Лидеры бизнеса всех уровней видят ценность использования искусственного интеллекта, но использование ИИ хорошо там, где есть его истинная ценность.

Здесь руководством могут стать уроки передовых практик. Согласно недавнему опросу Deloitte, 82 процента ранних пользователей ИИ видят положительные финансовые результаты от своих инвестиций в когнитивные технологии, при этом средний доход от инвестиций составляет 17 процентов.

В чем самое главное отличие между успешным и неудачным проектом ИИ? Зависит от того, руководствуется ли она технологией или потребностями бизнеса, говорит Нитин Миттал, директор по аналитике и когнитивным предложениям в Deloitte Consulting.

Организации, которые стремятся максимально использовать ИИ, предупреждают: «Сосредоточьтесь на конкретных случаях использования, которые могут поддаваться ИИ. Сосредоточьтесь на бизнес-задачах, которые необходимо достичь, доказать ценность и расширить масштабы. Именно здесь мы видим большой успех , - говорит Миттал.

Вот восемь советов по преобразованию проектов искусственного интеллекта в бизнес-ценность, по словам тех, кто извлекает реальные выгоды от ИИ.

Сфокусируйтесь на конкретных проблемах

В General Electric бизнес-ценность лежит в основе каждого проекта ИИ, говорит Колин Паррис, вице-президент компании по исследованиям программного обеспечения.

«Мы начинаем с кучи минимально жизнеспособных продуктов», - говорит он. «Может ли это на самом деле что-то предсказывать? И если мы сможем это сделать, будет ли это дешевле, быстрее или сможет принести больше дохода? Тогда как мы масштабируем это, как мы его развернем это, чтобы получить ценность бизнеса?»

Ожидаемый результат крайне важен.

Например, если система ИИ производит прогнозы о оборудовании, нуждающемся в обслуживании, эти прогнозы должны быть интегрированы в рабочий процесс. Это может означать отправку соответствующего инженера в нужное место для правильного технического обслуживания в нужное время.

Это может также потребовать интеграции в систему инвентаризации.

Или это может потребовать интеграции с фактическим оборудованием. «Если мой ИИ дает мне возможность реально понять, когда мне нужно увеличить температуру или давление, я должен интегрироваться в системы управления», - говорит он.

Знайте пределы возможностей AI

Когда люди пытаются сделать прогнозы, они иногда становятся жертвами психологической ловушки, известной как эффект Даннинга-Крюгера. Это происходит тогда, когда человек не знает, как мало он знает о теме и ошибочно считает себя экспертом. Результаты могут быть как юмористическими, так и трагическими.

Системы ИИ могут попасть в одну и ту же ловушку. Например, ИИ, обученный конкретному набору данных, которого попросили сделать прогнозы на основе совершенно другого набора данных, может дать ответ, который является совершенно неправильным, но может быть убедительным для пользователя, который научился полагаться на предсказания ИИ.

Реальность такова, что нужен ученый по данным, чтобы понять, когда модель аналитики подходит для конкретного набора данных. «Я должен понять предположения, построенные вокруг данных, - говорит Паррис. «Как я могу проверить модель? Мне, возможно, придется генерировать другие типы данных или имитировать данные, чтобы определить, является ли это плодотворным. Затем я должен проверить данные во время работы, чтобы убедиться, что эти допущения действительны. Это то, что вы делаете как эксперт по ИИ после лет обучения ».

Новые сотрудники или те, кто не является ученым по данным, могут не иметь за плечами этого обучения, оставляя организацию восприимчивой к вводящим в заблуждение выводам.

Чтобы решить эту проблему, General Electric начала работу над тем, что она называет «покорным ИИ»,- системой ИИ, которая знает, в каких ситуациях ее алгоритмы подходят - и будет использовать только модели машинного обучения в этих ситуациях.

«Если я вне диапазона, я не использую эту модель. Я хочу вернуться и использовать физическую модель, которую мы использовали в течение последних 20 лет», - говорит Паррис. «ИИ знает, чего он не знает».

Он говорит, что «покорный ИИ» протестирован. «С многомиллионными машинами вы хотите ничего не делать, что наносит ущерб жизни или производительности. Отступите назад и вернитесь к обычному распорядку».

