დაბრკოლებების გადალახვა ბოლოდან ბოლომდე AI პროექტის დიზაინში

S&P Global Market Intelligence-ის ნაწილის, 451 Research-ის ბოლო კვლევის მიხედვით, „ორგანიზაციების 90%-ზე მეტმა, რომლებმაც მიიღეს ხელოვნური ინტელექტი, დაიწყო მათი პირველი AI პროექტის განვითარება ბოლო ხუთი წლის განმავლობაში“. მიუხედავად იმისა, რომ ახალი, ხელოვნური ინტელექტის მქონე გადაწყვეტილებები იზრდება ჩვენს ირგვლივ. თუმცა, ამ ინიციატივებიდან ბევრი ჯერ კიდევ არ ამართლებს მოლოდინს - თუკი ისინიც კი მიაღწევენ განლაგებას.

წარმატების მისაღწევად, ლიდერებმა უნდა აირჩიონ და მართონ ხელოვნური ინტელექტის პროექტები გააზრებული სტრატეგიით, რომელიც განპირობებულია მკაფიო მოლოდინებით, ბიზნეს მიზნებთან შესაბამისობით და განმეორებით. მოდით გადავხედოთ ორგანიზაციების საერთო დაბრკოლებებს, რომლებიც აწყდებიან წარმატებული AI პროექტების შემუშავებისას და როგორ გადავლახოთ ისინი.

მოლოდინების მართვა ხელოვნური ინტელექტის მქონე გადაწყვეტილებებისთვის

დღეს ბევრი წარუმატებელი ხელოვნური ინტელექტის პროექტი მოგვაგონებს ოთხმოცდაათიანი წლების საწარმოს პროგრამულ პროექტებს, სადაც განვითარების პროექტები რელსებიდან შორდებოდა, რადგან გუნდებს დიდი იმედი ჰქონდათ, რომ ახალი ტექნოლოგიები მოაგვარებდა მათ პრობლემებს. როგორც მაშინ, ასევე ახლა, მთავარი პრობლემა არის გაბერილი მოლოდინები იმის შესახებ, თუ რისი გადაჭრა შეუძლია რეალურად თქვენს გადაწყვეტილებას.

სახიფათოა ვივარაუდოთ, რომ საკმარისი მონაცემების შეგროვებით, ყველაფერი მოულოდნელად გამჭვირვალე გახდება; რომ თქვენ შეგიძლიათ იწინასწარმეტყველოთ მომხმარებელთა ქცევა ან გააკეთოთ სრულყოფილი რეკომენდაციები მათი მოთხოვნილებების გასათვალისწინებლად. სამწუხაროდ, სამყარო გაცილებით ნაკლებად პროგნოზირებადია, ვიდრე ადამიანებს სურთ. მიუხედავად იმისა, რომ გამოსადეგი შაბლონები ჩნდება, ყველა მოვლენა არ არის მიზეზობრივი ან თუნდაც დაკავშირებული - ბევრი რამ ხდება, რაც მხოლოდ ხმაურს ქმნის.

ამავდროულად, ბევრი ორგანიზაცია ხედავს, რომ მათი თანატოლები ახორციელებენ AI გადაწყვეტილებებს და გრძნობენ ზეწოლას, რომ გააგრძელონ. AI-ში ინვესტირება მხოლოდ იმისთვის, რომ „ჯონსებთან არ დარჩეს“ შეიძლება უკუშედეგი იყოს, თუ არ გესმით, რა განაპირობებს თქვენი თანატოლების წარმატებებს და იმუშავებს თუ არა ეს თქვენი საკუთარი ორგანიზაციისთვის. ხშირად, კომპანიებს, რომლებიც წინ უსწრებენ AI პროექტებს, აქვთ მონაცემთა სტრატეგიები და ბიზნეს პროცესები ადგილზე, რომელიც მათ საშუალებას აძლევს შეაგროვონ და ისარგებლონ AI-სთვის შესაფერისი ტიპის მონაცემებით.

საბოლოო ჯამში, ხელოვნური ინტელექტის პროექტების მოლოდინების მართვა იწყება იმის უნარით, რომ დაასახელოთ, რომელი თქვენი პრობლემის გადაჭრა შეიძლება რეალურად AI-ით.

