Tantangan apa saja yang ditimbulkan oleh proyek AI? | AI dalam bisnis #65

Apakah Anda ingin memanfaatkan kemampuan kecerdasan buatan saat mengimplementasikan proyek baru di perusahaan Anda? AI dapat memfasilitasi fase konseptual, menyederhanakan pelaksanaan tugas individu, serta analisis hasil kegiatan proyek saat ini dan historis. Namun, apakah selalu bermanfaat untuk memilih bantuan AI selama implementasi proyek? Bagaimana cara menilai profitabilitas proyek AI? Bagaimana cara mengatasi kekurangan data dan spesialis? Di mana harus memulai untuk menghindari kesalahan umum? Baca terus dan cari tahu tantangan apa yang ada dalam proyek yang menggunakan AI.

Bagaimana cara mengintegrasikan proyek AI secara efektif ke dalam strategi bisnis Anda?

Penelitian Gartner menyebutkan bahwa pada tahun 2030, 80% tugas manajemen proyek akan ditangani oleh AI. Seperti apa persentase proyek yang menggunakan AI untuk menyelesaikan tugas – masih harus dilihat. Namun, ada baiknya mempertimbangkan bagaimana mengintegrasikan AI ke dalam strategi operasi perusahaan.

Langkah pertama adalah memahami potensi dan keterbatasan teknologi ini. Kecerdasan buatan mampu menganalisis tren dan pola dengan baik, namun gagal dalam hal-hal seperti penalaran multi-langkah dan pengambilan keputusan moral. Ini menciptakan visual yang sensasional, namun membuatnya secara konsisten menghasilkan materi yang sesuai dengan citra merek memerlukan keterampilan yang cukup besar. Itu sebabnya ketika kami mulai mengerjakan proyek AI, kami tidak dapat berasumsi dengan probabilitas yang sebanding dengan proyek lain apakah proyek tersebut akan memberikan hasil yang nyata dan terukur.

Oleh karena itu, titik awal yang baik adalah menganalisis pro dan kontra:

• Berapa total biaya dari berbagai tahapan implementasi proyek AI?
• KPI apa yang harus ditetapkan untuk menilai dampak bisnis dari proyek AI?

Untuk mendapatkan jawaban yang kredibel terhadap pertanyaan-pertanyaan ini, yang terbaik adalah memilih proyek AI sederhana yang memberikan nilai besar, mudah diukur, dan sesuai dengan strategi perusahaan. Sebuah startup yang menawarkan jasa kurir bisa menjadi contoh. Tujuannya adalah untuk meningkatkan layanan pelanggan dan meningkatkan fleksibilitas rantai pasokan. Proyek AI yang sederhana namun berharga, misalnya, adalah penerapan chatbot yang menangani pertanyaan pelanggan. Asisten virtual seperti itu akan menangani lebih banyak permintaan dibandingkan pusat panggilan tradisional, sehingga meningkatkan kepuasan pelanggan melalui respons cepat terhadap pertanyaan dan kualitas komunikasi yang konsisten. Sebaliknya, sistem canggih yang mengoptimalkan rute kurir sesuai dengan tujuan meningkatkan fleksibilitas pengiriman namun rumit dan memiliki risiko yang jauh lebih tinggi.

Setelah proyek AI awal ditentukan, startup harus menilai kelayakannya, misalnya, dalam hal anggaran yang sesuai dengan proyek AI.

Penganggaran proyek AI. Tantangan utama

Menerapkan solusi SaaS atau AI sebagai Layanan (AIaaS) siap pakai, atau yang disebut “AI siap pakai”, memiliki banyak keuntungan. Salah satunya adalah biaya penggunaan alat yang dapat diprediksi dan biaya implementasi proyek AI yang relatif mudah diperkirakan. Anda dapat memilih dari solusi seperti:

• chatbot untuk layanan pelanggan – seperti Intercom Fin, LiveChat dari Chatbot.com, Drift atau FreshChat,
• Analisis media sosial untuk meningkatkan jangkauan pesan pemasaran – dengan Cortex, Buffer atau Akhir-akhir ini, atau
• analisis data bisnis dengan Microsoft Power BI, Tableau, atau untuk tugas yang tidak terlalu rumit – Google Bard, yang terintegrasi dengan dokumen Google.

