Prečo sa pilotné projekty v oblasti umelej inteligencie nedarí rozšíriť a ako to môžu firmy napraviť

Úvod

Projekt umelej inteligencie môže počas testovania vyzerať úspešne, no napriek tomu môže narážať na vážne problémy, keď ho spoločnosť začne využívať v každodennom prevádzkovom prostredí.

Malý pilotný projekt môže presne spracovávať faktúry, odpovedať na otázky zákazníkov alebo pomáhať zamestnancom rýchlejšie plniť úlohy. Výsledky vyzerajú sľubne a vedenie sa rozhodne zaviesť systém v celej spoločnosti.

Akonáhle ho však začne používať viac ľudí, objavujú sa problémy.

AI má problémy s neočakávanými požiadavkami. Niektoré podnikové systémy nedokážu správne vymieňať informácie. Zamestnanci zistia, že nástroj vyžaduje viac manuálnej podpory, než sa očakávalo. Začnú stúpať aj prevádzkové náklady.

To nemusí vždy znamenať, že pôvodný projekt umelej inteligencie bol zle navrhnutý.

Problémom je, že úspešný pilotný projekt a spoľahlivý produkčný systém sú dve odlišné veci.

Zavedenie umelej inteligencie do prevádzky si vyžaduje viac než len dobré výsledky testov. Firmy sa musia pripraviť na reálne dáta, väčšie pracovné zaťaženie, zlyhania systému, bezpečnostné riziká a nepretržitú podporu.

Pochopenie týchto výziev pred spustením do prevádzky môže zabrániť tomu, aby sa sľubný projekt umelej inteligencie stal nákladným prevádzkovým problémom.

1. Úspešný pilotný projekt nezaručuje pripravenosť na produkčné nasadenie

Pilotné projekty umelej inteligencie sa zvyčajne vyvíjajú v kontrolovanom prostredí.

Vývojový tím vie, aký problém má systém riešiť. Testovacie údaje sú často pripravené vopred a aplikáciu používa len malá skupina zamestnancov.

Tieto podmienky uľahčujú demonštrovanie toho, čo táto technológia dokáže dosiahnuť.

Každodenné obchodné operácie sú však málokedy takéto predvídateľné.

Predstavme si spoločnosť, ktorá testuje umelú inteligenciu na spracovanie faktúr.

Počas pilotnej fázy tím poskytne 100 faktúr v čitateľných formátoch s úplnými informáciami o dodávateľoch. Systém presne extrahuje požadované údaje a poskytuje užitočné výsledky.

Po nasadení však dostáva faktúry od stoviek dodávateľov.

Niektoré dokumenty sú zle naskenované. Iné obsahujú rôzne meny, chýbajúce čísla objednávok alebo neznáme rozloženie.

Umelá inteligencia teraz môže vyžadovať viac ručných opráv, než sa očakávalo.

Pôvodný test ukázal, že technológia dokáže vykonávať konkrétnu úlohu. Nepreukázal však, že systém zvládne každú situáciu, s ktorou sa podnik stretne.

Pred rozšírením by spoločnosti mali identifikovať podmienky, ktoré prispeli k úspechu pilotného projektu, a preskúmať, či tieto podmienky zostanú v produkčnom prostredí nezmenené.

2. Skutočné obchodné údaje spôsobujú neočakávané problémy

Kvalita údajov je jedným z najčastejších dôvodov, prečo systémy umelej inteligencie po nasadení zápasia s problémami.

Počas testovania tímy často pracujú s vybranými informáciami, ktoré sú presné, usporiadané a ľahko spracovateľné.

Produkčné systémy musia pracovať s informáciami zhromaždenými v rámci každodenných obchodných činností.

Tieto údaje môžu obsahovať duplicitné záznamy, neaktuálne údaje, chýbajúce polia a nekonzistentné formáty.

Napríklad asistent umelej inteligencie v zákazníckom servise môže fungovať dobre pri odpovediach na otázky zo schválenej znalostnej bázy.

Spoločnosť ho však neskôr môže prepojiť so záznamami o produktoch, zákazníckymi účtami a podpornými dokumentmi.

Ak tieto zdroje obsahujú protichodné informácie, asistent by mohol poskytovať nesprávne odpovede.

Produkt sa môže v jednom systéme javiť ako dostupný, zatiaľ čo iný systém ukazuje, že je vypredaný.

AI nedokáže spoľahlivo vyriešiť každý nesúlad bez jasných obchodných pravidiel.

