Uçtan Uca Yapay Zeka Proje Tasarımında Engelleri Aşmak

S&P Global Market Intelligence'ın bir parçası olan 451 Research tarafından yakın zamanda yapılan bir araştırmaya göre, "AI'yı benimseyen kuruluşların %90'ından fazlası, son beş yıl içinde ilk AI projelerini geliştirmeye başladı." Yeni gelişmekte olan, yapay zeka destekli çözümler etrafımızda yükselişte. Bununla birlikte, bu girişimlerin çoğu, dağıtıma çıkmayı başarsalar bile, hala beklentileri karşılamıyor.

Başarılı olmak için liderler, açık beklentiler, iş hedeflerine uyum ve yineleme tarafından yönlendirilen düşünceli bir strateji ile AI projelerini seçmeli ve yönetmelidir. Başarılı uçtan uca yapay zeka projeleri tasarlarken kuruluşların karşılaştığı yaygın engellere ve bunların nasıl aşılacağına bakalım.

Yapay zeka destekli çözümler için beklentileri yönetme

Bugünün başarısız AI projelerinin çoğu, ekiplerin yeni teknolojilerin sorunlarını çözeceğine dair büyük umutları olduğu için geliştirme projelerinin raydan çıktığı doksanlı yıllardaki kurumsal yazılım projelerini hatırlatıyor. Hem o zaman hem de şimdi, büyük bir tuzak, çözümünüzün gerçekte neyi çözebileceğine dair şişirilmiş beklentilere sahip olmaktır.

Yeterli veri toplayarak her şeyin birdenbire şeffaf olacağını varsaymak tehlikelidir; müşteri davranışlarını tahmin edebileceğiniz veya ihtiyaçlarını tahmin etmek için mükemmel önerilerde bulunabileceğiniz. Ne yazık ki, dünya insanların olmasını istediğinden çok daha az tahmin edilebilir. Yararlı modeller ortaya çıksa da, tüm olaylar nedensel veya hatta korelasyonlu değildir - sadece gürültü üreten birçok şey olur.

Aynı zamanda, birçok kuruluş meslektaşlarının yapay zeka çözümlerini uyguladığını görüyor ve buna ayak uydurmak için baskı hissediyor. Akranlarınızın başarılarını neyin yönlendirdiğini ve kendi kuruluşunuz için işe yarayıp yaramayacağını anlamazsanız, yalnızca “Jones'lara ayak uydurmak” için AI'ya yatırım yapmak geri tepebilir. Genellikle, AI projelerinde bir ayağı olan şirketler, veri stratejileri ve iş süreçleri AI için doğru veri türlerini toplamalarını ve bunlardan yararlanmalarını sağlayan yerinde.

Sonuç olarak, AI projeleri için beklentileri yönetmek, AI ile hangi sorunlarınızın gerçekten çözülebileceğini ifade etme yeteneği ile başlar.

Sorunlarınız için doğru türde yapay zeka projeleri seçme

Yapay zeka stratejiniz iş hedeflerinizle uyumlu mu? Proje seçimi, muhtemelen kuruluşların AI girişimleriyle karşı karşıya kaldıkları en büyük zorluktur. Yanıtlamaya çalıştığınız soruyu, bu soruyu yanıtlamanın nasıl (ve eğer) daha iyi iş sonuçları sağlayacağını ve sahip olduğunuz kaynakların bu soruyu başarılı ve verimli bir şekilde yanıtlayıp yanıtlayamayacağını gerçekten anlamak önemlidir.

Bir müşteriye ne zaman ve ne tür bir indirim sunacağınızı belirlemek için tahmine dayalı bir model kullanmak istediğinizi varsayalım. Veri bilimi ekibini getirin! Ancak bu, tahmine dayalı bir model problemi olarak yaklaşmak aslında çok zordur. Her şeyden önce, müşterinizin ürünü indirim olmadan satın alıp almayacağını bilmek zor. Ve yararlı bir model üretmek için gerekli verileri yeterli istatistiksel titizlikle toplamak, büyük olasılıkla, hangi müşterilerin indirim alacağını veya hangi satış temsilcilerinin indirim yapabileceğini rastgele belirlemek gibi, iş için doğal olmayan bazı süreçleri içerecektir. Bu, duruma çok fazla karmaşıklık katıyor.