Untuk proyek AI berskala besar, biayanya sering kali dianggap remeh. Terutama dalam hal sumber daya dan waktu yang dibutuhkan untuk pengumpulan dan persiapan data. Misalnya, menurut Arvind Krishna dari IBM, tahap persiapan data untuk pembelajaran AI dapat menghabiskan hingga 80% durasi proyek.

Sumber: DALL-E 3, petunjuk: Marta M. Kania (https://www.linkedin.com/in/martamatyldakania/)

Selain itu, semakin kita memerlukan model AI yang dipersonalisasi untuk sebuah proyek, semakin banyak data kualitatif yang perlu kita kumpulkan. Misalnya, jaringan saraf dalam untuk pembelajaran memerlukan ratusan ribu contoh. Hal ini menimbulkan biaya perolehan dan pembersihan kumpulan data yang begitu besar. Untungnya, pesatnya perkembangan kecerdasan buatan berarti semakin banyak proyek AI yang dapat diimplementasikan tanpa memerlukan pembelajaran model khusus yang mahal.

Namun demikian, perusahaan yang merencanakan proyek AI harus mempertimbangkan tidak hanya tahap pengembangan solusi, tetapi juga persiapan data dan kelanjutan pengoperasian sistem, termasuk biaya pemeliharaan, pembaruan, atau pengumpulan data baru. Hanya dengan cara ini Anda dapat menilai laba nyata atas investasi di AI.

Masalah manajemen data dalam proyek AI. Apa yang harus Anda ketahui

Tantangan utama dalam proyek AI adalah data – ketersediaan, kuantitas dan kualitasnya. Jadi apa yang harus dilakukan? Sebelum memulai proyek AI, Anda perlu:

• memeriksa dengan cermat data apa yang dimiliki perusahaan – dalam bentuk apa data itu disimpan dan dari mana asalnya,
• menjaga infrastruktur dan mengembangkan proses akuisisi data internal,
• Pertimbangkan untuk membeli kumpulan data eksternal atau crowdsourcing jika persediaannya terbatas.

Masalah umum adalah data tersebar di berbagai sistem dan format. Menggabungkan, membersihkan, dan mempersiapkannya untuk pembelajaran AI dapat menjadi tantangan tersendiri. Praktik yang baik adalah tim AI bekerja sama dengan departemen TI atau analis data. Bersama-sama, mereka harus memastikan infrastruktur yang tepat dan proses akuisisi data tersedia.

Tantangan teknis dan keamanan dalam proyek AI

AI bukan hanya algoritma pembelajaran mesin. Agar dapat berfungsi dalam praktiknya, diperlukan seluruh infrastruktur TI. Sementara itu, mengintegrasikan sistem AI baru dengan sistem yang sudah ada di perusahaan dapat menjadi sebuah tantangan. Hal ini sering kali memerlukan adaptasi sistem bisnis lama, yang bagi banyak perusahaan berarti biaya peningkatan yang besar.

Selain itu, proyek AI memerlukan keahlian dalam ilmu data dan rekayasa data. Sementara itu, dunia mengalami kekurangan spesialis di bidang ini. Menurut laporan “Technology Trends Outlook 2023” McKinsey, rasio iklan pekerjaan terhadap spesialis yang tersedia adalah 7 berbanding 100, dan permintaan terus meningkat.

Persoalan keamanan data juga tidak kalah pentingnya. Sistem AI memproses sejumlah besar informasi sensitif, yang harus diamankan dengan baik dari kebocoran. Sementara itu, pelanggaran data telah meningkat secara signifikan dalam beberapa tahun terakhir. Oleh karena itu, hal ini merupakan risiko penting lainnya yang perlu diingat ketika mengimplementasikan proyek AI.

Kompetensi utama dalam AI untuk wirausaha. Kesulitan apa yang mungkin Anda temui?

Hambatan umum dalam mengimplementasikan proyek AI adalah rendahnya pengetahuan tentang kecerdasan buatan di kalangan manajer dan pengambil keputusan bisnis. Tanpa pemahaman mendalam tentang kemampuan teknologi, sulit untuk menilai kelayakan proyek tertentu dan membuat keputusan yang tepat. Itulah mengapa penting untuk berinvestasi dalam meningkatkan pengetahuan para manajer di bidang teknologi baru.

