Zakaj se umetna inteligenca ne more razširiti in kako lahko podjetja to rešijo

Uvod

Projekt umetne inteligence lahko med testiranjem izgleda uspešen, vendar se lahko pojavijo resne težave, ko ga podjetje začne uporabljati v vsakdanjem poslovanju.

Majhen pilotni projekt morda natančno obdeluje račune, odgovarja na vprašanja strank ali pomaga zaposlenim hitreje opraviti naloge. Rezultati so obetavni, zato se vodstvo odloči, da bo sistem uvedlo v celotnem podjetju.

Toda ko ga začne uporabljati več ljudi, se pojavijo težave.

Umetna inteligenca se spopada z nepričakovanimi zahtevami. Nekateri poslovni sistemi ne izmenjujejo informacij pravilno. Zaposleni ugotovijo, da orodje zahteva več ročne podpore, kot so pričakovali. Tudi stroški delovanja se začnejo povečevati.

To ne pomeni vedno, da je bil prvotni projekt umetne inteligence slabo zasnovan.

Problem je v tem, da sta uspešen pilotni projekt in zanesljiv produkcijski sistem dve različni stvari.

Prehod umetne inteligence v produkcijo zahteva več kot le dobre rezultate testiranja. Podjetja se morajo pripraviti na dejanske podatke, večje delovne obremenitve, okvare sistema, varnostna vprašanja in stalno podporo.

Razumevanje teh izzivov pred uvedbo lahko prepreči, da bi obetaven projekt umetne inteligence postal drag operativni problem.

1. Uspešen pilotni projekt ne zagotavlja pripravljenosti za produkcijo

Pilotni projekti umetne inteligence se običajno razvijajo v nadzorovanem okolju.

Razvojna ekipa ve, kateri problem mora sistem rešiti. Testni podatki so pogosto pripravljeni vnaprej, aplikacijo pa uporablja le majhna skupina zaposlenih.

Te razmere olajšajo prikazovanje zmožnosti tehnologije.

Vendar pa vsakodnevno poslovanje redko poteka tako predvidljivo.

Vzemimo za primer podjetje, ki preizkuša umetno inteligenco za obdelavo računov.

Med pilotnim projektom ekipa zagotovi 100 računov v berljivih formatih in s popolnimi podatki o dobaviteljih. Sistem natančno izloči potrebne podatke in prikaže koristne rezultate.

Po uvedbi v uporabo prejema račune od več sto dobaviteljev.

Nekateri dokumenti so slabo skenirani. Drugi vsebujejo različne valute, manjkajo številke naročil ali imajo neznane postavitve.

Umetna inteligenca morda zdaj zahteva več ročnega popravljanja, kot je bilo pričakovano.

Prvotni test je pokazal, da tehnologija lahko opravi določeno nalogo. Ni pa dokazal, da se sistem lahko spopade z vsako situacijo, s katero se bo podjetje srečalo.

Pred širitvijo morajo podjetja opredeliti pogoje, ki so pripomogli k uspehu pilotnega projekta, in preučiti, ali bodo ti pogoji ostali enaki tudi v produkcijskem okolju.

2. Resnični poslovni podatki povzročajo nepričakovane težave

Kakovost podatkov je eden najpogostejših razlogov, zaradi katerih imajo sistemi umetne inteligence težave po uvedbi.

Med testiranjem ekipe pogosto delajo z izbranimi informacijami, ki so točne, organizirane in enostavne za obdelavo.

Proizvodni sistemi morajo delovati z informacijami, zbranimi v okviru vsakodnevnih poslovnih dejavnosti.

Ti podatki lahko vsebujejo podvojene zapise, zastarele podatke, manjkajoča polja in neenotne formate.

Na primer, AI-pomočnik za storitve strankam lahko dobro deluje pri odgovarjanju na vprašanja iz odobrene baze znanja.

Vendar pa ga lahko podjetje kasneje poveže z zapisi o izdelkih, računi strank in podpornimi dokumenti.

Če ti viri vsebujejo nasprotujoče si informacije, bi pomočnik lahko podajal napačne odgovore.

Izdelek se lahko v enem sistemu prikaže kot razpoložljiv, medtem ko drug sistem kaže, da je zaloga izčrpana.

Umetna inteligenca brez jasnih poslovnih pravil ne more zanesljivo rešiti vsakega neskladja.

