksas var pieaugt.

Ražošanas testēšanas plānā jāizvērtē vairākas jomas:

• Precizitāte reālajos apstākļos: vai sistēma spēj apstrādāt nepilnīgu, neparastu vai nepareizi noformētu informāciju?
• Veiktspēja: vai sistēma uzticami reaģē, palielinoties lietošanas apjomam?
• Integrācija: vai sistēma spēj pareizi apmainīties ar informāciju ar savienotajām uzņēmuma lietojumprogrammām?
• Drošība: vai sistēma aizsargā konfidenciālu informāciju un ievēro piekļuves ierobežojumus?
• Kļūdu apstrāde: Kas notiek, ja AI modelis vai cits pakalpojums kļūst nepieejams?
• Cilvēka pārbaude: vai darbinieki var labot kļūdas un pārņemt sarežģītus gadījumus?

Šiem testiem jāatspoguļo, kā uzņēmums faktiski izmantos sistēmu.

Uzņēmumam pirms sistēmas ieviešanas būtu arī jāvienojas par pieņemamu veiktspēju.

Piemēram, vadība var noteikt mērķus attiecībā uz veiksmīgu uzdevumu izpildi, apstrādes laiku un to gadījumu skaitu, kas prasa manuālu pārskatīšanu.

Ja mērķi nav saskaņoti, komandām var būt grūti izlemt, vai sistēma ir gatava.

5. Drošības riski palielinās, ja AI izmanto vairāk cilvēku

Neliels AI izmēģinājuma projekts var būt pieejams tikai nedaudziem darbiniekiem, kuri izmanto ierobežotu informāciju.

Pēc ieviešanas visā uzņēmumā tā pati sistēma var apstrādāt klientu datus, finanšu dokumentus, darbinieku informāciju un konfidenciālu uzņēmuma informāciju.

Tas rada papildu atbildību par drošību.

Uzņēmumiem ir jāizprot, kuriem darbiniekiem ir piekļuve AI lietojumprogrammai un kādu informāciju tā var iegūt.

Piemēram, klientu atbalsta darbiniekam nevajadzētu automātiski saņemt piekļuvi konfidenciāliem finanšu datiem tikai tāpēc, ka abas nodaļas izmanto vienu un to pašu AI platformu.

Uzņēmumiem būtu arī jāpārskata, kā informācija pārvietojas starp sistēmām un vai ārējie pakalpojumu sniedzēji apstrādā vai glabā uzņēmuma datus.

Pirms plašākas ieviešanas ir jāievieš atļauju kontrole, darbību reģistri, droši savienojumi un skaidri datu apstrādes noteikumi.

Drošības pārbaudes jāturpina arī pēc ieviešanas, jo īpaši tad, ja tiek pieslēgtas jaunas nodaļas vai datu avoti.

AI mēroga paplašināšana, nepārskatot šos kontroles pasākumus, var pakļaut riskam informāciju, kuru nekad nebija paredzēts dalīt.

6. Neskaidra atbildība apgrūtina ražošanas problēmu risināšanu

Izmēģinājuma posmā izstrādātāji bieži vien rūpīgi uzrauga sistēmu.

Ja kaut kas neizdodas, projekta komanda var izmeklēt un novērst problēmu.

Šāda kārtība kļūst sarežģīta, kad AI sāk atbalstīt ikdienas biznesa darbības.

Kas reaģēs, ja sistēma pārstās darboties ārpus darba laika?

Kas lemj, vai nepareizs ieteikums ir pietiekami nopietns, lai apturētu automatizāciju?

Kas atjauninās uzņēmuma informāciju, ja mainīsies uzņēmuma politikas?

Uz šiem jautājumiem ir jāatrod atbildes pirms sistēmas ieviešanas.

Ražošanas AI sistēmai jābūt skaidriem pienākumiem gan tehniskajās, gan biznesa komandās.

Programmatūras problēmas var risināt izstrādātāji, savukārt nodaļu vadītāji pārbauda, vai mākslīgais intelekts nodrošina noderīgus biznesa rezultātus.

Darbības komandas var uzraudzīt sistēmas pieejamību, un darbinieki var risināt gadījumus, kuros nepieciešams cilvēka spriedums.

Bez šādas struktūras problēmas var palikt neatrisinātas, kamēr komandas nevar vienoties par to, kam jāuzņemas atbildība.

Skaidri noteiktas atbildības jomas atvieglo veiktspējas uzturēšanu un ļauj ātri reaģēt, ja kaut kas noiet greizi.

7. Izmaksas var strauji pieaugt pēc ieviešanas

Mākslīgā intelekta izmēģinājuma projekti parasti ietver ierobežotu lietošanu, kas atvieglo izmaksu kontroli.

Ražošanas sistēmās situācija var būt atšķirīga.

Lielāks lietotāju skaits var nozīmēt papildu modeļu pieprasījumus, augstākas mākoņpakalpojumu izmaksas, lielāku datu uzglabāšanas apjomu un stingrākas uzraudzības prasības.

Dažās AI darba plūsmās darbiniekiem var būt nepieciešams regulāri pārskatīt vai labot rezultātus.

Piemēram, automatizēta dokumentu apstrādes sistēma var samazināt datu ievades laiku, taču finanšu darbiniekiem joprojām ir jāpārskata daudzi izņēmumi.

Ja uzņēmums novērtē tikai apstrādes ātrumu, tas var nepamanīt šī papildu darba izmaksas.