Melatih kembali karyawan saat ini juga dapat membantu. Semakin banyak pembicaraan tentang apa yang disebut “analis data warga” (“ilmuwan data warga”). Para spesialis ini memanfaatkan teknologi mutakhir untuk memecahkan masalah bisnis spesifik yang mereka hadapi sehari-hari. Mereka sangat berpengetahuan tentang industri tempat mereka bekerja. Dengan menjadi bagian dari tim yang mengerjakan proyek AI, mereka memungkinkan spesialis AI untuk fokus pada masalah implementasi dengan menjawab pertanyaan spesifik industri.

Selain keterampilan teknis, seperti mengevaluasi rekomendasi AI dan mengambil keputusan, soft skill juga penting, termasuk kepemimpinan dan pemikiran strategis. Ini adalah cara lain untuk mengatasi kekurangan keterampilan AI di perusahaan.

Menganalisis keberhasilan proyek AI. Bagaimana cara menghindari kesalahan saat mengukur ROI?

Ada rumor yang tidak berdasar (dan mungkin tidak benar) yang beredar di Internet bahwa hingga 87% proyek AI tidak pernah mencapai tahap produksi. Meskipun kami belum dapat mengakses studi yang dapat diandalkan mengenai keberhasilan proyek, definisi awal tentang cara mengukur keberhasilan adalah kunci untuk menilai dampak nyata penerapan AI.

Praktik yang baik di sini adalah eksperimen skala kecil. Ini melibatkan pengujian kinerja AI, misalnya, pada sampel pengguna secara acak dan membandingkan hasilnya dengan kelompok kontrol menggunakan solusi standar. Pengujian A/B semacam itu membantu Anda memverifikasi apakah sistem AI baru dapat memberikan hasil yang diharapkan seperti peningkatan konversi atau kepuasan pelanggan.

Sumber: DALL-E 3, petunjuk: Marta M. Kania (https://www.linkedin.com/in/martamatyldakania/)

Pengujian A/B perlu diulangi secara berkala bahkan setelah penerapan AI, karena model dapat kehilangan akurasi dan relevansi dalam memecahkan masalah. Hal ini akan memungkinkan Anda dengan cepat mengidentifikasi anomali yang muncul dan kebutuhan untuk mengkalibrasi ulang sistem agar terus memberikan hasil bisnis yang diharapkan.

Ringkasan

Meskipun AI menawarkan peluang yang sangat besar, proyek-proyek di bidang ini mempunyai tantangan yang besar. Agar berhasil, Anda harus menilai secara layak biaya dan manfaat AI, memperhatikan perolehan dan kualitas data, mengembangkan kompetensi internal, dan bertaruh pada penerapan teknologi baru secara bertahap. Penting juga untuk mengukur dampak nyata implementasi bisnis dan bereaksi dengan cepat terhadap permasalahan yang muncul. Hanya dengan cara ini AI akan menjadi sebuah peningkatan dan bukan ancaman bagi perusahaan.

Jika Anda menyukai konten kami, bergabunglah dengan komunitas lebah kami yang sibuk di Facebook, Twitter, LinkedIn, Instagram, YouTube, Pinterest, TikTok.

Penulis: Robert Whitney

Pakar JavaScript dan instruktur yang melatih departemen TI. Tujuan utamanya adalah meningkatkan produktivitas tim dengan mengajari orang lain cara bekerja sama secara efektif saat membuat kode.

Lihat semua postingan

AI dalam bisnis:

