Три основных правила для достижения высокой рентабельности инвестиций в ИИ для бизнес процессов

Думайте о внедрении ИИ как об инвестициях в вашу компанию или бизнес процессы? Мы с ребятами из RussianGeeks подготовили вам небольшую статью на эту тему, а так как вообще материалов на счет ИИ и внедрении его в компании не много, надеюсь вам понравится. Погнали…

Давайте представим это так:

У вас есть хорошая духовка ну или печь для ресторана,. На протяжении долгого времени вы думайте о внедрении ИИ в нее для вашего ресторана. Как бы круто это ни было, духовка — это всего лишь инструмент. Чтобы предлагать вкусную кухню, вам по-прежнему нужны качественные продукты, крутые повара и список рецептов для правильного приготовления.

То же самое и с искусственным интеллектом, который следует объединить с тремя дополнительными элементами, чтобы повысить производительность вашей компании и добиться удовлетворительной рентабельности инвестиций (ROI):

В настоящее время ни одна отрасль промышленности не отказывается от ценного вклада искусственного интеллекта.

От энергетики до горнодобывающего сектора, от образования до человеческих ресурсов, ИИ проникает практически в любой бизнес, как правило, обеспечивая положительную рентабельность инвестиций от его внедрения.

Возврат инвестиций в сферу искусственного интеллекта может происходить четырьмя разными способами:

Согласно исследованиям ESI ThoughtLab и Deloitte, главные области с точки зрения отдачи от инвестиций в ИИ включают обслуживание клиентов (74%), ИТ-операции и инфраструктуры (69%), планирование и принятие решений (66%).

Хотя такие данные обнадеживают, многие компании по-прежнему не могут добиться удовлетворительной рентабельности инвестиций в свои проекты ИИ.

Это потому, что для получения положительных результатов необходимы некоторые базовые требования.

«Основные области с точки зрения отдачи от инвестиций в ИИ включают обслуживание клиентов (74%), ИТ-операции и инфраструктуры (69%), планирование и принятие решений (66%)».

Согласно опросу ESI ThoughtLab, все компании, достигшие высокой рентабельности инвестиций (более 5%), внедрили ключевые методы управления данными, отслеживания результатов и безопасности.

Еще один фактор, который следует учитывать, — это опыт и зрелость компаний: ведущие компании могут похвастаться в среднем 4,3% рентабельности инвестиций и относительно коротким периодом выплаты заработной платы (1,2 года) для своих проектов ИИ по сравнению с рентабельностью инвестиций 0,2% и более длительным периодом окупаемости ( 1,6 года) новичков.

Подводя итог, компании, инвестирующие в искусственный интеллект, должны понять в первую очередь, что внедрение ИИ может быть выгодно использовано только при надлежащей подготовке, состоящей из хороших данных, стратегий и профессионалов, как мы упоминали во введении.

Что касается этого, давайте углубимся еще немного!

Искусственный интеллект — невероятный инструмент, который буквально меняет наш образ жизни. Это особенно верно, когда мы рассматриваем его самые последние и мощные ветви, а именно машинное обучение и глубокое обучение.

Потенциал машинного обучения заключается в его способности автономно распознавать ключевые взаимосвязи между необработанными данными и создавать модели прогнозов.

Такую суперсилу можно применять практически везде: от маркетинга, в котором системы на основе машинного обучения сканируют данные клиентов для персонализации рекламы, до электроэнергетических компаний, которые используют ИИ для прогнозирования энергетической нагрузки в зависимости от погодных условий.

Тот факт, что он голоден до данных, также является самым большим ограничением ИИ, когда дело доходит до его использования.

AI и ML не могут генерировать полезные идеи из любой информации, которой вы их кормите. Данные должны быть подходящими как по количеству, так и по качеству.

Что касается количественного аспекта, есть несколько уловок для увеличения нашего информационного меню. Об этом в статье рассказал наш технический менеджер Константин.

Переходя к качеству предоставляемых данных, ситуация становится гораздо более сложной. Набор данных всегда должен быть широко репрезентативным и многогранным, принимая во внимание многочисленные условия, при которых может применяться наша модель машинного обучения.

Это означает, например, что если мы готовим набор, содержащий информацию о наших клиентах, необходимо учитывать множество аспектов: личные данные, предпочтения клиентов, потенциальный отток и уровень удержания, готовность к покупке и так далее.

Как только эта информация будет собрана, любая компания, внедряющая ИИ, сможет использовать ее для управления каждым взаимодействием с клиентом.

Все это легче сказать, чем сделать, потому что сбор правильных данных требует времени и денег, а риск компрометации или искажения нашего набора данных неверной, предвзятой или неполной информацией всегда не за горами.

Это особенно очевидно при анализе речи и инструментах, которые на него полагаются, например чат-ботах. Если вы обучите их только формальным текстам (например, газетным статьям и официальной документации), они про

bably не сможет понять типично неформальный язык обычных пользователей.

А как насчет систем на основе искусственного интеллекта для обслуживания промышленных машин?

Если собранные данные не являются репрезентативными для работы предприятия (например: датчики продолжают работать, когда машина выключена), ИИ будет иметь некоторые проблемы с распознаванием стандартного и нестандартного поведения и, следовательно, с пониманием того, что что-то идет не так.

Данные — это топливо ... и предел

Как показали исследования, проблемы с доступностью данных довольно распространены и представляют собой серьезную причину, по которой компании пытаются внедрить ИИ в свой бизнес.

Например, согласно опросу, опубликованному в 2019 году Pistoia Alliance, недостаточный доступ к данным является одним из самых больших препятствий на пути внедрения ИИ для 52% респондентов.

