7 проблем, которые мешают внедрить ИИ в работу — исследование Salesforce
Инсайты 10.000 аналитиков, айтишников и руководителей — и все про ИИ. Если вы были не в теме искусственного интеллекта и хотите разобраться на опыте реальных компаний, что к чему, читайте статью.
Всем привет! На связи команда корпоративного мессенджера Compass. Делимся переводом большого исследования про ИИ и базы данных.
Искусственный интеллект уже показал, что умеет много всего полезного и упрощает работу компании. Но у него есть барьеры, которые до сих не дали ИИ захватить мир, а компаниям — внедрить его в процессы. Разбираем эти барьеры и рассказываем, что делать.
Главная проблема: генеративному ИИ нужна диета
Получить ответ на любой запрос, изобрести закон и проанализировать рынок: всего этого недостаточно, чтобы ИИ работал на бизнес.
После бума на искусственный интеллект исследователи поняли: мало вкладываться в технические возможности AI в надежде, что он изменит и оптимизирует работу. Важнее стали проверенные данные. Компании хотят привить AI ценность фактчекинга: вот после этого-то всё и изменится.
Компании так быстро внедряют ИИ, что надежность данных становится все большей ценностью. Чтобы привить эту ценность ИИ, нужно привить ее тем данным, которыми он наполняется. Представьте, что у искусственного интеллекта есть диета: он может питаться фастфудом, а может — проверенными продуктами. Проще говоря, ИИ даст бизнесу реальный профит, только когда будет подпитываться точными данными. Наша аналитика показывает острую необходимость в надежной информации сейчас больше, чем когда-либо.
Но дело не только в надежности данных: есть и другие проблемы, которые тормозят компании. Рассказываем о них ниже.
Еще 6 причин, почему ИИ трудно внедрить
ИТ-инфраструктура компаний не готова к ИИ
Базы данных компаний и их техническая структура пока не готовы к искусственному интеллекту. Внутри инфраструктуры пока мало инструментов, которые легко синхронизируются с ИИ: просто потому что ИИ — штука новая, а когда инфраструктура создавалась, у нее не было задачи работать с искусственным интеллектом.
Нет единой системы данных
Если у вас до сих пор вся инфа хранится в десятках таблицах, документах и приложениях, есть повод задуматься о какой-то единой платформе или продуманной системе хранения.
Без организованной системы данных ИИ не даст результат.
Неточность данных
Искусственный интеллект ограничивается данными компании и открытых источников, поэтому может не давать полной картины или использовать ненадежную информацию.
Меньше всего в точности данных уверены отделы продаж и сервис, больше всего — подразделения аналитики.
Этические вопросы
Во-первых, ИИ не всегда принимает решения исходя из ценности человеческой жизни, хотя иногда ее можно задавать, как условие.
Во-вторых, ИИ работает на основе данных из интернета, а там полно неэтичных стереотипов. Например, по запросу «доктор» чаще выпадают мужчины, «учитель» — женщина, «женщина» — домохозяйка и прочее.
Получается, ИИ заранее необъективен, потому что работает на основе данных из интернета, а в них есть и стереотипы, и пристрастия.
Это называется AI bias — пристрастность ИИ.
Нет системного сбора данных и дата-стратегии
41% лидеров говорят, что их дата-стратегия только частично согласована с целями или не согласована вовсе. Это значит, что нет связной аналитики данных о пользователе и рынке. А без этого внедрить ИИ сложно: ему просто будет нечего анализировать.
Только 32% руководителей и аналитиков измеряют и изучают ценность монетизации данных.
Угрозы безопасности
78% аналитиков, руководителей и айти-лидеров говорят, что им трудно добиваться бизнес-целей из-за проблем с данными: в том числе с их безопасностью.
Во-первых, уже появляются прецеденты, где ИИ как бы незаконно анализирует материалы книг, например. Хотя авторы на это согласия не давали.
Во-вторых, нет ясности: что будет с загруженным в ИИ данными. Непонятно, станут ли они частью знаний ИИ или нет. А там может быть конфиденциальная инфа и о пользователях, и о компании.
Получается конфликт: можно внедрить ИИ и добиваться целей с его помощью, но это угрожает безопасности компании и пользователей.
Как внедрять ИИ и решать проблемы выше: 4 совета
Совет №1: Инвестируйте в проверенную инфу для ИИ, чтобы получать достоверные выводы на выходе
79% аналитиков и руководителей планируют инвестировать в визуализации данных и ИИ, 75% — в обучение и и развитие искусственного интеллекта с помощью проверенных данных.
Чтобы получать проверенную инфу для загрузки в ИИ, вкладывайте в аналитику: на аутсорсе или инхаус.
Совет №2: Меняйте подход к управлению информацией, чтобы снизить гравитацию данных
Выше мы уже писали, что без единой системы данных сложно внедрить ИИ. Поэтому руководители организуют информацию так, чтобы ее было проще использовать, а не только хранить.
Например, 85% аналитиков и айти-руководителей управляют данными, чтобы контролировать и подтверждать качество информации. Если этого не делать, ИИ начнет потреблять некачественные данные и выдавать некорректные результаты.
Получается, что ИИ — стимул навести порядок в том, как компания организует базы данных и как их использует.
Более зрелые компании (те, где данными управляют систематически и измеряют их на каждом этапе) чаще видят преимущества от ИИ в демократизации доступа к данным, например.