1. Ancaman dan peluang AI dalam bisnis (bagian 1)
2. Ancaman dan peluang AI dalam bisnis (bagian 2)
3. Aplikasi AI dalam bisnis - ikhtisar
4. Chatbot teks yang dibantu AI
5. Bisnis NLP hari ini dan besok
6. Peran AI dalam pengambilan keputusan bisnis
7. Menjadwalkan posting media sosial. Bagaimana AI dapat membantu?
8. Postingan media sosial otomatis
9. Layanan dan produk baru yang beroperasi dengan AI
10. Apa kelemahan ide bisnis saya? Sesi brainstorming dengan ChatGPT
11. Menggunakan ChatGPT dalam bisnis
12. Aktor sintetik. 3 generator video AI teratas
13. 3 alat desain grafis AI yang berguna. AI generatif dalam bisnis
14. 3 penulis AI hebat yang harus Anda coba hari ini
15. Menjelajahi kekuatan AI dalam penciptaan musik
16. Menavigasi peluang bisnis baru dengan ChatGPT-4
17. Alat AI untuk manajer
18. 6 plugin ChatGTP mengagumkan yang akan membuat hidup Anda lebih mudah
19. 3 grafik AI. Menghasilkan kecerdasan dalam bisnis
20. Bagaimana masa depan AI menurut McKinsey Global Institute?
21. Kecerdasan buatan dalam bisnis - Pendahuluan
22. Apa itu NLP, atau pemrosesan bahasa alami dalam bisnis
23. Pemrosesan dokumen otomatis
24. Google Terjemahan vs DeepL. 5 aplikasi terjemahan mesin untuk bisnis
25. Pengoperasian dan aplikasi bisnis voicebots
26. Teknologi asisten virtual, atau bagaimana cara berbicara dengan AI?
27. Apa itu Intelijen Bisnis?
28. Akankah kecerdasan buatan menggantikan analis bisnis?
29. Bagaimana kecerdasan buatan dapat membantu mengatasi BPM?
30. AI dan media sosial – apa pendapat mereka tentang kita?
31. Kecerdasan buatan dalam manajemen konten
32. AI kreatif hari ini dan masa depan
33. AI multimodal dan penerapannya dalam bisnis
34. Interaksi baru. Bagaimana AI mengubah cara kita mengoperasikan perangkat?
35. RPA dan API di perusahaan digital
36. Pasar kerja masa depan dan profesi yang akan datang
37. AI di EdTech. 3 contoh perusahaan yang memanfaatkan potensi kecerdasan buatan
38. Kecerdasan buatan dan lingkungan. 3 solusi AI untuk membantu Anda membangun bisnis yang berkelanjutan
39. Detektor konten AI. Apakah itu layak?
40. ObrolanGPT vs Bard vs Bing. Chatbot AI manakah yang memimpin persaingan?
41. Apakah chatbot AI merupakan pesaing pencarian Google?
42. Perintah ChatGPT yang Efektif untuk SDM dan Rekrutmen
43. Rekayasa yang cepat. Apa yang dilakukan seorang insinyur yang cepat?
44. Pembuat AI Mockup. 4 alat teratas
45. AI dan apa lagi? Tren teknologi teratas untuk bisnis pada tahun 2024
46. AI dan etika bisnis. Mengapa Anda harus berinvestasi pada solusi etis
47. Meta AI. Apa yang perlu Anda ketahui tentang fitur-fitur yang didukung AI di Facebook dan Instagram?
48. Regulasi AI. Apa yang perlu Anda ketahui sebagai seorang wirausaha?
49. 5 penggunaan baru AI dalam bisnis
50. Produk dan proyek AI - apa bedanya dengan yang lain?
51. Otomatisasi proses yang dibantu AI. Mulai dari mana?
52. Bagaimana Anda mencocokkan solusi AI dengan masalah bisnis?
53. AI sebagai ahli di tim Anda
54. Tim AI vs. pembagian peran
55. Bagaimana cara memilih bidang karir di AI?
56. Apakah selalu ada gunanya menambahkan kecerdasan buatan ke dalam proses pengembangan produk?
57. AI dalam SDM: Bagaimana otomatisasi perekrutan memengaruhi pengembangan SDM dan tim
58. 6 alat AI paling menarik di tahun 2023
59. 6 kecelakaan bisnis terbesar yang disebabkan oleh AI
60. Apa analisis kematangan AI perusahaan?
61. AI untuk personalisasi B2B
62. Kasus penggunaan ChatGPT. 18 contoh cara meningkatkan bisnis Anda dengan ChatGPT pada tahun 2024
63. Pembelajaran mikro. Cara cepat untuk mendapatkan keterampilan baru
64. Implementasi AI paling menarik di perusahaan pada tahun 2024
65. Apa yang dilakukan pakar kecerdasan buatan?
66. Tantangan apa saja yang ditimbulkan oleh proyek AI?