Слушайте заинтересованные стороны - и клиентов

Для некоторых компаний, обеспечение систем ИИ полезными результатами требует некоторой внешней помощи.

«В идеале вы начинаете проект с совещания на белой доске, где все ключевые заинтересованные стороны проводят полдень, рассказывая подробности и документируя требования к запросам», - говорит Джим Меткалф, главный научный сотрудник по проектам Healthy Nevada.

Например, команда Healthy Nevada работала над протоколом борьбы с пациентами-сердечниками. Это потребовало сбора информации о лекарствах, которые пациентам назначали при выписке из больницы. Но некоторые лекарства, такие как статины, обычно назначают, когда пациент впервые поступает, и продолжают назначаться, когда пациент выписывается. Система предполагала, что эти лекарства были те, которые пациенты уже принимали, а не новые лекарства, связанные с их сердечными приступами, проблема, которая обнаруживалась только тогда, когда количество лекарств оказалось ниже, чем ожидалось.

«Команда могла бы проработать это намного раньше, если бы у нас были более подробные обсуждения со всеми заинтересованными сторонами с самого начала», - говорит Меткалф. «Наша команда по данным научилась ничего не принимать на веру. Мы тщательно проверяем, обсуждаем и документируем требования к запросам задолго до того, как кто-то поместит пальцы на клавиатуру».

Для поставщика платформ управления расходами для корпоративных клиентов Coupa совет клиента указал путь к новому способу обнаружения мошенничества.

«В нашей отрасли подход заключался в том, чтобы смотреть на мошенничество в силосах», - говорит Донна Вильчек, вице-президент компании по стратегии продукта и инновациям. «Например, есть много приложений, которые рассматривают мошенничество с отчетами о расходах или мошенничество при покупке».

Но выясняется, что сотрудник, обманывающий в одной области, скорее всего, будет обманывать и в других областях, говорит она. В ходе беседы с экспертами по закупкам и финансовыми аудиторами выяснилось, что секрет обнаружения мошенничества рассматривает отдельных людей как основу мошенничества.

«Здесь AI имеет очень красивое, прагматичное приложение», - говорит она. «Слишком много данных потребуется получить аудитору-человеку, чтобы выявить закономерности.»

AI также может ускорить процесс обнаружения мошенничества, позволяя компаниям обнаруживать мошенничество до того, как совершаются платежи. «Обычно клиенты не могут делать это в ходе расходов, потому что это слишком сильно замедлит бизнес», - говорит она.

Coupa теперь собирает примеры мошеннического поведения, о котором сообщают предприятия, а затем добавляет эти реальные примеры в систему AI. 

Воспользуйтесь экспертизой области

Все больше и больше компаний начинают понимать, что ИИ сам по себе не является волшебной пулей.

«Часто происходит так, что компании берут свою совокупность данных, огромное озеро данных, подключают свой ИИ и ждут, что он скажет им что-то интересное», - говорит Дж. Дж. Лопес Мерфи, AI и главный технический директор по технологиям в Globant, мировой ИТ-компании консалтинговая компания. «Да, AI поможет вам раскрыть скрытые шаблоны, но он не даст вам ответа, если у вас нет соответствующих вопросов. Этого просто не произойдет».

По словам Халима Аббаса, главного специалиста AI в Конгоа, который применяет ИИ в области поведенческой диагностики, полагается исключительно на ученых по данным и экспертов по искусственным интеллектам, чтобы получить представление о данных из данных, помогает идентифицировать детей с аутизмом и другими вопросами психического здоровья.

В реальном мире могут быть взаимозависимости в данных, или некоторые данные могут быть неактуальными, и эксперт в области должен знать разницу. Например, если набор пациентов, диагностированных в комнате с синими стенами, а другой в комнате с белыми стенами, дали разные результаты, модель аналитики, которая ищет шаблоны, может вывести, что краска для стен имеет клиническое значение.

«По мере роста размера набора данных вы, очевидно, избегаете таких глупых выводов», - говорит он. «Но могут быть и некоторые хитрости».

