Milyen kihívásokat hoz az AI projekt? | AI az üzletben #65

Hogyan integráljuk hatékonyan az AI projektet az üzleti stratégiánkba?

A Gartner kutatása szerint 2030-ra a projektmenedzsment feladatok 80%-át az AI fogja kezelni. Hogy az AI-t használó projektek aránya hogyan alakul a feladatok elvégzésében – az még kérdéses. Mindazonáltal már most érdemes fontolóra venni, hogyan integrálhatjuk az AI-t egy vállalat működési stratégiájába.

Az első lépés ennek a technológiának a potenciáljának és korlátainak megértése. A mesterséges intelligencia jól teljesít a trendek és minták elemzésében, de gyengén teljesít az olyan feladatokban, mint a több lépésből álló érvelés és a morális döntéshozatal. Szenzációs vizuális anyagokat hoz létre, de ahhoz, hogy következetesen olyan anyagokat generáljon, amelyek megfelelnek egy márka imázsának, jelentős készség szükséges. Ezért amikor elkezdünk dolgozni egy AI projekten, nem feltételezhetjük olyan valószínűséggel, mint más projektek esetében, hogy konkrét, mérhető eredményeket fog produkálni.

Ezért egy jó kiindulópont az előnyök és hátrányok elemzése:

• Mennyi a különböző szakaszok összköltsége az AI projekt megvalósításában?
• Milyen KPI-kat kell meghatározni az AI projekt üzleti hatásának értékeléséhez?

A kérdésekre adott hiteles válasz eléréséhez a legjobb, ha egyszerű AI projekteket választunk, amelyek jelentős értéket hoznak, könnyen mérhetők, és illeszkednek a vállalat stratégiájába. Egy futárszolgáltatást kínáló startup például jó példa lehet. Célja a vevőszolgálat javítása és a beszállítói lánc rugalmasságának növelése. Egy egyszerű, de értékes AI projekt például egy chatbot megvalósítása, amely kezeli az ügyfélmegkereséseket. Egy ilyen virtuális asszisztens több megkeresést tud kezelni, mint egy hagyományos call center, növelve az ügyfél elégedettséget a gyors válaszok és a következetes kommunikációs minőség révén. Ezzel szemben egy fejlett rendszer, amely optimalizálja a futárutakat, illeszkedik a szállítási rugalmasság javításának céljához, de bonyolult és sokkal magasabb kockázatokkal jár.

Miután meghatározták az első AI projekteket, a startupnak fel kell mérnie azok megvalósíthatóságát, például a költségvetés szempontjából, amelybe az AI projektnek bele kell férnie.

AI projekt költségvetés. Fő kihívások

Az előre elkészített SaaS vagy AI as a Service (AIaaS) megoldás, vagyis a “kész AI” megvalósítása számos előnnyel jár. Az egyik előny a szerszám használatának kiszámítható költsége és az AI projekt megvalósításának viszonylag könnyen becsülhető költsége. Olyan megoldások közül lehet választani, mint:

• chatbot az ügyfélszolgálathoz – például Intercom Fin, LiveChat a Chatbot.com-tól, Drift vagy FreshChat,
• Szociális média analitika a marketingüzenetek elérésének növelésére – Cortex, Buffer vagy Lately segítségével, vagy
• üzleti adatelemzés Microsoft Power BI, Tableau, vagy egyszerűbb feladatokhoz – Google Bard, amely integrálódik a Google dokumentumokkal.

Nagyobb léptékű AI projektek esetén a költségeiket gyakran alábecsülik. Különösen, ha az adatok gyűjtéséhez és előkészítéséhez szükséges erőforrásokról és időről van szó. Például Arvind Krishna, az IBM munkatársa szerint az AI tanulásához szükséges adat-előkészítési szakasz akár a projekt időtartamának 80%-át is kiteheti.

Forrás: DALL-E 3, prompt: Marta M. Kania (https://www.linkedin.com/in/martamatyldakania/)

Továbbá, minél inkább személyre szabott AI modellekre van szükség egy projekthez, annál több kvalitatív adatot kell gyűjtenünk. Például a mély neurális hálózatok tanuláshoz több százezer példára van szükség. Ez felveti a hatalmas adathalmozás és tisztítás költségeit. Szerencsére a mesterséges intelligencia gyors fejlődése azt jelenti, hogy egyre több AI projekt valósítható meg anélkül, hogy költséges egyedi modell tanulására lenne szükség.

Ennek ellenére egy AI projektet tervező vállalatnak nemcsak a megoldás fejlesztési szakaszát kell figyelembe vennie, hanem az adatok előkészítését és a rendszer folyamatos működését is, beleértve a karbantartás, frissítés vagy új adatok gyűjtésének költségeit. Csak így lehet értékelni az AI-ba való valódi befektetés megtérülését.

Adatkezelési problémák az AI projektekben. Amit tudni érdemes

A legfontosabb kihívás az AI projektekben az adatok – azok elérhetősége, mennyisége és minősége. Mit tegyünk tehát? Mielőtt elkezdenénk egy AI projektet, szükséges:

• alaposan megvizsgálni, hogy milyen adatai vannak a vállalatnak – milyen formában tárolják és honnan származnak,
• gondoskodni az infrastruktúráról és fejleszteni a belső adatgyűjtési folyamatokat,
• fontolóra venni külső adathalmazon való vásárlást vagy crowdsourcingot, ha azok hiányoznak.