Spoločnosti by preto mali umelú inteligenciu pred nasadením otestovať s použitím realistických informácií.

Potrebujú tiež ľudí zodpovedných za udržanie kvality údajov a opravu problémov hneď, ako sa objavia.

Dobré výsledky z starostlivo pripravených údajov sú užitočné, ale nestačia na to, aby dokázali, že systém je pripravený na každodenné používanie.

3. Existujúce obchodné systémy nemusia spolu hladko spolupracovať

Mnohé pilotné projekty umelej inteligencie fungujú nezávisle od softvéru, ktorý spoločnosť používa každý deň.

Vývojári môžu vzorové súbory nahrať ručne alebo pripojiť umelú inteligenciu k dočasnej databáze.

To je prijateľné počas počiatočného testovania, pretože hlavným cieľom je zistiť, či daná myšlienka funguje.

Pre produkčné prostredie je však potrebné niečo spoľahlivejšie.

AI môže potrebovať vymieňať si informácie so softvérom CRM, platformami ERP, finančnými aplikáciami, nástrojmi zákazníckej podpory a internými databázami.

Tieto prepojenia prinášajú nové výzvy.

AI asistent predaja môže identifikovať sľubného potenciálneho zákazníka, ale zlyhať pri pokuse o aktualizáciu CRM.

Nástroj na spracovanie faktúr môže síce vypočítať správnu sumu, ale odoslať informácie vo formáte, ktorý účtovný systém nedokáže akceptovať.

V oboch prípadoch umelá inteligencia vykoná zadanú úlohu, ale širší obchodný proces zostane neúplný.

Pred nasadením by tímy mali otestovať celý pracovný tok, vrátane toho, čo sa stane, ak iný systém nebude k dispozícii.

Užitočným zdrojom je táto príručka o tom, ako prejsť od pilotných projektov umelej inteligencie k produkčnému nasadeniu, ktorá vysvetľuje, ako môžu podniky skontrolovať pripravenosť údajov, spoľahlivosť systému, bezpečnosť a prevádzkové požiadavky pred rozšírením umelej inteligencie.

Cieľom by malo byť zabezpečiť, aby umelá inteligencia spoľahlivo fungovala v rámci existujúcich obchodných procesov, a nie len jednoducho pripojiť ďalšiu aplikáciu.

4. Testovanie v produkčnom prostredí musí zahŕňať viac než len presnosť

Pilotný projekt sa často zameriava na to, či umelá inteligencia poskytuje správnu odpoveď alebo splní očakávanú úlohu.

Presnosť je dôležitá, ale je to len jedna časť testovania v produkčnom prostredí.

Podniky musia tiež pochopiť, ako systém funguje, keď k nemu pristupuje viacero používateľov súčasne, keď chýbajú informácie alebo keď sa objaví neočakávaná požiadavka.

Predpokladajme, že asistent umelej inteligencie počas testovania vybaví 20 konverzácií so zákazníkmi.

Môže reagovať rýchlo a presne.

Ale čo sa stane, keď sa ho počas rušného obdobia pokúsi využiť 500 zákazníkov?

Doba odozvy sa môže predĺžiť. Niektoré požiadavky môžu zlyhať a náklady na spracovanie každého rozhovoru by mohli stúpnuť.

Plán testovania v produkčnom prostredí by mal skúmať niekoľko oblastí:

• Presnosť v reálnych podmienkach: Dokáže systém spracovať neúplné, nezvyčajné alebo nesprávne formátované informácie?
• Výkon: Reaguje spoľahlivo pri zvýšenom zaťažení?
• Integrácia: Dokáže správne vymieňať informácie s prepojenými podnikovými aplikáciami?
• Bezpečnosť: Chráni citlivé informácie a dodržiava obmedzenia prístupu?
• Riešenie porúch: Čo sa stane, keď model umelej inteligencie alebo iná služba nebude k dispozícii?
• Ľudská kontrola: Môžu zamestnanci opravovať chyby a prevziať zložité prípady?

Tieto testy by mali odrážať, ako bude firma systém skutočne využívať.

Spoločnosť by sa tiež mala pred spustením dohodnúť na prijateľnej úrovni výkonu.

Vedenie môže napríklad stanoviť ciele pre úspešné dokončenie úloh, čas spracovania a počet prípadov vyžadujúcich manuálnu kontrolu.

Bez dohodnutých cieľov môžu mať tímy ťažkosti s rozhodnutím, či je systém pripravený.