Это проблемы, о которых эксперт по ИИ без знания области не будет знать, говорит он. Это особенно важно, когда наборы данных невелики, например, в редких условиях или при небольших демографических данных.

Конечно, у экспертов домена могут быть свои собственные предубеждения, говорит Аббас. «Они могут придерживаться ошибочных убеждений о связях между определенными переменными и определенными условиями. Хороший способ быть уверенным -  воспользоваться мнением экспертов области и сделать то же самое на стороне ИИ и работать только с тем, что подтверждено с обеих сторон уравнения ».

Внутренняя клиническая экспертиза также помогает Cognoa определить, работают ли модели или нет, и помочь улучшить их.

«Каждый раз, когда вы проверяете алгоритм ИИ в хорошо сконструированной пробной версии в реальном мире, вы обнаружите, что реальность не соответствует симуляциям», - говорит он. «Из этого анализа приходит понимание дальнейшей оптимизации и улучшения вашего продукта».

Смешивание экспертизы областей с ИИ также может быть существенным в отношении данных, как обнаружила CAS, 111-летняя компания, которая собирает и публикует данные химических исследований.

«Такие вещи, как пробелы, индексы, тире или изменение одной буквы в химической структуре, могут иметь значение между безопасной и взрывоопасной реакцией», - говорит технический директор Венки Рао. «У нас есть более 350 кандидатов наук в нашем учреждении, курирующие данные».

Недавно компания начала использовать ИИ, чтобы помочь классифицировать и обрабатывать данные, освобождая некоторых из этих кандидатов для более сложной работы. Но для создания простой оптической системы распознавания символов требуется знание области. Например, «нм» является аббревиатурой для наномолярных, а «мм» - миллимолярной - разностью на шесть порядков. Если система неправильно преобразует эту систему, это может означать разницу между безопасной и опасной химической реакцией.

«Если вы чистый технолог, вы не можете быть продуктивным для нас в первый же день», - говорит он. «Если вы переработаете это с помощью технологии, не понимая химию, она никогда не будет оптимальной».

Это делает призыв более сложным, говорит Рао, и делает аутсорсинг иногда невозможным. «Но было показано, что инвестиции обеспечивают возврат качества решения».

Осознайте ценность реальных испытаний

Никакой боевой план не выдерживает контакта с врагом - и никакая система ИИ не переживает контакта с реальным миром. Если ваша компания не готова к этому факту, ваш проект AI обречен до его начала.

Дженнифер Хьюит, глава когнитивных и цифровых услуг в Credit Suisse Group AG, столкнулась с этой проблемой лоб в лоб.

Когда компания решила выпустить свою новую клиентскую поддержку с чатботом, Амелией, Хьюит знала, что чатбот, скорее всего, будет часто отказываться и отправлять клиентов человеческим агентам, вместо того, чтобы отвечать на все или на большинство запросов самостоятельно.

«Я рано приняла решение запускать его», - говорит она, отмечая, что способность чатбота понимать намерения составляла всего 23 процента при первом запуске.

Но, находясь в реальных сценариях, чатбот смог наблюдать многокультурные, многоязычные и многопользовательские разговоры - и учиться у них.

«Быстро внедрив его и раскрыв возможности для организации, мы смогли повысить способность  чатбота понимать намерения с 23% до 86% за пять месяцев».

Остерегайтесь проблемы с «черным ящиком» AI

Доверие - это еще одна проблема, с которой сталкивается AI, когда она попадает в реальный мир, поскольку системы ИИ не дают никакой информации о том, как они получают свои идеи, проблема, известная как проблема с «черным ящиком».

«У меня был опыт, когда мы никак не смогли преодолеть это», - говорит Кристина Манелли, исполнительный вице-президент и главный сотрудник по вопросам роста в Boston-based Beacon Health Options, который обеспечивает лечение психического здоровья более чем 40 миллионам людей в Соединенных Штатах.

Компания решила построить систему с ИИ, чтобы обнаружить проблемы у пациентов, прежде чем они выросли до такой степени, что потребовалась госпитализация. Чтобы убедиться, что система действительно будет использоваться, Beacon Health объединяет тех, кто будет использовать систему, и обучил их не только рабочим процессам, но и тому, как работает алгоритм.