აირჩიეთ AI პროექტების სწორი ტიპები თქვენი პრობლემებისთვის

თქვენი AI სტრატეგია შეესაბამება თქვენს ბიზნეს მიზნებს? პროექტის შერჩევა ალბათ ერთადერთი უდიდესი გამოწვევაა, რომელსაც ორგანიზაციები აწყდებიან თავიანთი AI ინიციატივებით. მნიშვნელოვანია რეალურად გესმოდეთ კითხვაზე, რომელზეც ცდილობთ პასუხის გაცემას, როგორ (და თუ) ამ კითხვაზე პასუხის გაცემა მოგცემთ გაუმჯობესებულ ბიზნეს შედეგებს და შეუძლია თუ არა თქვენს ხელთ არსებულ რესურსებს წარმატებით და ეფექტურად უპასუხოს მას.

ვთქვათ, გსურთ გამოიყენოთ პროგნოზირების მოდელი, რათა დადგინდეს, როდის და რა სახის ფასდაკლება შესთავაზოთ მომხმარებელს. შემოიტანეთ მონაცემთა მეცნიერების გუნდი! მაგრამ ეს რეალურად ძალიან რთულია მიდგომა, როგორც პროგნოზირებადი მოდელის პრობლემა. უპირველეს ყოვლისა, ძნელია იმის ცოდნა, იყიდის თუ არა თქვენი მომხმარებელი პროდუქტს ფასდაკლების გარეშე. და საჭირო მონაცემების საკმარისი სტატისტიკური სიმკაცრით შეგროვება სასარგებლო მოდელის შესაქმნელად, სავარაუდოდ, მოიცავს ზოგიერთ პროცესს, რომელიც არაბუნებრივია ბიზნესისთვის - მაგალითად, შემთხვევითობის შედგენა, თუ რომელ კლიენტებს მიიღებენ ფასდაკლება ან გაყიდვების წარმომადგენლებს შეუძლიათ ფასდაკლება. ეს უამრავ სირთულეს მატებს სიტუაციას.

ამ პრობლემისადმი AI-სთან მიახლოების უკეთესი გზა შეიძლება იყოს მომხმარებლის ქცევის სიმულაციური მოდელების შესწავლა, რომელსაც ელით სხვადასხვა ფასდაკლების რეჟიმის პირობებში. იმის მაგივრად, რომ სისტემა აწამონ ზუსტი პროგნოზის მისაღწევად, სიმულაცია და სცენარის დაგეგმვა შეიძლება დაეხმაროს ადამიანებს იმის გარკვევაში, თუ რომელი ცვლადებია ერთმანეთის მიმართ მგრძნობიარე ბიზნეს გადაწყვეტილებების მიღებისას. ჰკითხეთ საკუთარ თავს: რა პასუხი დაგვჭირდება მომხმარებელმა, რომ ამ ფასდაკლებას აზრი ჰქონდეს? პოტენციური შედეგების შესასწავლად ამგვარი ვარჯიში ბევრად უფრო ეფექტური და, რა თქმა უნდა, ბევრად უფრო ადვილია, ვიდრე მონაცემთა მეცნიერების რთული ექსპერიმენტის შექმნა.

დააყენეთ თქვენი გუნდები წარმატებისთვის

იმის გაგება, თუ რისთვის იყო შეგროვებული და კურირებული თქვენი მონაცემები, როგორ იქნა გამოყენებული წარსულში და როგორ იქნება გამოყენებული მომავალში, გადამწყვეტია ნებისმიერი სახის AI აქტივობის შესასრულებლად მონაცემებზე. მნიშვნელოვანია მოდელის მომზადება იმ მონაცემებზე, რომელიც არის სრული და წარმოადგენს იმას, რაც რეალურ სამყაროშია ხელმისაწვდომი იმ მომენტში, როდესაც თქვენ აკეთებთ ინტერვენციას. მაგალითად, თუ თქვენ გაქვთ რამდენიმე ეტაპი თქვენი გარიგების მილსადენში და გსურთ წინასწარ განსაზღვროთ გარიგების დახურვის ალბათობა მეხუთე ეტაპზე, მაშინ არ შეგიძლიათ მოდელის გაშვება გარიგებებზე მესამე ან მეოთხე ეტაპებზე და მოელით სასარგებლო შედეგებს.