5. Bezpečnostné riziká sa zvyšujú, keď umelú inteligenciu používa viac ľudí

Malý pilotný projekt umelej inteligencie môže byť prístupný len niekoľkým zamestnancom, ktorí využívajú obmedzené informácie.

Po nasadení v celej spoločnosti by ten istý systém mohol spracovávať záznamy o zákazníkoch, finančné dokumenty, údaje o zamestnancoch a dôverné obchodné informácie.

To so sebou prináša ďalšie povinnosti v oblasti bezpečnosti.

Podniky musia vedieť, ktorí zamestnanci majú prístup k aplikácii umelej inteligencie a aké informácie môže táto aplikácia získavať.

Pracovník zákazníckej podpory by napríklad nemal automaticky získať prístup k dôverným finančným záznamom len preto, že obe oddelenia používajú tú istú platformu umelej inteligencie.

Spoločnosti by mali tiež preskúmať, ako sa informácie prenášajú medzi systémami a či externí poskytovatelia spracúvajú alebo uchovávajú obchodné údaje.

Pred širším nasadením by mali byť zavedené kontroly oprávnení, záznamy o aktivitách, zabezpečené pripojenia a jasné pravidlá nakladania s údajmi.

Bezpečnostné kontroly by mali pokračovať aj po spustení, najmä v prípade pripojenia nových oddelení alebo zdrojov údajov.

Rozširovanie umelej inteligencie bez prehodnotenia týchto kontrolných mechanizmov môže vystaviť riziku zverejnenia informácií, ktoré nikdy nemali byť zdieľané.

6. Nejasné vlastníctvo sťažuje riešenie problémov vo výrobe

Počas pilotnej fázy vývojári často dôkladne monitorujú systém.

Ak niečo zlyhá, projektový tím môže problém vyšetriť a odstrániť.

Toto usporiadanie sa stáva problematickým, keď umelá inteligencia začne podporovať každodenné obchodné operácie.

Kto zareaguje, ak systém prestane fungovať mimo pracovnej doby?

Kto rozhodne, či je nesprávne odporúčanie natoľko závažné, aby sa automatizácia pozastavila?

Kto aktualizuje obchodné informácie, keď sa zmenia firemné zásady?

Na tieto otázky je potrebné nájsť odpovede ešte pred nasadením systému.

Produkčný systém umelej inteligencie by mal mať jasne rozdelené zodpovednosti medzi technickými a obchodnými tímami.

Vývojári môžu riešiť softvérové problémy, zatiaľ čo vedúci oddelení posudzujú, či umelá inteligencia prináša užitočné obchodné výsledky.

Prevádzkové tímy môžu monitorovať dostupnosť systému a zamestnanci môžu riešiť prípady, ktoré si vyžadujú ľudský úsudok.

Bez tejto štruktúry môžu problémy zostať nevyriešené, keďže tímy sa nedokážu dohodnúť na tom, kto by mal prevziať zodpovednosť.

Jasné rozdelenie zodpovednosti uľahčuje udržanie výkonu a rýchlu reakciu, keď sa niečo pokazí.

7. Náklady môžu po nasadení rýchlo stúpať

Pilotné projekty umelej inteligencie zvyčajne zahŕňajú obmedzené využitie, vďaka čomu je ľahšie kontrolovať náklady.

Produkčné systémy môžu byť odlišné.

Väčší počet používateľov môže znamenať dodatočné požiadavky na modely, vyššie náklady na cloud, väčšie úložisko dát a náročnejšie požiadavky na monitorovanie.

Niektoré pracovné postupy umelej inteligencie môžu tiež vyžadovať, aby zamestnanci pravidelne kontrolovali alebo opravovali výstupy.

Napríklad automatizovaný systém spracovania dokumentov môže skrátiť čas potrebný na zadávanie údajov, ale aj tak si môže vyžadovať, aby pracovníci finančného oddelenia preverovali mnohé výnimky.

Ak spoločnosť meria iba rýchlosť spracovania, môže prehliadnuť náklady na túto dodatočnú prácu.

Podniky by mali pred rozšírením odhadnúť celkové prevádzkové náklady.

Patria sem náklady na infraštruktúru, používanie softvéru, údržbu integrácie, technickú podporu a zapojenie zamestnancov.

Tieto náklady by mali tiež porovnať s prínosom, ktorý systém poskytuje.

Lacnejší model umelej inteligencie nemusí byť nutne lepšou voľbou, ak zamestnanci strávia podstatne viac času opravovaním jeho chýb.

Skutočným meradlom úspechu nie je to, ako lacno umelá inteligencia produkuje výstup, ale to, ako efektívne pomáha podniku splniť užitočnú úlohu.