Гравитация данных происходит, когда информация внутри компании разбросана по разным системам или находится в местах, откуда ее трудно экспортировать, объединять и анализировать.
Чтобы бороться с гравитацией, руководители и аналитики управляют данными с помощью разных подходов и чаще полагаются на гибридные или on-premise решения.
Поэтому 75% аналитиков и айти-компаний уже запустили миграцию хранилищ данных и начали переносить базы на новые платформы.
Совет №3: Ищите новые платформы и бизнес-решения для хранения и анализа данных, чтобы внедрять ИИ
96% руководителей и аналитиков говорят, что ИИ и прочные базы данных ускоряют принятие решений.
Основные критерии для новых платформ и баз данных — облачное хранение, возможности ИИ, скорость и простота размещения новых данных, простое юзабилити для пользователей и совместимость с текущим техническим стеком.
Совет №4: Ищите процессы, где ИИ будет полезен, а не внедряйте, только чтобы внедрить
На хайпе новостей про ИИ можно сойти с ума и подключать его ко всем процессам подряд, чтобы не упустить возможностей новой эпохи. И это может стать ошибкой — не всем процессам нужен ИИ, не везде он дает результат и не везде он будет упрощать работу.
Смотрите на работу компании трезво и анализируйте процессы, чтобы найти точки применения ИИ до того, как его внедрить.
То же самое, но в 5 раз короче
Выводы из исследования. Вот, что мешает адекватно внедрить ИИ в работу компании:
- ИТ-инфраструктура не готова к ИИ. Данные сложно анализировать и загружать ИИ, а если делать все руками — потратите кучу времени.
- Нет единой системы данных. Когда разные отделы работают на пяти платформах сразу, и никто толком не знает: где найти какую-то информацию — в гугл-доке, миро или закрепе в телеграме.
- Данные неточные, непроверенные или их вообще нет. Так называют компании с низкой дата-зрелостью: когда данные не собираются и не анализируется на каждом этапе
- Этика. Искусственный интеллект мыслит предвзято, потому что использует информацию из интернета. А там есть стереотипы и непроверенные данные.
- Цели у бизнеса есть, желание внедрить ИИ есть, а организованной стратегии сбора и аналитики данных нет. Или вообще ничего нет. Как итог — ИИ просто нечего анализировать.
- Безопасность. Во-первых, пока непонятно: законно ли использовать всю информацию, которую дает ИИ. Во-вторых, неясно: а что будет с данными, которые загружаешь в ИИ для обработки.
Кстати, пишите в комментах, внедряете ИИ или нет и что мешает, если нет.
И советы, как преодолеть проблемы выше и внедрить ИИ в работу компании:
- Инвестировать в надежные данные и аналитику аутсорс или инхаус, чтобы ИИ выдавал корректные результаты на выходе.
- Менять подход к управлению данными и уменьшать их гравитацию. Использовать гибридные решения в хранении данных, чтобы их было проще экспортировать, хранить и использовать.
- Искать платформы и бизнес-решения, которые будет просто подключать к ИИ и синхронизировать с ним.
- Искать процессы, где ИИ будет реально полезен, а не внедрять его просто так — в страхе отстать от цивилизации.
Попробуйте корпоративный мессенджер Compass – жмите на кнопку ниже. Команды до 10 сотрудников могут пользоваться сервисом бесплатно, для команд покрупнее доступен пробный 30-дневный период.
Главная проблема — человеки, леность и инертность их мышления.
Но ничего, ИИ всё исправит (-:
Исправит, только заменив ленивых людей.
Если ИИ исправит человеков, цены ему не будет :)
читатели, комментаторы, команда Compass, можете привести хотя бы 2-3 примера, как именно ИИ могут быть полезны конкретно для обычного бизнеса? Может кейс какой есть?
Написал контент план для смм с помощью gpt - это не совсем кейс ))))
Антон, добрый день!
Могу я привести несколько примеров:
1. Подготовка протокола совещания на основании записи встречи.
ИИ транскрибирует звук в текст и из текста делает выжимку. результат Работы ИИ помещается в документ "Протокол".
То есть тут мы упрощаем жизнь секретарям и помощникам руководителей.
2. Подготовка черновика ответного письма.
Скармливаете в генеративный ИИ текст входящего письма или обращения, и просите подготовить ответ. Моделька может быть предварительна дообучена на ваших исторических данных и давать хорошие рабочие черновики ответов.
3. Маршрутизация по ответственным входящих запросов\писем\обращений.
На основании машинного обучения можно сделать так, чтобы по определенным тригеррам или содержанию(словам) ИИ распределяла задачи по ответственным.
Я часто пишу на VC статьи с кейсами применения, можете в профиле почитать.
Ниже отличный коммент, но мы добавим еще.
1. Если прикрутить ИИ к своей CRM или просто скормить боту данные, он проанализирует динамику продаж, подскажет, на каком этапе чаще всего сделки отваливаются, какие "горячие" периоды и т.д.
2. Если нужны идеи, как продвинуть продукт / увеличить продажи / что интересного вечером сделать, у вас есть партнер для брейншторма.
бвло бы круто увидеть какое-то готовое решение с применением ИИ. Прям чтобы было все разложено по полочкам, что делали, с помощью какой нейронки, что облегчили, что улучшали, как сказалось на прибыли )
Много букв сейчас посвещенных ИИ, но кажется это пока "удобный поиск"