Sa bag-ohay nga mga tuig, ang AI nahimong mas gamhanan ug ang mga aplikasyon niini sa negosyo miuswag pag-ayo. Ingon usa ka sangputanan, ang mga kompanya nga wala seryoso nga naghunahuna sa paggamit sa AI nagtan-aw sa bag-ong hitsura. Dayag ang pag-apelar: ang lainlaing mga porma sa AI makapauswag sa pasundayag pinaagi sa, prediksyon, automation sa mga naandan, pag-ila sa mga imahe nga hinungdanon sa mga kalihokan sa operasyon, o ang pag-ila sa mga yawe nga pulong, hugpong sa mga pulong ug mga sumbanan sa tingog ug teksto alang sa pagdumala sa kasayuran.
Kung diin ang mga organisasyon kanunay nga nakigbisog mao ang pagkahibalo kung asa mamuhunan sa usa ka proyekto sa AI nga mabayran gyud. Apan kung ang AI dili pa bahin sa imong kompanya kaniadto, mahimong lisud mahibal-an kung diin ang tinuod nga potensyal – ug mga risgo – namakak. Samtang ang AI mahimong mosaad ug bililhon nga mga ganansya, kana nga mga ganansya moabut uban ang usa ka pricetag, ug ang mga lider kinahanglan nga mobati nga masaligon nga sila nagpili sa husto nga proyekto sa wala pa sila mopasalig.
Kung ang imong kompanya naghunahuna bahin sa pagsagop sa AI, kinahanglan nimong hunahunaon kung giunsa kini paghimo og kantidad, kung unsa ang maayo nga una nga mga proyekto, ug kung ikaw adunay husto nga talento sa mga kawani alang sa imong mga paningkamot nga molampos sa kadugayan. Ang una nga proyekto sa AI mahimong makahadlok, apan ang pagkahibalo kung unsang mga hinungdan ang ipunting ang magdala sa proyekto sa yuta – ug ipatin-aw kung takus ba kini sa pagpamuhunan.
Makahimo ba ang AI og bili alang sa imong kompanya?
Kinahanglan ba gyud sa imong kompanya ang AI?
“Ngano sa atong hunahuna nga kini nga pagpamuhunan takus niini?” mao ang usa sa unang mga pangutana nga kinahanglan nimong tubagon. Kana nagpasabut nga nahibal-an kung unsang gigikanan sa kasakit sa operasyon (pananglitan, pag-usab sa partikular nga mga buluhaton o mga bottleneck sa dagan sa operasyon) nga imong gisulayan nga sulbaron o kung diin nimo gitumong aron mapauswag ang kahusayan ug bag-ong bentaha sa kompetisyon (pananglitan, mga intelihente nga produkto ug intelihenteng pagpamaligya). Ang mga proyekto sa AI kinahanglan nga hisgutan ang mga proseso nga adunay dakong epekto sa gasto, mga sapa sa kita o mga alokasyon sa kahinguhaan, diin ang katapusan nga resulta mahimong usa ka talagsaon nga epekto sa ubos nga linya.
Ang maayong mga kandidato alang sa AI nga maghatag kantidad naglakip sa:
- Mga kalihokan nga nagkinahanglag panahon ug kusog sa pagtrabaho (pananglitan, pagbasa sa daghang dokumentasyon aron ma-categorize ang mga butang nga mahimo’g aksyon).
- Mga kalihokan sa dagan sa trabaho nga nanginahanglan kusog nga pag-scan sa mga imahe.
- Mga proseso nga mahimong madugangan sa pagtuki sa tingog (pananglitan, pag-ruta sa suporta sa kustomer).
- Pagpauswag sa prediksyon nga katukma sa mga lugar sama sa pamatasan sa kostumer o kinatibuk-ang panagna, nga magamit sa daghang mga industriya sama sa seguro, pinansya, pamaligya, ug bisan ang agrikultura.
Pag-andam sa pagdawat nga ang AI tingali dili gyud ang tubag nga imong gipangita. Bisan kung makakita ka usa ka promising nga kandidato alang sa usa ka proyekto sa AI, magmarealistiko kung diin ang elemento sa tawo kritikal (pananglitan, pag-validate sa output sa AI o pag-verify sa pula nga bandila) ug ang AI mahimong dili makahatag daghang kantidad. Kung nagplano ka sa paghimo sa pagpamuhunan sa AI, gusto nimo nga makasiguro nga kini makahimo og kalainan.