Uzņēmumiem pirms mēroga paplašināšanas ir jāaprēķina pilnās ekspluatācijas izmaksas.

Tās ietver infrastruktūru, programmatūras izmantošanu, integrācijas uzturēšanu, tehnisko atbalstu un darbinieku iesaistīšanos.

Tām būtu arī jāsalīdzina šīs izmaksas ar sistēmas sniegto vērtību.

Lētāks AI modelis nebūt nav labākais risinājums, ja darbinieki veltī ievērojami vairāk laika tā kļūdu labošanai.

Patiesais panākumu rādītājs nav tas, cik lēti AI rada rezultātu, bet gan tas, cik efektīvi tas palīdz uzņēmumam paveikt noderīgu uzdevumu.

8. Pakāpeniska ieviešana samazina ražošanas risku

Viena no lielākajām kļūdām, ko uzņēmumi var pieļaut, ir AI ieviešana visos nodaļās uzreiz pēc veiksmīga izmēģinājuma.

Pilnīga ieviešana var apgrūtināt problēmu identificēšanu, jo daudzi lietotāji un sistēmas vienlaikus sāk paļauties uz šo tehnoloģiju.

Pakāpeniska pieeja nodrošina lielāku kontroli.

Uzņēmumi var sākt ar AI izmantošanu paralēli esošajam procesam, neļaujot tai veikt izmaiņas reāllaikā.

Tas ļauj darbiniekiem salīdzināt AI rezultātus ar parastajiem biznesa lēmumiem un identificēt kļūdas.

Nākamais solis varētu būt sistēmas ieviešana vienā nodaļā vai nelielā lietotāju grupā.

Šajā posmā uzņēmumam būtu jāuzrauga reaģēšanas laiki, precizitāte, sistēmas kļūmes, darbinieku atsauksmes un ekspluatācijas izmaksas.

Kad sistēmas darbība ir stabilizējusies, uzņēmums var paplašināt tās izmantošanu.

Piemēram, uzņēmums, kas ievieš ar AI balstītu rēķinu apstrādi, var sākt ar vienu piegādātāju grupu.

Pēc tam, kad ir pārliecināts, ka dokumentu izvilkšana, apstiprināšanas noteikumi un ERP savienojumi darbojas pareizi, var iekļaut papildu piegādātājus.

Ja rodas problēmas, uzņēmums var tās novērst, pirms sistēma ietekmē daudz lielāku darījumu apjomu.

Katrā ieviešanas plānā būtu jāpaskaidro arī, kā atgriezties pie iepriekšējā procesa, ja kaut kas noiet greizi.

Darbiniekiem ir nepieciešama uzticama alternatīva gadījumam, ja automatizētā sistēma kļūst nepieejama.

Tas novērš situāciju, kad tehniska kļūme pilnībā apturētu svarīgu uzņēmuma darbību.

9. AI ir jāuzrauga pēc ieviešanas

AI sistēmas ieviešana nenozīmē, ka izstrāde un testēšana ir pabeigta.

Uzņēmuma informācija mainās. Klienti uzdod jaunus jautājumus, darbinieki ievēro atjauninātās procedūras, un saistītā programmatūra saņem atjauninājumus.

Šīs izmaiņas var ietekmēt AI darbību.

Sistēma, kas šodien darbojas labi, pēc dažiem mēnešiem var sniegt mazāk uzticamus rezultātus.

Uzņēmumiem regulāri jāpārskata precizitāte, atbildes laiki, neizpildītie pieprasījumi, darbinieku veiktie labojumi un ekspluatācijas izmaksas.

Tām būtu arī jāapkopo atsauksmes no sistēmas lietotājiem.

Ja darbinieki atkārtoti labo viena veida kļūdas, uzņēmumam ir jāizprot, kāpēc tā notiek.

Problēma var būt saistīta ar novecojušu informāciju, nepareizu biznesa noteikumu vai integrāciju, kas vairs nedarbojas pareizi.

Regulāra uzraudzība palīdz komandām savlaicīgi identificēt šīs problēmas.

Tas sniedz arī pamatojumu lēmuma pieņemšanai par to, kad sistēma ir jāuzlabo vai vai tā ir gatava atbalstīt papildu nodaļas.

Nobeiguma pārdomas

Veiksmīgi AI izmēģinājumi ir svarīgs pirmais solis, taču tie negarantē panākumus ikdienas uzņēmējdarbībā.

Izaicinājumi bieži rodas, kad AI jāapstrādā reāla informācija, jāsavienojas ar esošajām sistēmām, jāatbalsta lielāks lietotāju skaits un jādarbojas bez pastāvīgas izstrādātāju palīdzības.

Uzņēmumi var mazināt šīs problēmas, pirms ieviešanas testējot reālistiskas situācijas, pārbaudot drošību, skaidri sadalot atbildības jomas un plānojot ražošanas izmaksas.

Pakāpeniska ieviešana arī dod komandām laiku, lai identificētu problēmas un uzlabotu veiktspēju, pirms tiek veikta tālāka paplašināšanās.

AI projektus nevajadzētu vērtēt tikai pēc tā, cik labi tie darbojas demonstrācijas laikā.

Īstais pārbaudījums sākas tad, kad tehnoloģija kļūst par ikdienas uzņēmējdarbības sastāvdaļu un tai jānodrošina uzticami rezultāti, neradot papildu problēmas.