Какие проблемы ставит проект ИИ? | ИИ в бизнесе №65

Хотите воспользоваться возможностями искусственного интеллекта при реализации нового проекта в вашей компании? ИИ может облегчить как концептуальную фазу, оптимизируя выполнение отдельных задач, так и анализ текущих и исторических результатов проектной деятельности. Однако всегда ли стоит выбирать помощь ИИ при реализации проекта? Как оценить прибыльность ИИ-проекта? Как бороться с нехваткой данных и специалистов? С чего начать, чтобы избежать распространенных ошибок? Читайте дальше и узнайте, какие проблемы возникают в проектах с использованием ИИ.

Как эффективно интегрировать проект искусственного интеллекта в вашу бизнес-стратегию?

Исследования Gartner говорят, что к 2030 году 80% задач по управлению проектами будут выполняться с помощью ИИ. Как будет выглядеть процент проектов, использующих ИИ для выполнения задач – еще неизвестно. Однако уже стоит подумать о том, как интегрировать ИИ в операционную стратегию компании.

Первый шаг — понять потенциал и ограничения этой технологии. Искусственный интеллект хорошо справляется с анализом тенденций и закономерностей, но терпит неудачу в таких вещах, как многоэтапное рассуждение и принятие моральных решений. Он создает сенсационные визуальные эффекты, но для того, чтобы он постоянно создавал материалы, соответствующие имиджу бренда, требуются значительные навыки. Вот почему, когда мы начинаем работать над проектом ИИ, мы не можем с вероятностью, сравнимой с другими проектами, предположить, даст ли он конкретные, измеримые результаты.

Поэтому хорошей отправной точкой является анализ плюсов и минусов:

• Какова общая стоимость различных этапов реализации проекта ИИ?
• Какие ключевые показатели эффективности следует определить для оценки влияния проекта ИИ на бизнес?

Чтобы получить достоверный ответ на эти вопросы, лучше всего выбирать простые проекты искусственного интеллекта, которые приносят значительную ценность, легко поддаются измерению и вписываются в стратегию компании. Примером может служить стартап, предлагающий курьерские услуги. Его цель — улучшить обслуживание клиентов и повысить гибкость цепочки поставок. Например, простой, но ценный проект искусственного интеллекта — это внедрение чат-бота, который обрабатывает запросы клиентов. Такой виртуальный помощник будет обрабатывать больше запросов, чем традиционный колл-центр, повышая удовлетворенность клиентов за счет быстрого ответа на запросы и стабильного качества связи. Напротив, передовая система, оптимизирующая маршруты курьеров, соответствует цели повышения гибкости доставки, но она сложна и сопряжена с гораздо более высокими рисками.

После того как первоначальные проекты ИИ определены, стартап должен оценить их осуществимость, например, с точки зрения бюджета, в рамках которого проект ИИ должен укладываться.

Бюджетирование проектов ИИ. Ключевые проблемы

Внедрение готового решения SaaS или искусственного интеллекта как услуги (AIaaS), или так называемого «готового искусственного интеллекта», имеет множество преимуществ. Одним из них является предсказуемая стоимость использования инструмента и относительно легко поддающаяся оценке стоимость реализации проекта ИИ. Вы можете выбрать такие решения, как:

• чат-бот для обслуживания клиентов – например, Intercom Fin, LiveChat от Chatbot.com, Drift или FreshChat,
• Аналитика социальных сетей для увеличения охвата маркетинговых сообщений — с помощью Cortex, Buffer или Lately или
• анализ бизнес-данных с помощью Microsoft Power BI, Tableau или для менее сложных задач — Google Bard, который интегрируется с документами Google.

Для более масштабных проектов искусственного интеллекта их стоимость часто может быть недооценена. Особенно, когда речь идет о ресурсах и времени, необходимых для сбора и подготовки данных. Например, по словам Арвинда Кришны из IBM, этап подготовки данных для обучения ИИ может составлять до 80% продолжительности проекта.

Источник: DALL-E 3, подсказка: Марта М. Кания (https://www.linkedin.com/in/martamatyldakania/)

Более того, чем больше нам нужны персонализированные модели ИИ для проекта, тем больше качественных данных нам нужно собрать. Например, глубокие нейронные сети для обучения требуют сотен тысяч примеров. Это увеличивает стоимость сбора и очистки таких огромных наборов данных. К счастью, быстрое развитие искусственного интеллекта означает, что все больше и больше проектов ИИ можно реализовать без необходимости дорогостоящего изучения специальной модели.

Тем не менее, компания, планирующая проект ИИ, должна учитывать не только этап разработки решения, но также подготовку данных и дальнейшее функционирование системы, включая стоимость обслуживания, обновления или сбора новых данных. Только тогда вы сможете оценить реальную отдачу от инвестиций в ИИ.

