התגברות על מכשולים בתכנון פרויקט AI מקצה לקצה

לפי מחקר שנערך לאחרונה על ידי 451 Research, חלק מ-S&P Global Market Intelligence, "יותר מ-90% מהארגונים שאימצו בינה מלאכותית החלו בפיתוח פרויקט הבינה המלאכותית הראשון שלהם בחמש השנים האחרונות". אף על פי שמתחילים, פתרונות התומכים בינה מלאכותית נמצאים במגמת עלייה מסביבנו. עם זאת, רבות מיוזמות אלו עדיין אינן עומדות בציפיות - אם הן בכלל מגיעות לפריסה.

כדי להצליח, מנהיגים צריכים לבחור ולנהל פרויקטים של AI עם אסטרטגיה מתחשבת המונעת על ידי ציפיות ברורות, התאמה ליעדים העסקיים ואיטרציה. בואו נסתכל על מכשולים נפוצים שעומדים בפני ארגונים בעת תכנון פרויקטי AI מוצלחים מקצה לקצה, וכיצד להתגבר עליהם.

ניהול ציפיות לפתרונות התומכים בבינה מלאכותית

הרבה מפרויקטי הבינה המלאכותית הכושלים של היום מזכירים פרויקטי תוכנה ארגוניים בשנות התשעים, שבהם פרויקטי הפיתוח ירדו מהפסים כשצוותים תקוות גדולות שטכנולוגיות חדשות יפתרו את הבעיות שלהם. גם אז וגם עכשיו, מלכודת גדולה היא שניפוח הציפיות של מה שהפתרון שלך באמת יכול לפתור.

מסוכן להניח שעל ידי איסוף מספיק נתונים הכל יהיה פתאום שקוף; שאתה יכול לחזות התנהגויות של לקוחות או לתת המלצות מושלמות כדי לצפות את הצרכים שלהם. למרבה הצער, העולם הרבה פחות צפוי ממה שאנשים רוצים שהוא יהיה. בעוד שדפוסים מועילים צצים, לא כל האירועים הם סיבתיים או אפילו מתואמים - קורים דברים רבים שפשוט יוצרים רעש.

יחד עם זאת, ארגונים רבים רואים את עמיתיהם מיישמים פתרונות בינה מלאכותית וחשים את הלחץ לעמוד בקצב. השקעה בבינה מלאכותית רק כדי "להישאר עם הג'ונס" עלולה לגרום לאחור אם אינך מבין מה מניע את ההצלחות של עמיתיך והאם זה יעבוד עבור הארגון שלך או לא. לעתים קרובות יש לחברות עם רמה גבוהה יותר בפרויקטי הבינה המלאכותית שלהן אסטרטגיות נתונים ותהליכים עסקיים במקום המאפשרים להם לאסוף ולנצל את סוגי הנתונים הנכונים עבור AI.

בסופו של דבר, ניהול הציפיות לפרויקטים של בינה מלאכותית מתחיל מהיכולת לבטא אילו מהבעיות שלך באמת ניתנות לפתרון עם AI.

בחירה בסוגים הנכונים של פרויקטי AI לבעיות שלך

האם אסטרטגיית הבינה המלאכותית שלך מתאימה ליעדים העסקיים שלך? בחירת פרויקטים היא כנראה האתגר הגדול ביותר שאיתו מתמודדים ארגונים עם יוזמות ה-AI שלהם. חשוב להבין באמת את השאלה שאתה מנסה לענות עליה, כיצד (ואם) תשובה לשאלה זו תביא לתוצאות עסקיות משופרות, והאם המשאבים שברשותך יכולים לענות עליה בהצלחה וביעילות.

נניח שאתה רוצה להשתמש במודל חיזוי כדי לקבוע מתי ואיזה סוג הנחה להציע ללקוח. הביאו את צוות מדעי הנתונים! אבל למעשה זה מאוד מאתגר להתייחס אליו כבעיית מודל חזוי. קודם כל, קשה לדעת אם הלקוח שלך היה קונה את המוצר בלי ההנחה. ואיסוף הנתונים הדרושים בקפדנות סטטיסטית מספיק כדי לייצר מודל שימושי כרוך כנראה בכמה תהליכים שמרגישים לא טבעיים לעסק - כמו זיהוי אקראי אילו לקוחות מקבלים הנחות או אילו נציגי מכירות יכולים לתת הנחות. זה מוסיף הרבה מורכבות למצב.