Обучение персонала — ключевой аспект любого успешного бизнеса, особенно когда речь идет об управлении такой мощной и сложной технологией, как искусственный интеллект.

И если вы не согласны с этим утверждением… «Хьюстон, у нас проблема».

Согласно 2-му изданию Deloitte’s State of AI in the Enterprise, 69% компаний сталкиваются с умеренным, серьезным или крайним дефицитом навыков при развертывании ИИ.

Это показывает, что получить полную выгоду от ИИ может быть чрезвычайно сложно, когда ваш персонал не подготовлен.

«69% компаний сталкиваются с умеренным, серьезным или экстремальным дефицитом навыков при развертывании ИИ».

Когда компания внедряет технологии AI и ML в определенную область, необходимо обучать и привлекать всех профессионалов, которые регулярно участвуют во всех связанных операционных процессах.

Таким образом, мы говорим не только о специалистах по системам искусственного интеллекта, но также об инженерах, исследователях, операторах предприятий и так далее.

Эти сотрудники прекрасно знакомы со средой, в которой будет реализован ИИ. Таким образом, они могут понять контекст, из которого данные будут извлечены, а затем переработаны в модели и использованы.

Разумеется, переподготовка и перевод ваших сотрудников будет осуществляться одновременно с привлечением новых специалистов (внутри компании или на аутсорсинг) по необходимым специальностям, например, специалистов по данным.

Таких экспертов по искусственному интеллекту не следует рассматривать как отдельную группу от остальных сотрудников.

Скорее, ваши специалисты по ИИ будут объединены с рабочими группами для обучения коллег не техническим вопросам новой роли искусственного интеллекта в бизнес-операциях.

Предыдущий пункт, касающийся кадровой реорганизации, подводит нас к последнему требованию нашего списка: разумному планированию, основанному на правильных стратегиях.

Действительно, одна из этих стратегий касается всех корректировок персонала, необходимых для правильной реализации ИИ. Обеспечение ввода в эксплуатацию ИИ и хорошей рентабельности инвестиций требует радикальной реструктуризации персонала и бизнес-процессов.

Недостаточно нанять стажеров и бросить их в бой, как солдат в Сталинграде. Скорее, разные специалисты должны иметь возможность взаимодействовать и сотрудничать в кросс-функциональных командах, чтобы ускорить их обучение новым процессам и операциям.

Еще один фактор, который следует учитывать помимо сотрудников компании — это = цель. Почему вы инвестируете в системы искусственного интеллекта? Я имею в виду, что искусственный интеллект — это не то что бы очень дешевая штучка ...

Такие вложения имеют смысл, если они нужны для достижения конкретной цели, и чтобы знать, стоит ли это того, существуют адекватные инструменты, такие как ключевые показатели эффективности и контрольные показатели.

Пропустить этот этап оценки рентабельности — определенно плохая стратегия. Не делайте этого!

Вместо этого подумайте о том, как и поможет ли вам ИИ, а также о том, какой ИИ вам нужен из пяти основных типов: текстовый, визуальный, интерактивный, аналитический и функциональный. Об этом мы говорили в этой статье.

Я хотел бы завершить этот обзор стратегий парой замечаний.

Во-первых, внедрение ИИ в вашей компании должно включать не только ВСЕ ваши сотрудники, но и ВСЕ бизнес-процессы.

Если мы внедрим инструменты автоматизации на основе ИИ в определенную область, но оставим позади другие части нашей организационной структуры, мы рискуем создать неприятные узкие места.

Подумайте, что может произойти, например, если вы автоматизируете некоторые маркетинговые процессы (отправляете рекламные электронные письма со скоростью стрельбы из пистолета Гатлинга), но продолжаете управлять запасами, заказами и бухгалтерским учетом без ИИ и с безумной медлительностью.

Во-вторых, когда вы наконец овладеете искусственным интеллектом и процесс адаптации будет завершен, все только начнется! Это момент, когда вы должны понять, как ИИ может помочь предлагать новые продукты или услуги и использовать такой мощный инструмент для их разработки.

Это потребует дополнительных инвестиций для поддержания вашего роста не только в области технологий искусственного интеллекта, но и в сфере управления продуктами.

Если ваши оценки и стратегии верны, вы получите положительный каскадный эффект, который еще больше увеличит рентабельность инвестиций.

И помните: используйте часть своих доходов, чтобы купить несколько бутылок просекко для своих сотрудников. Не будь жадным.

Потенциал ИИ с точки зрения заработка, несомненно, огромен, но, как вы наверняка поняли, его можно полностью раскрыть, если вы знаете, как управлять им с умом.

Речь идет о технологии, которая требует значительных инвестиций и дополнительных требований с точки зрения ноу-хау.

Многие компании берутся за это рискованное предприятие, не зная, с чем им придется столкнуться. Результат? Большая часть инициатив в области ИИ обречена на провал.

Фактически, согласно Глобальному исследованию и исследовательскому проекту в области искусственного интеллекта 2019 года, 7 из 10 компаний в опросе заявили о минимальном или нулевом влиянии внедрения ИИ.

Среди компаний, которые инвестировали в ИИ (90% от общего объема), менее 4 из 10 сообщили о преимуществах ИИ для бизнеса за последние три года.

Срез увеличивается до 6 из 10, если мы учитываем только компании, вложившие значительные средства в ИИ.

Что все это значит? Что ж, вложения в ИИ могут гарантировать огромный импульс для любого бизнеса, но они также связаны с определенным риском, который никогда не следует недооценивать.

Надеюсь, эта статья поможет вам сделать необходимые оценки с умом. Спасибо, с вами была RussianGeeks