8. Postupné zavádzanie znižuje riziko pri produkcii

Jednou z najväčších chýb, ktorú môžu spoločnosti urobiť, je zavedenie umelej inteligencie do všetkých oddelení ihneď po úspešnom pilotnom projekte.

Plné zavedenie môže sťažiť identifikáciu problémov, pretože mnohí používatelia a systémy začnú na túto technológiu závisieť súčasne.

Postupný prístup poskytuje väčšiu kontrolu.

Firmy môžu začať tým, že budú umelú inteligenciu prevádzkovať popri existujúcich procesoch bez toho, aby jej umožnili vykonávať zmeny v reálnom čase.

To umožňuje zamestnancom porovnávať výsledky umelej inteligencie s bežnými obchodnými rozhodnutiami a identifikovať chyby.

Ďalším krokom by mohlo byť zavedenie systému do jedného oddelenia alebo malej skupiny používateľov.

Počas tejto fázy by spoločnosť mala sledovať reakčné časy, presnosť, poruchy systému, spätnú väzbu od zamestnancov a prevádzkové náklady.

Akonáhle sa výkonnosť ustáli, môže firma rozšíriť jej využitie.

Napríklad spoločnosť, ktorá zavádza spracovanie faktúr s využitím umelej inteligencie, môže začať s jednou skupinou dodávateľov.

Po overení, že extrakcia dokumentov, pravidlá schvaľovania a prepojenia s ERP fungujú správne, môže pridať ďalších dodávateľov.

Ak sa objavia problémy, spoločnosť ich môže odstrániť skôr, ako systém ovplyvní oveľa väčší objem transakcií.

Každý plán zavádzania by mal tiež vysvetľovať, ako sa vrátiť k predchádzajúcemu procesu, ak niečo pôjde zle.

Zamestnanci potrebujú spoľahlivú alternatívu pre prípad, že automatizovaný systém nebude k dispozícii.

Tým sa zabráni tomu, aby technická porucha úplne zastavila dôležitú obchodnú činnosť.

9. Umelá inteligencia vyžaduje monitorovanie aj po spustení

Spustenie systému umelej inteligencie neznamená, že vývoj a testovanie sú ukončené.

Obchodné informácie sa menia. Zákazníci kladú nové otázky, zamestnanci postupujú podľa aktualizovaných postupov a prepojený softvér dostáva aktualizácie.

Tieto zmeny môžu ovplyvniť výkonnosť umelej inteligencie.

Systém, ktorý dnes funguje dobre, môže po niekoľkých mesiacoch poskytovať menej spoľahlivé výsledky.

Spoločnosti by mali pravidelne kontrolovať presnosť, časy odozvy, neúspešné požiadavky, opravy zo strany zamestnancov a prevádzkové náklady.

Mali by tiež zbierať spätnú väzbu od ľudí, ktorí systém používajú.

Ak zamestnanci opakovane opravujú rovnaký typ chyby, spoločnosť musí zistiť, prečo k tomu dochádza.

Problém môže súvisieť so zastaranými informáciami, nesprávnym obchodným pravidlom alebo integráciou, ktorá už nefunguje správne.

Pravidelné monitorovanie pomáha tímom včas identifikovať tieto problémy.

Poskytuje tiež podklady pre rozhodnutie, kedy je potrebné systém vylepšiť alebo či je pripravený podporovať ďalšie oddelenia.

Záver

Úspešné pilotné projekty v oblasti umelej inteligencie sú dôležitým prvým krokom, nezaručujú však úspech v každodennom prevádzkovaní podniku.

Výzvy sa často objavujú vtedy, keď musí umelá inteligencia spracovávať reálne informácie, prepojiť sa s existujúcimi systémami, podporovať väčší počet používateľov a fungovať bez neustálej pomoci vývojárov.

Podniky môžu tieto problémy zmierniť testovaním reálnych situácií, kontrolou bezpečnosti, stanovením jasných zodpovedností a plánovaním prevádzkových nákladov ešte pred nasadením.

Postupné zavádzanie tiež dáva tímom čas na identifikáciu problémov a zlepšenie výkonu pred ďalším rozširovaním.

Projekty umelej inteligencie by sa nemali posudzovať len podľa toho, ako dobre fungujú počas demonštrácie.

Skutočná skúška začína vtedy, keď sa technológia stane súčasťou každodenných obchodných činností a musí prinášať spoľahlivé výsledky bez vytvárania ďalších problémov.