דרך טובה יותר לגשת לבעיה זו עם בינה מלאכותית עשויה להיות לחקור מודלים של סימולציה של התנהגות הלקוחות שאתה מצפה להם תחת משטרי הנחה שונים. במקום לענות את המערכת כדי להגיע לתחזית מדויקת, סימולציה ותכנון תרחישים יכולים לעזור לאנשים לגלות אילו משתנים רגישים זה לזה בעת קבלת החלטות עסקיות. שאלו את עצמכם: איזו תגובת לקוחות נצטרך כדי שההנחה הזו תהיה הגיונית? סוג זה של תרגיל בבחינת תוצאות פוטנציאליות הוא הרבה יותר יעיל ובוודאי הרבה יותר קל מבניית ניסוי מורכב במדעי הנתונים.

הגדרת הצוותים שלך להצלחה

ההבנה של מה הנתונים שלך נאספו ואוצרו, כיצד שימשו אותם בעבר וכיצד ישמשו אותם בעתיד היא קריטית לביצוע כל סוג של פעילות בינה מלאכותית על הנתונים. חשוב להכשיר מודל על נתונים מלאים ומייצגים את מה שזמין בעולם האמיתי ברגע שאתה מבצע את ההתערבות. לדוגמה, אם יש לך מספר שלבים בצנרת העסקאות שלך ואתה רוצה לחזות את הסבירות לסגירת עסקה במהלך שלב חמישי, אז לא תוכל להפעיל את המודל על עסקאות בשלבים שלוש או ארבע ולצפות לתוצאות שימושיות.

למדעני נתונים יש לעתים קרובות פער בהבנת הניואנסים של מה שהנתונים מייצגים וכיצד הם נוצרים. אילו תהליכים אנושיים וטכנולוגיים משחקים חלק ביצירת הנתונים, ומה בדיוק המשמעות של הנתונים בהקשר של העסק שלך? זה המקום שבו אנליסטים ומשתמשים עסקיים שקרובים לנתונים - ולבעיות שאתה מנסה לפתור בעזרתם - הם בעלי ערך רב. אנחנו אוהבים ל לחשוב על AI כספורט קבוצתי כי הצלחה דורשת הקשר עסקי בנוסף לקו הבסיס של נתונים ואוריינות מודל.

לבסוף, ישנם היבטים ממוקדים בבני אדם בהצלחת הפרויקט שארגונים יכולים להתעלם מהם אם הם מתמקדים מדי בנתונים או בטכנולוגיה. לעתים קרובות, בינה מלאכותית יכולה לעשות תחזית אבל זה תלוי במישהו שיחליט איך להפוך את זה לפעולה מומלצת. האם ההצעה שימושית במתן פעולה ברורה, וכזו שאנשים יהיו מוכנים לעקוב אחריה? האם אתה יוצר סביבה שבה הצעות אלו יתקבלו ביעילות?

חיזוי משהו מועיל רק לפעמים. האם אתה מוכן להתאים מחירים, כמויות מוצרים או כוח אדם, או אפילו לשנות את קו המוצרים שלך? איזו רמה של ניהול שינויים נדרשת כדי שאנשים יאמצו את הפתרון החדש ויפתחו את ההתנהגויות והתהליכים המבוססים שלהם? אמון נובע מדפוס של התנהגות עקבית ונכונות להמשיך ולחנך את העסק; אם אתה הולך להשפיע באופן קיצוני על האופן שבו אנשים עושים את עבודתם, הם צריכים להיות עם זה.

מתחיל בקטן וחוזר על עצמו

בואו נסגור קצת הדרכה על סמך מה שראינו במהלך העבודה עם לקוחות.

לעתים קרובות, פרויקט הבינה המלאכותית הראשון הטוב ביותר הוא זה שיהיה הכי קל לביצוע ולהגיע לייצור עם ניהול השינויים הכי פחות מורכב. נסו לבנות משהו שמספק ערך מהר ככל האפשר, גם אם זה שיפור קטן מאוד. ושמרו על הלקוחות, המשתמשים העסקיים ומחזיקי העניין שלכם קרובים ככל האפשר לתהליך הפיתוח. שאפו ליצור סביבה של משוב טוב - הן במובן של איסוף נתונים נוספים כדי לשפר באופן איטרטיבי את המודל, והן קלט מבעלי עניין לשיפור הפרויקט ותוצאותיו.

עם AI, תמיד יהיו מקרי קצה שבהם הפתרון הוא החמצה. אבל עדיף למצוא פתרונות שעובדים עבור רוב הלקוחות או העובדים שלך, במקום לפתח הוכחה נוצצת באמת שעובדת רק עבור כמה מקרי שימוש מותאמים אישית. בסופו של יום, AI אמור להפחית את החיכוך ולהקל על אנשים לבצע את עבודתם ולקבל החלטות מושכלות.

למידע נוסף על Tableau AI Analytics, בקר tableau.com/ai.