Pagpili og buluhaton, dili proyekto, isip imong entry point.
Ang AI sa kasagaran gipunting sa buluhaton. Alang sa una nga eksperimento sa AI sa imong kompanya, tinguhaa ang pagpili sa usa ka taas nga kantidad nga buluhaton nga gimaneho sa datos.
Hunahunaa ang usa ka pananglitan gikan sa sektor sa pag-atiman sa panglawas: pag-ila sa mga pasyente nga mahimong naa sa kategorya nga “taas nga posibilidad nga mahulog”. Kini usa ka taas nga kantidad nga buluhaton tungod kay ang pagkahulog mahimong magpasabot sa kadaot sa indibidwal, ang panginahanglan alang sa mas komplikado nga pag-atiman, ug bisan ang legal nga aksyon. Ang makahimo sa pag-ila kung kinsa nga mga pasyente ang nameligro nga mahulog ug pagdugang dugang nga mga pamaagi sa pag-amping nga pamaagi aron makunhuran ang peligro sa pagkahulog makahatag tinuod nga kantidad. Kini usa ka tin-aw nga gihubit nga buluhaton, nga adunay daghang mga datos nga magamit sa pagbansay sa usa ka predictive AI nga makahimo sa pag-flag sa mga pasyente samtang sila gidawat alang sa in-patient nga pag-atiman.
Hibal-i kung unsa nga datos ug mga komplementaryong sistema ang imong gikinahanglan.
Ang maayo nga datos mao ang kinabuhi sa usa ka malampuson nga proyekto sa AI. Sa dili pa mopasalig sa usa ka proyekto, kinahanglan nimo nga pormal nga imbestigahan ang mga tipo ug kantidad sa datos nga gikinahanglan aron mahimo kini nga maayo, kung adunay bisan unsang mga pagdili sa paggamit sa kana nga datos (sama sa mga regulasyon sa pagkapribado), ug kung naa ba kini sa usa ka makatarunganon nga format nga magamit. Kini nga imbestigasyon dili limitado sa internal nga datos sa usa ka organisasyon apan data nga mahimong anaa sa gawas nga mga tinubdan. Ang usa ka inhenyero sa datos mahimong labi ka makatabang dinhi. Kung ang imong mga kahinguhaan sa datos dili maayo, kinahanglan nimo nga ipunting una ang datos ug ipadayon ang AI sa ulahi.
Kung nahibal-an nimo nga adunay igo nga datos nga magamit aron maproseso sa AI, kinahanglan nimo nga sigurohon nga posible nga i-integrate ang output sa AI sa target nga buluhaton. Sa laing pagkasulti, mahimo ba kini nga hapsay nga magsulud sa mga awtomatiko nga operasyon nga nagdepende sa mga rekomendasyon niini? Kung ang imong modelo gitukod gamit ang Python, mahiuyon ba kana sa imong mga sistema? Dinhi diin ang mga eksperto sa IT adunay hinungdanon nga papel. Kini usa ka dili maayo nga pagkahigmata kung nahuman na nimo ang tanan nga buluhaton sa paghimo og epektibo nga mga modelo, aron mahibal-an nga ang paggamit sa output nagpaila sa usa pa ka taas ug lisud nga proyekto.
Ipasibo ang imong gipaabot sa katukma.
Ang AI usa ka gamhanan nga himan, apan dili kini salamangka. Ang tipo sa pamaagi sa AI nga imong gi-deploy, ang datos nga imong magamit, ug ang buluhaton nga imong gitan-aw nga ipunting ang tanan makadiktar sa rate sa katukma – ug ang pagbalik sa puhunan. Ang pagsabut kung unsa ang makaapekto sa katukma – ug ngano – makatabang kanimo sa pagtakda og makatarunganon nga mga gilauman kung unsa ang hitsura sa kalampusan sa proyekto. Pananglitan, ang pag-ila sa imahe / panan-awon sa kompyuter lagmit nga mas kasaligan nga tukma kaysa sa mga aplikasyon sa pagtagna sa pagtagna.
Sa yanong pagkasulti, kini mao ang yawe aron masabtan ang matang sa AI nga imong gi-deploy ug unsa ang mga resulta nga gamiton aron mabanabana ang epekto sa imong ubos nga linya.