Таким образом, до того, как система даже начала жить, произошел сухой пробег по более старым данным от существующих пациентов.

«Те люди, которые, как ожидалось, подвергались высокому риску, оказались на самом деле такими, потому что их госпитализировали, - говорит она. «Наши клиницисты могли видеть, как это работает, и это помогло нам уменьшить проблему с «черным ящиком».

Затем, когда система ИИ использовалась для текущих пациентов, в течение первых двенадцати недель программы она смогла выявить около 300 человек с повышенным риском, 57% из которых не были восприняты предыдущим традиционным подходом.

«Это довольно убедительно. Мы не знали, что они до этого были с высоким риском», - говорит Манелли. «И теперь команда работает, чтобы воздействовать на них».

Это включает в себя разговоры с ними по телефону, связь с провайдером, следя за тем, чтобы они получали лекарства, которые им нужны.

Через один-два месяца Beacon Health увидит результаты этих вмешательств, поскольку истечет период лечения, что станет еще одним серьезным испытанием в реальном мире.

«Мы должны увидеть данные о результатах лечения, чтобы действительно знать,» говорит она.

Установите четкие показатели

Наличие четких бизнес-показателей для оценки результатов проекта ИИ имеет важное значение для доказательства того, что он работает и должен получать постоянную поддержку.

Многие компании не уделяют достаточного внимания этому аспекту своих проектов ИИ. По данным Deloitte, менее 50% опрошенных компаний измеряют ключевые показатели эффективности, необходимые для точной оценки финансовой отдачи, такие показатели, как экономия средств, доходы и удержание клиентов.

«Это проблема с появляющимися технологиями, такими как AI», - говорит автор отчета Джефф Лоукс, исполнительный директор Центра технологий, средств массовой информации и телекоммуникаций Deloitte.

«Ими часто не управляют с той же строгостью, которую компании используют по отношению к более зрелыми технологиями», - пишет он.

Результатом этого являются проекты ИИ, которые являются «мостами в никуда», - говорит он, - которые не масштабируются или не работают без каких-либо преимуществ для бизнеса.

Обучайте людей в компании

Где вы находите людей, которые могут понимать как технологию ИИ, так и требования бизнеса? Это непростая задача. Существует глобальный дефицит таланта ИИ, а, сужая его еще больше за счет требований экспертизы предмета, фонд потенциальных кандидатов становится еще меньше.

Согласно опросу, проведенному компанией Deloitte AI, 69% компаний заявляют, что сталкиваются с небольшими, крупными или экстремальными недостатками в своей рабочей силе.

В компании General Electric компания пытается найти людей с навыками программирования и аналитики, требуемыми на стороне ИИ, а также физическими и инженерными знаниями, необходимыми для бизнеса.

«У нас есть инвестиции в университеты, мы смотрим на LinkedIn, мы ищем по статьям в сети, мы встречаем людей на конференциях», - говорит Паррис.

Но компания также ищет и внутри людей с опытом работы в области материаловедения, которые, например, берут курсы по искусственному интеллекту, или разработчиков ИИ, проводящие курсы по системам управления и материаловедению.

По словам Парриса, поиск людей с сочетанием экспертизы области и навыков ИИ - это только начало путешествия. GE  нуждается в людях, которые могут воспользоваться этими знаниями и превратить их в практические приложения. «Как я могу взглянуть на бизнес-проблему и проанализировать ее в проблеме с данными?»

Чтобы достигнуть этого, GE обеспечивает кросс-функциональное обучение, сочетание ИИ и техники. Это обучение уже прошло от 10 до 15 ученых и инженеров - около трети всех ученых и инженеров компании.

«Может быть больше тех, кто частично прошел обучение», добавляет Паррис.

И это только начало процесса изменения корпоративной культуры, организационной системы, показателей, даже стимулов.

«Для такой компании, как GE, это гигантская задача, и мы начинаем ее сейчас», - говорит он. «Но если мы ее выполним - это изменит многое для всех нас».

No Comments