მონაცემთა მეცნიერებს ხშირად აქვთ ხარვეზი იმის გაგებაში, თუ რას წარმოადგენს მონაცემები და როგორ წარმოიქმნება ისინი. რა ადამიანური და ტექნოლოგიური პროცესები მონაწილეობს მონაცემთა შექმნაში და კონკრეტულად რას ნიშნავს ეს მონაცემები თქვენი ბიზნესის კონტექსტში? ეს არის სადაც ანალიტიკოსები და ბიზნეს მომხმარებლები, რომლებიც ახლოს არიან მონაცემებთან და პრობლემებთან, რომელთა გადაჭრასაც ცდილობთ, წარმოუდგენლად ღირებულია. Ჩვენ მოგვწონს იფიქრეთ AI, როგორც გუნდური სპორტი რადგან წარმატება მოითხოვს ბიზნეს კონტექსტს, გარდა მონაცემთა საბაზისო და მოდელის წიგნიერებისა.

და ბოლოს, არის ადამიანზე ორიენტირებული პროექტის წარმატების ასპექტები, რომლებსაც ორგანიზაციებს შეუძლიათ უგულებელყოს, თუ ისინი ძალიან კონცენტრირებულნი არიან მონაცემებზე ან ტექნოლოგიაზე. ხშირად, AI-ს შეუძლია პროგნოზის გაკეთება, მაგრამ ვინმეს გადასაწყვეტია, როგორ გადააქციოს ეს რეკომენდებულ ქმედებად. არის თუ არა წინადადება გამოსადეგი მკაფიო მოქმედების უზრუნველსაყოფად და ისეთი წინადადება, რომელსაც ხალხი მზად იქნება მიჰყვეს? ქმნით თუ არა ისეთ გარემოს, სადაც ეს წინადადებები ეფექტიანად იქნება მიღებული?

რაღაცის წინასწარმეტყველება მხოლოდ ზოგჯერ სასარგებლოა. მზად ხართ შეცვალოთ ფასები, პროდუქტის მოცულობა ან პერსონალი, ან თუნდაც შეცვალოთ თქვენი პროდუქტის ხაზი? ცვლილებების მენეჯმენტის რა დონეა საჭირო იმისათვის, რომ ადამიანებმა აითვისონ ახალი გადაწყვეტა და განავითარონ თავიანთი ქცევები და პროცესები? ნდობა მოდის თანმიმდევრული ქცევის ნიმუშიდან და ბიზნესის განათლების გაგრძელების სურვილიდან; თუ თქვენ აპირებთ რადიკალურად იმოქმედოთ იმაზე, თუ როგორ ასრულებენ ადამიანები თავიანთ სამუშაოს, მათ უნდა გაითვალისწინონ ეს.

იწყება მცირე და განმეორებით

მოდით დავხუროთ რამდენიმე სახელმძღვანელო მითითება, რაც ვნახეთ მომხმარებლებთან მუშაობისას.

ხშირად საუკეთესო პირველი AI პროექტი არის ის, რომლის ფუნქციონირება და წარმოებაში შესვლა ყველაზე მარტივი იქნება ცვლილებების ყველაზე ნაკლებად რთული მენეჯმენტით. შეეცადეთ შექმნათ ისეთი რამ, რაც შეძლებისდაგვარად სწრაფად მოაქვს ღირებულებას, თუნდაც ეს იყოს ძალიან მცირე დამატებითი გაუმჯობესება. და შეინახეთ თქვენი მომხმარებლები, ბიზნეს მომხმარებლები და დაინტერესებული მხარეები რაც შეიძლება ახლოს განვითარების პროცესთან. მიზნად ისახავს შექმნას კარგი გამოხმაურების გარემო - როგორც მოდელის განმეორებით გასაუმჯობესებლად მეტი მონაცემების შეგროვების თვალსაზრისით, ასევე დაინტერესებული მხარეებისგან პროექტის და მისი შედეგების გასაუმჯობესებლად.

ხელოვნური ინტელექტის საშუალებით, ყოველთვის იქნება ისეთი შემთხვევები, როდესაც გამოსავალი არ არის. მაგრამ უმჯობესია იპოვოთ გადაწყვეტილებები, რომლებიც მუშაობს თქვენი მომხმარებლების ან თანამშრომლების უმრავლესობისთვის, ნაცვლად იმისა, რომ შეიმუშაოთ კონცეფციის მართლაც თვალწარმტაცი მტკიცებულება, რომელიც მუშაობს მხოლოდ რამდენიმე შეკვეთილი გამოყენების შემთხვევაში. დღის ბოლოს, ხელოვნურმა ინტელექტუალმა უნდა შეამციროს ხახუნი და გაუადვილოს ადამიანებს თავიანთი სამუშაოს შესრულება და ინფორმირებული გადაწყვეტილებების მიღება.

Tableau AI ანალიტიკის შესახებ მეტი ინფორმაციისთვის ეწვიეთ tableau.com/ai.