Ayaw pagdali sa pagdeploy sa tibuok negosyo.
Tungod lang nga ang usa ka AI nagtrabaho og maayo alang sa usa ka buluhaton wala magpasabut nga kini alang sa uban. Sa laing pagkasulti, hunahunaa ang tahas sa pagdeploy sa AI aron mapalambo ang mga isyu sa pagsunod sa imong organisasyon (eg pag-ila sa mga gigikanan sa mga kalihokan nga wala’y reklamo). Ang mga modelo mahimong epektibo sa pag-ila sa mga pula nga bandila sumala sa usa ka partikular nga lugar nga magamit (mga patigayon sa pag-book sa usa ka setting sa fin-tech). Bisan pa, kana nga modelo dili usa ka plug and play sa ubang mga lugar aron matubag ang pagsunod. Ang mga proyekto sa AI kinahanglan nga ipahigayon sumala sa mga pamaagi sa pagpaandar ug katugbang nga datos nga nagmaneho niini.
Pagmarealistiko kung aduna ka bay kahanas sa pagpadayon sa AI.
Sama sa pagbag-o sa mga proseso, ang datos nga hinungdanon sa pagmaneho sa usa ka modelo usa ka bulan mahimo’g dili kaayo hinungdanon paglabay sa pipila ka bulan, ug mahimo’g mabag-o niini ang pagkaepektibo / katukma sa AI. Ang bag-o ug mas bag-o nga datos mitumaw, ang mga drayber sa proseso nagbag-o ug uban niana, ang mga pag-deploy sa AI kinahanglan nga ma-optimize pag-usab. Nanginahanglan kini sa pag-apil sa mga inhenyero sa datos, mga siyentipiko sa datos, ug mga kawani sa IT aron maghatag suporta alang sa pagpadayon sa sistema aron masiguro nga kanunay nga epektibo ang AI. Kini moadto sa matang sa organisasyon. Ang mga dagkong kompanya aduna nay imprastraktura (eg IT ug mga inhenyero sa datos). Ang pagdugang sa pagpraktis sa mga siyentipiko sa datos mahimong igo na aron mapadayon ang mga internal nga proyekto. Siyempre ang kapilian sa pag-apil sa gawas nga mga tigbaligya kanunay usa ka praktikal nga dula ug mahimo’g usa ka maayong paagi aron mabuak ang pag-deploy sa AI ug pagkat-on.
Usa ka ideya nga hinumdoman: kung nagtuo ka nga ang imong kompanya adunay mga kinaiya nga makabenepisyo sa pag-deploy sa AI, mahimo’g angay nga mamuhunan sa mga kawani aron mahimo kini nga usa ka padayon nga bahin sa imong mga operasyon.
Ang mga pagbalik ba labaw pa kay sa mga gasto?
Ang usa ka sayop nga pagsabut nga anaa sa mga hunahuna sa daghang mga manedyer mao nga ang AI usa ka tighimog desisyon nga naghatag sa katapusan-tanan nga mga tubag ug ang pagpaandar makapakunhod sa mga gasto o makapakunhod sa panginahanglan alang sa mahal nga trabaho. Ang reyalidad, bisan pa, mao nga ang AI nagpabilin nga usa ka mekanismo sa pagsuporta sa desisyon. Bisan sa tukma nga pag-ila sa imahe o epektibo nga pagproseso sa natural nga sinultian (NLP), ang usa ka inisyatibo sa AI kasagarang magpauswag sa mga yugto sa usa ka proseso, ug dili magbag-o sa katapusan nga sangputanan. Pananglitan, ang NLP makapauswag sa katakus sa pagkategorya sa mga dokumento ug makunhuran ang panginahanglan sa pag-deploy sa oras ug kusog nga mga kapanguhaan aron matuman ang buluhaton. Bisan pa, ang katapusan nga sangputanan mahimo’g usa ka pagkunhod sa mga kahinguhaan nga gi-deploy sa kini nga buluhaton uban ang sobra nga mga personahe nga gipakatap sa daghang mga buluhaton nga adunay daghang kahibalo sa organisasyon. Ang resulta siguradong positibo, apan ang ROI dili ingon ka tin-aw nga pagputol.