Gyakori probléma, hogy az adatok több rendszerben és formátumban szétszórva találhatók. Nehéz lehet ezeket egyesíteni, tisztítani és előkészíteni az AI tanulásához. Jó gyakorlat, ha az AI csapat szorosan együttműködik az IT részleggel vagy az adat elemzőkkel. Együtt kell biztosítaniuk, hogy a megfelelő infrastruktúra és adatgyűjtési folyamatok rendelkezésre álljanak.

Technikai és biztonsági kihívások az AI projektekben

Az AI nem csupán gépi tanulási algoritmusokból áll. Ahhoz, hogy ezek a gyakorlatban működjenek, egy teljes IT infrastruktúrára van szükség. Eközben az új AI rendszerek integrálása a vállalat meglévő rendszereivel kihívást jelenthet. Gyakran szükség van a régi üzleti rendszerek módosítására, ami sok vállalat számára jelentős frissítési költségeket jelent.

Ezen kívül az AI projektek szakértelmet igényelnek az adat tudomány és adat mérnökség terén. Eközben a világ szakemberhiánnyal küzd ezen a területen. A McKinsey “Technológiai Trendek Kilátás 2023” jelentése szerint a munkakínálatok és a rendelkezésre álló szakemberek aránya 7:100, és a kereslet folyamatosan növekszik.

Az adatbiztonság kérdése sem elhanyagolható. Az AI rendszerek hatalmas mennyiségű érzékeny információt dolgoznak fel, amelyeket megfelelően kell védeni a kiszivárgás ellen. Eközben az adatlopások száma jelentősen megnövekedett az utóbbi években. Ezért ez egy újabb fontos kockázat, amelyet figyelembe kell venni az AI projektek megvalósításakor.

Kulcskompetenciák az AI terén a vállalkozók számára. Milyen nehézségekkel találkozhat?

Az AI projekt megvalósításának gyakori akadálya a mesterséges intelligenciával kapcsolatos gyenge tudás a vezetők és üzleti döntéshozók körében. A technológia képességeinek mélyreható megértése nélkül nehéz értékelni a konkrét projektek életképességét és megalapozott döntéseket hozni. Ezért elengedhetetlen, hogy a vezetők tudását fejlesszük az új technológiák terén.

A jelenlegi alkalmazottak átképzése is segíthet. Egyre többet beszélnek a úgynevezett “polgári adat elemzőkről” (“Citizen data scientists”). Ezek a szakemberek a legmodernebb technológiákat használják a napi szinten felmerülő konkrét üzleti problémák megoldására. Magasan képzettek abban az iparágban, amelyben dolgoznak. Az AI projektben dolgozó csapat tagjaként lehetővé teszik az AI szakemberek számára, hogy a megvalósítási problémákra összpontosítsanak, válaszolva az iparág-specifikus kérdésekre.

A technikai készségek mellett, mint például az AI ajánlások értékelése és döntéshozatal, a soft skillek is fontosak, beleértve a vezetői és stratégiai gondolkodást. Ez egy újabb módja a vállalatokban tapasztalható AI készségek hiányának kezelésére.

Az AI projekt sikerének elemzése. Hogyan kerülhetjük el a hibákat a ROI mérésénél?

Az interneten terjed egy megalapozatlan (és valószínűleg hamis) pletyka, miszerint az AI projektek akár 87%-a soha nem éri el a termelési fázist. Míg nem tudtunk megbízható tanulmányokat találni a sikeres projektekről, a siker mérésének korai meghatározása kulcsfontosságú az AI megvalósításának valódi hatásának értékeléséhez.

Jó gyakorlat itt egy kis léptékű kísérlet. Ez magában foglalja az AI teljesítményének tesztelését például egy véletlenszerű felhasználói mintán, és az eredmények összehasonlítását egy kontrollcsoporttal, amely egy standard megoldást használ. Egy ilyen A/B teszt segít ellenőrizni, hogy az új AI rendszer képes-e hozni a várt eredményeket, mint például a konverziók vagy az ügyfél elégedettség növekedése.

Forrás: DALL-E 3, prompt: Marta M. Kania (https://www.linkedin.com/in/martamatyldakania/)

A/B tesztelést érdemes időszakonként megismételni még az AI megvalósítása után is, mivel a modellek elveszíthetik pontosságukat és relevanciájukat a problémák megoldásában. Ez lehetővé teszi, hogy gyorsan azonosítsuk a felmerülő anomáliákat és a rendszer újrakalibrálásának szükségességét, hogy továbbra is biztosítsa a várt üzleti eredményeket.

Összegzés

Bár az AI óriási lehetőségeket kínál, a területen végzett projektek jelentős kihívásokkal járnak. A sikerhez meg kell valósítani a költségek és előnyök reális értékelését, gondoskodni kell az adatok megszerzéséről és minőségéről, belső kompetenciákat kell fejleszteni, és a fokozatos új technológiák bevezetésére kell fogadni. Az is kulcsfontosságú, hogy mérjük a megvalósítások kézzelfogható üzleti hatását, és gyorsan reagáljunk a felmerülő problémákra. Csak így válhat az AI a vállalat számára erősítő tényezővé, nem pedig fenyegetéssé.

Ha tetszik a tartalmunk, csatlakozz a mi aktív közösségünkhöz a Facebookon, Twitteren, LinkedInen, Instagramon, YouTube-on, Pinteresten, TikTokon.