Проблемы управления данными в проектах искусственного интеллекта. То, что вы должны знать

Ключевой проблемой в проектах искусственного интеллекта являются данные: их доступность, количество и качество. Так что делать? Прежде чем начать проект ИИ, вам необходимо:

• внимательно изучить, какими данными располагает компания – в каком виде они хранятся и откуда берутся,
• заботиться об инфраструктуре и развивать внутренние процессы сбора данных,
• Рассмотрите возможность приобретения внешних наборов данных или краудсорсинга, если их не хватает.

Распространенной проблемой является то, что данные разбросаны по нескольким системам и форматам. Их может быть сложно объединить, очистить и подготовить к обучению ИИ. Хорошей практикой является тесное сотрудничество команды ИИ с ИТ-отделом или аналитиками данных. Вместе они должны обеспечить наличие правильной инфраструктуры и процессов сбора данных.

Технические проблемы и проблемы безопасности в проектах искусственного интеллекта

ИИ – это не просто алгоритмы машинного обучения. Чтобы они работали на практике, необходима целая ИТ-инфраструктура. Между тем, интеграция новых систем искусственного интеллекта с существующими в компании может оказаться сложной задачей. Часто требуется адаптация старых бизнес-систем, что для многих компаний означает значительные затраты на обновление.

Кроме того, проекты искусственного интеллекта требуют знаний в области науки о данных и инженерии данных. Между тем, в мире наблюдается нехватка специалистов в этой области. Согласно отчету McKinsey «Technology Trends Outlook 2023», соотношение объявлений о вакансиях и имеющихся специалистов составляет 7 к 100, а спрос постоянно растет.

Вопрос безопасности данных также немаловажен. Системы искусственного интеллекта обрабатывают огромные объемы конфиденциальной информации, которую необходимо должным образом защитить от утечки. Между тем, в последние годы значительно возросло количество утечек данных. Поэтому это еще один важный риск, который следует учитывать при реализации проектов ИИ.

Ключевые компетенции в сфере ИИ для предпринимателей. С какими трудностями вы можете столкнуться?

Распространенным препятствием для реализации проекта ИИ может быть плохое знание искусственного интеллекта среди менеджеров и лиц, принимающих бизнес-решения. Без глубокого понимания возможностей технологии сложно оценить жизнеспособность конкретных проектов и принять обоснованные решения. Именно поэтому крайне важно инвестировать в повышение знаний менеджеров в области новых технологий.

Переподготовка нынешних сотрудников также может помочь. Все чаще говорят о так называемых «гражданских аналитиках данных» («Гражданские специалисты по данным»). Эти специалисты используют передовые технологии для решения конкретных бизнес-задач, с которыми они сталкиваются ежедневно. Они хорошо осведомлены об отрасли, в которой работают. Будучи частью команды, работающей над проектом ИИ, они позволяют специалистам по ИИ сосредоточиться на проблемах реализации, отвечая на отраслевые вопросы.

Помимо технических навыков, таких как оценка рекомендаций ИИ и принятие решений, важны также мягкие навыки, включая лидерство и стратегическое мышление. Это еще один способ решить проблему нехватки навыков искусственного интеллекта в компаниях.

Анализ успеха проекта ИИ. Как избежать ошибок при измерении ROI?

В Интернете циркулирует необоснованный (и, вероятно, неправдивый) слух о том, что до 87% AI-проектов так и не доходят до стадии производства. Хотя нам не удалось получить доступ к надежным исследованиям успешных проектов, раннее определение способов измерения успеха является ключом к оценке реального воздействия внедрения ИИ.

Хорошей практикой здесь является небольшой эксперимент. Он предполагает тестирование производительности ИИ, например, на случайной выборке пользователей и сравнение результатов с контрольной группой с использованием стандартного решения. Такой A/B-тест поможет вам проверить, может ли новая система искусственного интеллекта принести ожидаемые результаты, такие как увеличение конверсий или удовлетворенность клиентов.

Источник: DALL-E 3, подсказка: Марта М. Кания (https://www.linkedin.com/in/martamatyldakania/)

A/B-тестирование стоит периодически повторять даже после внедрения ИИ, поскольку модели могут потерять точность и актуальность при решении задач. Это позволит вам быстро выявить возникающие аномалии и необходимость повторной калибровки системы, чтобы она продолжала приносить ожидаемые бизнес-результаты.

Краткое содержание

Хотя ИИ предлагает огромные возможности, проекты в этой области сопряжены с серьезными проблемами. Чтобы добиться успеха, вам необходимо реалистично оценить затраты и преимущества ИИ, позаботиться о сборе и качестве данных, развивать собственные компетенции и делать ставку на постепенное внедрение новых технологий. Также крайне важно оценить ощутимое влияние внедрения на бизнес и быстро реагировать на возникающие проблемы. Только тогда ИИ станет для компании усилением, а не угрозой.

Если вам нравится наш контент, присоединяйтесь к нашему занятому сообществу пчел на Facebook, Twitter, LinkedIn, Instagram, YouTube, Pinterest, TikTok.