Mga Proyekto sa AI sa Reality
Hunahunaa kung giunsa sa usa ka kompanya sa mga produkto sa industriya sa Global 500 nga nag-deploy sa AI aron ma-optimize ang ilang proseso sa serbisyo sa kustomer bahin sa mga interaksyon sa email sa kustomer.
Ang panginahanglan: Ang kompanya nakadawat daghang gidaghanon sa mga email sa serbisyo sa kostumer. Ang pagtubag kanila naglakip sa balik-balik nga mga proseso, nga naghimo sa buluhaton nga usa ka maayong kandidato alang sa AI.
Ang pamaagi: Ang inisyal nga proyekto mogamit sa natural nga pagproseso sa pinulongan (NLP) ug mga custom-built classifier aron mahibal-an kung unsaon pagruta ang mga email sa kustomer. Kini magwagtang sa pag-usik sa oras ug sayup nga buluhaton sa pag-assign sa mga email sa husto nga departamento sa mga kawani. Gilauman nga kini makapadali sa oras sa pagtubag hangtod sa 50% ug madugangan ang gidaghanon sa mga pangutana nga mahimo sa matag ahente sa serbisyo sa kostumer. Aron sa pagpadayon, ang kolaborasyon natukod tali sa mga data scientist, IT personnel ug data engineers.
Ang datos: Kini usa ka natural nga punto sa pagsulod tungod kay ang kompanya nakatigom og libu-libong mga email nga giklasipikar sa tawo. Naghimo kini usa ka lig-on nga set sa datos sa pagbansay/pagsulay nga adunay taas nga katukma nga hinungdanon nga elemento alang sa kini nga klase sa proyekto ug kanunay nga nataligam-an.
Ang panagsama ug mga resulta: Kining pig-ot nga sakup sa pagtutok gitugotan alang sa medyo maayo nga katukma sa classifier; 80% o mas maayo. Gipili kini isip benchmark sa pagklasipikar sa mga inbound nga email ngadto sa usa sa 10 ka nag-unang mga kategorya ug dayon hangtod sa 30 ka sub nga mga kategorya. Sa kini nga rate, mas episyente kini kaysa pag-ruta sa tawo ug makatipig daghang oras ug kahinguhaan. Aron ma-roll ang modelo ngadto sa produksiyon, ang mga data scientist kinahanglan nga mag-implementar og dugang nga code aron i-integrate ang Python nga modelo sa kasamtangan nga email-based nga mga sistema sa organisasyon.
Ang katapusan nga resulta sa proyekto mao ang pagpakita kung giunsa ang AI makaapekto sa usa ka us aka oras ug kusog nga proseso sa negosyo, nga sa katapusan nagdala sa ubang mga aplikasyon sa organisasyon.
Ang mga resulta sa pagsugod sa AI sa “tama nga paagi.”
Ang yawe sa malampuson nga pagpatuman sa bisan unsang bag-ong estratehikong teknolohiya mao ang tungod sa kakugi. Sa kaso sa AI, nga mahimo’g labi ka komplikado, ang mga kompanya kinahanglan mahibal-an ang mga kapabilidad sa mga pamaagi sa AI ug ikonsiderar ang pag-deploy niini sa husto nga mga proseso, kung diin kini makahimo og kalainan. Labaw nga espesipiko, tungod sa kakugi sa AI nanginahanglan ug kolaborasyon nga brainstorming sa mga inhenyero sa datos, data scientist, internal nga proseso nga SME ug mga ehekutibo. Ang pila ka adlaw nga nakapokus nga deliberasyon makapauswag sa posibilidad sa malampuson nga mga roll-out nga nag-optimize sa mga kahinguhaan ug nagduso sa usa ka kompetisyon nga bentaha, o makalikay sa masakit nga senaryo sa purgatoryo sa mga bag-ong teknolohiya nga nahabilin sa kanunay nga kahimtang sa pagsulay.
Kung ang AI usa ka angay, ang mga kompanya mahimo’g tugutan ang teknolohiya sa paghimo sa bug-at nga pagbayaw sa naandan nga mga proseso nga gibase sa naandan o pag-ila sa daw wala mailhi nga mga sumbanan sa daghang mga kapanguhaan sa datos. Apan aron makaabut didto, kinahanglan nimo nga pangitaon ang pamaagi nga molihok alang sa imong kompanya. Kung buhaton nimo, mahimo nimong makita ang mga bag-ong oportunidad nga nagbukas sa imong palibot.