Podjetja bi zato morala umetno inteligenco pred uvedbo preizkusiti z realističnimi podatki.

Potrebujejo tudi osebe, odgovorne za vzdrževanje kakovosti podatkov in odpravljanje težav, ko se pojavijo.

Dobri rezultati na podlagi skrbno pripravljenih podatkov so koristni, vendar ne zadostujejo za dokaz, da je sistem pripravljen za vsakodnevno uporabo.

3. Obstoječi poslovni sistemi morda ne bodo nemoteno sodelovali

Mnogi pilotni projekti umetne inteligence delujejo neodvisno od programske opreme, ki jo podjetje uporablja vsak dan.

Razvijalci lahko vzorčne datoteke naložijo ročno ali umetno inteligenco povežejo z začasno bazo podatkov.

To je sprejemljivo v zgodnjih fazah testiranja, saj je glavni cilj ugotoviti, ali ideja deluje.

Za produkcijsko okolje je potrebno nekaj bolj zanesljivega.

Umetna inteligenca bo morda morala izmenjavati podatke s programsko opremo CRM, platformami ERP, finančnimi aplikacijami, orodji za podporo strankam in notranjimi bazami podatkov.

Te povezave prinašajo nove izzive.

AI prodajni asistent lahko prepozna obetavnega potencialnega kupca, vendar mu ne uspe posodobiti CRM-ja.

Orodje za obdelavo računov lahko izpiše pravi znesek, vendar pošlje podatke v formatu, ki ga računovodski sistem ne more sprejeti.

V obeh primerih umetna inteligenca opravi dodeljeno nalogo, vendar širši poslovni proces ostane nepopoln.

Pred uvedbo v uporabo morajo ekipe preizkusiti celoten potek dela, vključno s tem, kaj se zgodi, če drug sistem ni na voljo.

Koristen vir je ta vodnik o tem, kako preiti od pilotnih projektov umetne inteligence k produkciji, ki pojasnjuje, kako lahko podjetja pred širitvijo umetne inteligence preverijo pripravljenost podatkov, zanesljivost sistema, varnost in operativne zahteve.

Cilj mora biti, da umetna inteligenca zanesljivo deluje znotraj obstoječih poslovnih procesov, ne pa zgolj, da se poveže z drugo aplikacijo.

4. Testiranje v produkcijskem okolju mora zajemati več kot le natančnost

Pilotni projekt se pogosto osredotoča na to, ali umetna inteligenca poda pravilen odgovor ali opravi pričakovano nalogo.

Natančnost je pomembna, vendar je le en del testiranja v produkcijskem okolju.

Podjetja morajo razumeti tudi, kako sistem deluje, ko hkrati dostopa več uporabnikov, ko manjkajo podatki ali ko se pojavi nepričakovana zahteva.

Predpostavimo, da AI-pomočnik med testiranjem obdela 20 pogovorov s strankami.

Morda se odzove hitro in natančno.

Toda kaj se zgodi, ko ga v času konice poskuša uporabiti 500 strank?

Časi odziva se lahko podaljšajo. Nekatere zahteve se morda ne bodo uspešno obdelale, stroški obdelave vsakega pogovora pa se lahko povečajo.

Načrt testiranja v produkcijskem okolju mora preučiti več področij:

• Natančnost v realnem svetu: Ali sistem lahko obdeluje nepopolne, neobičajne ali slabo oblikovane informacije?
• Zmogljivost: Ali se zanesljivo odziva ob povečani uporabi?
• Integracija: Ali lahko pravilno izmenjuje podatke s povezanimi poslovnimi aplikacijami?
• Varnost: Ali ščiti občutljive podatke in upošteva omejitve dostopa?
• Obravnavanje napak: Kaj se zgodi, ko model umetne inteligence ali druga storitev ni več na voljo?
• Človeški pregled: Ali lahko zaposleni popravijo napake in prevzamejo zapletene primere?

Ti testi morajo odražati, kako bo podjetje sistem dejansko uporabljalo.

Podjetje se mora pred uvedbo v uporabo dogovoriti tudi o sprejemljivi zmogljivosti.

Na primer, vodstvo lahko določi cilje za uspešno izvedbo nalog, čas obdelave in število primerov, ki zahtevajo ročni pregled.