Автор: Роберт Уитни

Эксперт и инструктор JavaScript, тренирующий ИТ-отделы. Его главная цель — повысить продуктивность команды, обучая других эффективному сотрудничеству при кодировании.

Просмотреть все сообщения

ИИ в бизнесе:

1. Угрозы и возможности ИИ в бизнесе (часть 1)
2. Угрозы и возможности ИИ в бизнесе (часть 2)
3. Приложения искусственного интеллекта в бизнесе – обзор
4. Текстовые чат-боты с поддержкой искусственного интеллекта
5. Бизнес НЛП сегодня и завтра
6. Роль ИИ в принятии бизнес-решений
7. Планирование публикаций в социальных сетях. Как ИИ может помочь?
8. Автоматизированные публикации в социальных сетях
9. Новые сервисы и продукты, работающие с ИИ
10. Каковы слабые стороны моей бизнес-идеи? Мозговой штурм с ChatGPT
11. Использование ChatGPT в бизнесе
12. Синтетические актеры. Топ-3 генератора видео с использованием искусственного интеллекта
13. 3 полезных инструмента графического дизайна с использованием искусственного интеллекта. Генеративный ИИ в бизнесе
14. 3 замечательных автора ИИ, которых вы должны попробовать сегодня
15. Исследование возможностей искусственного интеллекта в создании музыки
16. Навигация по новым бизнес-возможностям с помощью ChatGPT-4
17. Инструменты искусственного интеллекта для менеджера
18. 6 потрясающих плагинов ChatGTP, которые сделают вашу жизнь проще
19. 3 графика А.И. Генерация интеллектуальных технологий для бизнеса
20. Каково будущее искусственного интеллекта по мнению Глобального института McKinsey?
21. Искусственный интеллект в бизнесе – Введение
22. Что такое НЛП, или обработка естественного языка в бизнесе
23. Автоматическая обработка документов
24. Google Translate против DeepL. 5 применений машинного перевода для бизнеса
25. Работа и бизнес-приложения голосовых ботов
26. Технология виртуального помощника, или как поговорить с ИИ?
27. Что такое бизнес-аналитика?
28. Сможет ли искусственный интеллект заменить бизнес-аналитиков?
29. Как искусственный интеллект может помочь в BPM?
30. Искусственный интеллект и социальные сети – что они говорят о нас?
31. Искусственный интеллект в управлении контентом
32. Творческий ИИ сегодня и завтра
33. Мультимодальный ИИ и его применение в бизнесе
34. Новые взаимодействия. Как ИИ меняет то, как мы управляем устройствами?
35. RPA и API в цифровой компании
36. Будущий рынок труда и будущие профессии
37. ИИ в EdTech. 3 примера компаний, которые использовали потенциал искусственного интеллекта
38. Искусственный интеллект и окружающая среда. 3 решения искусственного интеллекта, которые помогут вам построить устойчивый бизнес
39. Детекторы контента AI. Стоят ли они того?
40. ChatGPT против Bard против Bing. Какой чат-бот с искусственным интеллектом лидирует в гонке?
41. Является ли искусственный интеллект чат-бота конкурентом поиска Google?
42. Эффективные подсказки ChatGPT для HR и подбора персонала
43. Оперативный инжиниринг. Что делает оперативный инженер?
44. Генератор макетов AI. Топ-4 инструмента
45. ИИ и что еще? Главные технологические тренды для бизнеса в 2024 году
46. ИИ и деловая этика. Почему вам следует инвестировать в этические решения
47. Мета ИИ. Что вам следует знать о функциях Facebook и Instagram, поддерживаемых искусственным интеллектом?
48. Регулирование ИИ. Что нужно знать предпринимателю?
49. 5 новых применений ИИ в бизнесе
50. Продукты и проекты искусственного интеллекта – чем они отличаются от других?
51. Автоматизация процессов с помощью искусственного интеллекта. Когда начать?
52. Как сопоставить решение ИИ с бизнес-проблемой?
53. ИИ как эксперт в вашей команде
54. Команда ИИ против разделения ролей
55. Как выбрать сферу карьеры в AI?
56. Всегда ли стоит добавлять искусственный интеллект в процесс разработки продукта?
57. ИИ в HR: как автоматизация подбора персонала влияет на HR и развитие команды
58. 6 самых интересных инструментов ИИ в 2023 году
59. 6 крупнейших бизнес-провалов, вызванных искусственным интеллектом
60. Каков анализ зрелости ИИ компании?
61. ИИ для персонализации B2B
62. Варианты использования ChatGPT. 18 примеров того, как улучшить свой бизнес с помощью ChatGPT в 2024 году
63. Микрообучение. Быстрый способ получить новые навыки
64. Самые интересные внедрения ИИ в компаниях в 2024 году
65. Чем занимаются специалисты по искусственному интеллекту?
66. Какие проблемы ставит проект ИИ?