Неправильні шляхи впровадження ШІ: навчайтеся на чужих помилках

На кожну новину про останній прорив у сфері штучного інтелекту (ШІ) ми також бачимо багато історій про невдачі ШІ у світі бізнесу. За оцінками одного дослідження, 70% ініціатив штучного інтелекту «не бачать жодного або навіть мінімального впливу», покладаючи провину на низку факторів: брак досвіду, неправильне розуміння можливостей системи штучного інтелекту та недостатній бюджет тощо.

Розробляючи нашу методологію SoftwareOne Intelligence Fabric для успішного впровадження штучного інтелекту, ми також виявили багато спільних каменів спотикання. Якщо ви будете уважними до таких проблем, ви можете уникнути провалів у ШІ проєктах, які коштували багатьом іншим організаціям надто багато часу, грошей та енергії:

Незрозуміла стратегія

Уявіть собі ритейлера, який хоче надавати більш персоналізовані пропозиції щодо продуктів своїм онлайн-клієнтам, а також покращити управління запасами. Його мета – покращити клієнтський досвід, збільшити продажі і знизити витрати як через надлишок товарів, так і через їх нестачу на складі. Тож компанія розробляє прогнозне моделювання запасів та інтегрує алгоритми рекомендацій штучного інтелекту у свою платформу електронної комерції – і бачить, що обидва рішення не виправдовують його очікувань.

Що пішло не так? Найбільша помилка компанії сталася на початку проєкту, коли вона не вклала достатніх часу та зусиль, необхідних для чіткого визначення бажаних бізнес-результатів і забезпечення стратегічної відповідності програми штучного інтелекту її бізнес-цілям. У результаті проєкт зосередився на технології, а не на конкретних проблемах, які компанія хотіла вирішити, що призвело до невтішних результатів.

Поганий користувацький досвід

У цьому випадку постачальник медичних послуг розглядав штучний інтелект як спосіб автоматизації планування прийому пацієнтів і покращення догляду за ними завдяки персоналізованій подальшій взаємодії. Роблячи це, він прагнув підвищити задоволеність пацієнтів та ефективність роботи, а також оптимізувати робоче навантаження для свого зайнятого персоналу. Але організація припустилася помилки, не звернувши уваги на те, яким буде досвід ШІ для кінцевих користувачів.

Невдовзі після того, як рішення з’явилося, пацієнти почали скаржитися. Вони повідомили, що використання чат-ботів було громіздким, а взаємодія була знеособленою та незадовільною. Тож рівень впровадження чат-ботів залишався низьким, і компанія не отримала очікуваної вигоди. Організація могла б запобігти такому результату, приділивши більше уваги дизайну, орієнтованому на користувача. Це дозволило б їй налаштувати свої великі мовні моделі (LLM) так, щоб вони були більш емпатичними, цікавими та зручними для користувачів.

Слабкі MLOps

Прогнозоване технічне обслуговування обіцяло допомогти виробнику мінімізувати час простою, покращити якість продукції та оптимізувати витрати на обслуговування заводського обладнання. Але алгоритми штучного інтелекту, які реалізувала компанія, не забезпечили рекомендацій щодо обслуговування в режимі реального часу та інших переваг, які компанія очікувала.

Проблема зводилася до неефективних операцій машинного навчання (MLOps) – практики, яка грунтується на успіхах DevOps для підтримки безперервної інтеграції та розробки в додатках ШІ. Оскільки його алгоритми побудовані на слабкому фундаменті, аналіз даних і прогнози виробника виявилися дуже неточними. Якби це почалося з потужніших MLOps, організації було б легше будувати, контролювати та оновлювати моделі машинного навчання, які відображали б реальність.

Недостатня інформаційна база

Прагнучи покращити безпеку та задоволеність клієнтів, фінансовий бізнес сподівався використовувати ШІ для виявлення шахрайства. Але він не зміг побудувати правильну базу, коректно інтегрувавши дані з усіх своїх систем. Як наслідок, застосовані ним алгоритми не працювали ефективно для виявлення шахрайства та підозрілих транзакцій.

Для успішного впровадження штучного інтелекту спочатку потрібно привести дані в порядок. Це означає не тільки гарантувати, що дані, які використовуються для створення рішення, є точними та надійними, але й те, що інформація є чистою, повною та придатною для використання за призначенням.

SoftwareOne пропонує комплексні послуги у сфері AI & Analytics, які допомагають організаціям ефективно використовувати свої дані для прийняття обґрунтованих бізнес-рішень.

Відсутність підтримки у впровадженні

Телекомунікаційна компанія побачила можливість підвищити рівень задоволеності клієнтів і зменшити витрати, запровадивши чат-ботів на основі штучного інтелекту для обробки типових запитів клієнтів. Вона вдосконалювала великі мовні моделі (LLM), використовуючи власні історичні дані про взаємодію з клієнтами, щоб надати більш ефективні та цілеспрямовані відповіді на запитання клієнтів. Але нове рішення зустріло опір як з боку співробітників, так і клієнтів.

Хоча саме рішення штучного інтелекту працювало відповідно до очікувань, компанії не вдалося прокласти шлях для cприйняття кінцевими користувачами. Співробітникам не вистачало навчання, необхідного для ефективного використання технології, а клієнти не мали жодного попередження або інформації перед впровадженням нової системи. Телекомунікаційна компанія могла б краще впоратися зі змінами завдяки проактивному спілкуванню з усіма користувачами, належному навчанню для співробітників і поетапному розгортанню, яке дозволило б впровадити покращення на основі відгуків клієнтів. Це також виграло б від більш зручних структур підтримки, таких як відповіді на поширені запитання та довідкові служби.