Brez dogovorjenih ciljev bodo ekipe morda imele težave pri odločitvi, ali je sistem pripravljen.

5. Varnostna tveganja se povečajo, ko umetno inteligenco uporablja več ljudi

Majhen pilotni projekt umetne inteligence je morda dostopen le nekaj zaposlenim, ki uporabljajo omejene podatke.

Ko se isti sistem razširi po celotnem podjetju, lahko obdeluje evidence strank, finančne dokumente, podatke o zaposlenih in zaupne poslovne informacije.

To ustvarja dodatne varnostne obveznosti.

Podjetja morajo razumeti, kateri zaposleni imajo dostop do aplikacije umetne inteligence in katere podatke lahko ta pridobi.

Zaposleni v oddelku za podporo strankam na primer ne bi smel samodejno dobiti dostopa do zaupnih finančnih podatkov zgolj zato, ker oba oddelka uporabljata isto platformo umetne inteligence.

Podjetja morajo prav tako preveriti, kako se podatki prenašajo med sistemi in ali zunanji ponudniki obdelujejo ali hranijo poslovne podatke.

Pred širšo uvedbo je treba vzpostaviti nadzor nad dovoljenji, evidence dejavnosti, varne povezave in jasna pravila za ravnanje s podatki.

Varnostne preglede je treba nadaljevati tudi po uvedbi, zlasti ob priključitvi novih oddelkov ali virov podatkov.

Širjenje umetne inteligence brez pregleda teh nadzornih mehanizmov lahko izpostavi podatke, ki niso bili nikoli namenjeni za delitev.

6. Nejasna lastniška ureditev otežuje reševanje težav v produkciji

Med pilotnim projektom razvijalci pogosto pozorno spremljajo sistem.

Če pride do napake, lahko projektna ekipa preišče in odpravi težavo.

Ta ureditev postane težavna, ko umetna inteligenca začne podpirati vsakodnevno poslovanje.

Kdo bo ukrepal, če sistem preneha delovati izven delovnega časa?

Kdo odloča, ali je napačno priporočilo dovolj resno, da je treba avtomatizacijo začasno ustaviti?

Kdo posodablja poslovne informacije, ko se spremenijo politike podjetja?

Na ta vprašanja je treba najti odgovore pred uvedbo sistema.

Proizvodni sistem umetne inteligence mora imeti jasno opredeljene odgovornosti v tehničnih in poslovnih ekipah.

Razvijalci lahko rešujejo težave s programsko opremo, medtem ko vodje oddelkov preverjajo, ali umetna inteligenca prinaša koristne poslovne rezultate.

Operativne ekipe lahko spremljajo razpoložljivost sistema, zaposleni pa lahko obravnavajo primere, ki zahtevajo človeško presojo.

Brez te strukture lahko težave ostanejo nerešene, medtem ko se ekipe ne strinjajo o tem, kdo naj prevzame odgovornost.

Jasna odgovornost olajša ohranjanje zmogljivosti in hitro odzivanje, ko pride do težav.

7. Stroški se lahko po uvedbi hitro povečajo

Pilotni projekti umetne inteligence običajno vključujejo omejeno uporabo, kar olajša nadzor nad stroški.

Proizvodni sistemi so lahko drugačni.

Več uporabnikov lahko pomeni dodatne zahteve po modelih, višje stroške za oblak, večje potrebe po shranjevanju podatkov in večje zahteve po spremljanju.

Nekateri delovni tokovi umetne inteligence lahko od zaposlenih zahtevajo tudi redno pregledovanje ali popravljanje izhodnih rezultatov.

Na primer, avtomatiziran sistem za obdelavo dokumentov lahko skrajša čas vnosa podatkov, vendar od finančnega osebja še vedno zahteva pregled številnih izjem.

Če podjetje meri le hitrost obdelave, lahko spregleda stroške tega dodatnega dela.

Podjetja morajo pred širitvijo oceniti celotne obratovalne stroške.

To vključuje infrastrukturo, uporabo programske opreme, vzdrževanje integracije, tehnično podporo in vključenost zaposlenih.

Te stroške morajo tudi primerjati z vrednostjo, ki jo sistem prinaša.

Cenejši model umetne inteligence ni nujno boljša izbira, če zaposleni porabijo znatno več časa za popravljanje njegovih napak.