Bu soruna yapay zeka ile yaklaşmanın daha iyi bir yolu, farklı indirim rejimleri altında beklediğiniz müşteri davranışının simülasyon modellerini keşfetmek olabilir. Kesin bir tahmine ulaşmak için sisteme işkence etmek yerine, simülasyon ve senaryo planlaması, insanların iş kararları verirken hangi değişkenlerin birbirine duyarlı olduğunu ortaya çıkarmasına yardımcı olabilir. Kendinize şunu sorun: Bu indirimin anlamlı olması için hangi müşteri yanıtına ihtiyacımız var? Potansiyel sonuçları keşfetmeye yönelik bu tür bir alıştırma, karmaşık bir veri bilimi deneyi oluşturmaktan çok daha etkilidir ve kesinlikle çok daha kolaydır.

Ekiplerinizi başarı için kurun

Verilerinizin ne için toplandığını ve küratörlüğünü yaptığını, geçmişte nasıl kullanıldığını ve gelecekte nasıl kullanılacağını anlamak, veriler üzerinde her türlü yapay zeka etkinliğini yapmak için çok önemlidir. Müdahaleyi yaptığınız anda gerçek dünyada mevcut olanı temsil eden ve tamamlanmış veriler üzerinde bir model eğitmek önemlidir. Örneğin, anlaşma hattınızda birden fazla aşama varsa ve beşinci aşamada bir anlaşmanın kapanma olasılığını tahmin etmek istiyorsanız, modeli üçüncü veya dördüncü aşamadaki anlaşmalarda çalıştıramaz ve faydalı sonuçlar bekleyemezsiniz.

Veri bilimcileri, verilerin neyi temsil ettiğinin ve nasıl üretildiğinin nüanslarını anlamada genellikle bir boşluk yaşarlar. Verilerin yaratılmasında hangi insani ve teknolojik süreçler rol oynuyor ve işiniz bağlamında veriler tam olarak ne anlama geliyor? Bu, verilere yakın olan analistlerin ve iş kullanıcılarının ve bu verilerle çözmeye çalıştığınız sorunların inanılmaz derecede değerli olduğu yerdir. biz severiz AI'yı bir takım sporu olarak düşünün çünkü başarı, temel bir veri ve model okuryazarlığına ek olarak iş bağlamını da gerektirir.

Son olarak, kuruluşların verilere veya teknolojiye çok fazla odaklandıklarında gözden kaçırabilecekleri, proje başarısının insan merkezli yönleri vardır. Genellikle, AI bir tahminde bulunabilir, ancak bunun nasıl önerilen bir eyleme dönüştürüleceğine karar vermek birisine bağlıdır. Öneri, net ve insanların takip etmeye istekli olacağı bir eylem sağlamada faydalı mı? Bu önerilerin etkin bir şekilde alınacağı bir ortam yaratıyor musunuz?

Bir şeyi tahmin etmek sadece bazen yararlıdır. Fiyatları, ürün hacmini veya personeli ayarlamaya, hatta ürün hattınızı değiştirmeye istekli misiniz? İnsanların yeni çözümü benimsemeleri ve yerleşik davranışlarını ve süreçlerini geliştirmeleri için hangi düzeyde bir değişim yönetimi gereklidir? Güven, tutarlı bir davranış kalıbından ve işi eğitmeye devam etme isteğinden gelir; İnsanların işlerini nasıl yaptıkları üzerinde radikal bir etki yapacaksanız, buna katılmaları gerekir.

Küçükten başlayıp yinelenen

Müşterilerle çalışırken gördüklerimize dayanan bazı rehberliği kapatalım.

Çoğu zaman en iyi ilk yapay zeka projesi, en az karmaşık değişiklik yönetimi ile operasyonel hale getirilmesi ve üretime alınması en kolay olacak olandır. Çok küçük bir artımlı iyileştirme olsa bile, mümkün olan en kısa sürede değer sağlayan bir şey oluşturmaya çalışın. Müşterilerinizi, iş kullanıcılarınızı ve paydaşlarınızı mümkün olduğunca geliştirme sürecine yakın tutun. Hem modeli yinelemeli olarak iyileştirmek için daha fazla veri toplama anlamında hem de projeyi ve sonuçlarını iyileştirmek için paydaşlardan gelen girdiler anlamında iyi bir geri bildirim ortamı yaratmayı hedefleyin.

AI ile her zaman çözümün kaçırıldığı uç durumlar olacaktır. Ancak, yalnızca birkaç ısmarlama kullanım durumu için işe yarayan gerçekten gösterişli bir kavram kanıtı geliştirmek yerine, müşterilerinizin veya çalışanlarınızın çoğunluğu için işe yarayan çözümler bulmak daha iyidir. Günün sonunda, AI sürtünmeyi azaltmalı ve insanların işlerini yapmalarını ve bilinçli kararlar vermelerini kolaylaştırmalıdır.

Tableau AI analitiği hakkında daha fazla bilgi edinmek için şu adresi ziyaret edin: tablo.com/ai.