Pravi merilec uspeha ni to, kako poceni je izhod umetne inteligence, ampak to, kako učinkovito pomaga podjetju pri opravljanju koristne naloge.

8. Postopno uvajanje zmanjšuje tveganje pri proizvodnji

Ena največjih napak, ki jih lahko podjetja storijo, je uvedba umetne inteligence v vsa oddelka takoj po uspešnem pilotnem projektu.

Popolna uvedba lahko oteži prepoznavanje težav, saj se veliko uporabnikov in sistemov hkrati začne zanašati na to tehnologijo.

Postopni pristop omogoča večji nadzor.

Podjetja lahko začnejo z izvajanjem umetne inteligence vzporedno z obstoječim procesom, ne da bi ji dovolila spreminjati podatke v realnem času.

To zaposlenim omogoča, da primerjajo rezultate umetne inteligence z običajnimi poslovnimi odločitvami in odkrijejo napake.

Naslednji korak bi lahko vključeval uvedbo sistema v enem oddelku ali pri majhni skupini uporabnikov.

V tej fazi bi moralo podjetje spremljati odzivne čase, natančnost, okvare sistema, povratne informacije zaposlenih in obratovalne stroške.

Ko se zmogljivost stabilizira, lahko podjetje razširi uporabo.

Na primer, podjetje, ki uvaja obdelavo računov na podlagi umetne inteligence, lahko začne z eno skupino dobaviteljev.

Ko se prepriča, da izvlekanje podatkov iz dokumentov, pravila odobritve in povezave z ERP-sistemom delujejo pravilno, lahko vključi dodatne dobavitelje.

Če se pojavijo težave, jih lahko podjetje odpravi, preden sistem vpliva na veliko večje število transakcij.

Vsak načrt uvajanja mora vsebovati tudi navodila, kako se vrniti k prejšnjemu procesu, če pride do težav.

Zaposleni potrebujejo zanesljivo alternativo, ko avtomatizirani sistem ni na voljo.

Tako se prepreči, da bi tehnična napaka povzročila popolno ustavitev pomembnega poslovnega procesa.

9. Umetna inteligenca potrebuje spremljanje po uvedbi

Zagon sistema umetne inteligence ne pomeni, da sta razvoj in testiranje končana.

Poslovne informacije se spreminjajo. Stranke postavljajo nova vprašanja, zaposleni upoštevajo posodobljene postopke, povezana programska oprema pa prejema posodobitve.

Te spremembe lahko vplivajo na delovanje umetne inteligence.

Sistem, ki danes deluje dobro, lahko po nekaj mesecih prinaša manj zanesljive rezultate.

Podjetja morajo redno preverjati natančnost, odzivne čase, neuspešne zahteve, popravke zaposlenih in obratovalne stroške.

Prav tako bi morala zbrati povratne informacije od uporabnikov sistema.

Če zaposleni večkrat popravljajo isto vrsto napake, mora podjetje ugotoviti, zakaj.

Problem je lahko v zastarelih podatkih, napačnem poslovnem pravilu ali integraciji, ki ne deluje več pravilno.

Redno spremljanje pomaga ekipam, da te težave odkrijejo že v zgodnji fazi.

Prav tako zagotavlja podlago za odločitev, kdaj je treba sistem izboljšati ali ali je pripravljen za podporo dodatnim oddelkom.

Zaključne misli

Uspešni pilotni projekti umetne inteligence so pomemben prvi korak, vendar ne zagotavljajo uspeha v vsakdanjem poslovanju.

Izzivi se pogosto pojavijo, ko mora umetna inteligenca obdelovati resnične podatke, se povezati z obstoječimi sistemi, podpirati več uporabnikov in delovati brez stalne pomoči razvijalcev.

Podjetja lahko te težave zmanjšajo s testiranjem realističnih situacij, pregledom varnosti, dodelitvijo jasnih odgovornosti in načrtovanjem proizvodnih stroškov pred uvedbo.

Postopna uvedba prav tako omogoča ekipam, da odkrijejo težave in izboljšajo delovanje, preden se projekt še dodatno razširi.

Projekte umetne inteligence ne smemo ocenjevati le po tem, kako dobro delujejo med predstavitvijo.

Pravi preizkus se začne, ko tehnologija postane del vsakodnevnega poslovanja in mora zagotavljati zanesljive rezultate, ne da bi pri tem povzročala dodatne težave.