Żyjemy w czasach, gdy zastosowanie rozwiązań opartych o AI staje się coraz powszechniejsze. Programy oparte o AI potrafią trafniej rozpoznać objawy zapalenia płuc czy raka skóry od przeciętnego lekarza. Wkrótce nie będziemy mogli wyobrazić sobie, jak mogliśmy funkcjonować bez dobrodziejstw AI. Przypomina to nieco sytuację sprzed 100 lat, gdy do napędu maszyn zaczęto stosować energię elektryczną. Wtedy wprowadzenie nowych rozwiązań nierzadko wywoływało zdziwienie, niepokój, a nawet dylematy moralne. Jednak upowszechnienie energii elektrycznej zrewolucjonizowało przemysł. Teraz, to już tylko kwestia czasu, kiedy AI w podobny sposób zrewolucjonizuje funkcjonowanie światowej gospodarki.
Wykorzystanie AI szczególnie w sektorze usług finansowych powoli staje się normą: zaawansowana analiza danych i uczenie maszynowe pomaga firmom zarządzać roszczeniami ubezpieczeniowymi, udoskonalać procedury przyznawania kredytów, nie mówiąc już o zarządzaniu ryzykiem i transakcjach na rynku finansowym. AI stosuje się też do rozwoju nowych produktów finansowych, czy też wsparcia sprzedaży i marketingu.
Jednak nie wszystkie wdrożenia AI kończą się sukcesem. Według danych amerykańskiej firmy Forrester, zajmującej się badaniami rynku i wdrażaniem nowych technologii, zaledwie jedna czwarta projektów z zastosowaniem AI spełnia bądź przekracza założone wcześniej cele. Dlaczego tak niewiele? Bain & Co. analizując przypadki wdrożeń AI zidentyfikował sześć czynników, które w dużej mierze przesądzają o tym, czy projekt z zastosowaniem AI odniesie sukces.
1 - Ustalmy punkt odniesienia
Istotne jest, aby na samym początku ustalić nasz punkt odniesienia i odpowiedzieć sobie na pytanie, w czym wdrożenie AI miałoby nam pomóc. Załóżmy, że jesteśmy firmą z sektora finansowego, która wdraża nowy model cross-sellingu i szacuje, że jego skuteczność będzie wynosiła 2%. Czy to dużo, czy mało? Trudno powiedzieć, dopóki nie ustalimy, ile wynosi ten poziom dla obecnego modelu. Jeśli jest to zaledwie 0,5-1,5%, to warto wdrożyć nowy model by ten wskaźnik podwoić. Naszą ambicją może być również wyższy poziom, ale najważniejsze jest zdać sobie sprawę już na samym początku z jakiego poziomu startujemy i dokąd zmierzamy.
2 - Oceńmy nasze możliwości
Na początku jako firma powinniśmy zdecydować, czy chcemy sami budować nowe rozwiązanie, czy też kupić gotowy produkt, a może nawiązać współpracę z partnerem, który pomoże rozwijać nam projekt AI. Warto przyjrzeć się dostępnym na rynku rozwiązaniom i odpowiedzieć sobie na pytanie, jakie są nasze umiejętności. Jeśli jesteśmy ambitną organizacją i mamy spore kompetencje, to nasi specjaliści zajmujący się analizą danych mogą sami dostarczyć szyte na miarę rozwiązanie. Również wtedy, gdy dysponujemy wrażliwymi danymi osobowymi, powinniśmy pracować nad projektem wewnątrz firmy. Jeśli jednak okaże się, że rozwiązanie, którego potrzebujemy, jest już powszechnie stosowane, to najprościej będzie je po prostu kupić na rynku.
3 - Nieustanny proces
Tworzenie nowych rozwiązań to nieustanny proces podejmowania prób i popełniania błędów. Nie ma nic złego w popełnianiu błędów, o ile potrafimy wyciągać z nich wnioski i dzięki nim udoskonalać nasz model. Na początku wybierzmy te rozwiązania, które pomogą zwiększyć wartość dla naszych klientów bądź zwiększyć sprzedaż lub zyski naszej firmy. Nie zajmujmy się wdrażaniem rozwiązań tylko dlatego, że są one w danym momencie modne. Następnie zastanówmy się, jak wybrane rozwiązanie skutecznie możemy włączyć do naszej codziennej pracy i dopasować do procesów biznesowych. Kolejny etap to praca nad danymi i rozwijanie modelu aż do jego ostatecznego zastosowania.
4 - Dobre dane to podstawa
Nawet najbardziej skomplikowany czy zaawansowany algorytm niewiele nam pomoże, jeśli dane, z których korzystamy, są niskiej jakości. Powinniśmy dołożyć szczególnych starań by ulepszać nasze dane i stale pozyskiwać dostęp do nowych. Samo udoskonalanie algorytmów nie wystarcza. Naukowcy będą martwić się głównie o to, jak w nieskończoność poprawiać modele i algorytmy, podczas gdy praktycy powinni skupiać się na ulepszaniu zbiorów danych. Świat jest chaotyczny i takie są też dane, z których korzystamy. Stąd potrzeba nieustannego ich porządkowania, rozbudowywania i uaktualniania.
5 - Budowanie poparcia
Jednym z najważniejszych elementów procesu wdrażania AI jest przekonanie innych do stosowania danego rozwiązania. By tego dokonać, powinniśmy umieć pokazać, że nowy model zapewni firmie znacznie lepsze wyniki od obecnie stosowanych rozwiązań. Co równie ważne, ludzie muszą mieć zaufanie do tego, co robi komputer. I tu zaczyna się dylemat – im lepiej działa jakiś model, tym trudniej jest wytłumaczyć jego funkcjonowanie. Często o porażce może przesądzić fakt, że narasta niechęć do projektu, bo nie generuje on szybkich efektów. Bądź pojawia się przekonanie, że dane rozwiązanie jest zbyt trudne w użyciu lub zbyt uzależnione od innych narzędzi. Co gorsza, może się również okazać, że projekt nie ma wsparcia kierownictwa firmy. To są aspekty, których nie możemy ignorować, ponieważ najwięcej porażek przy projektach AI ma miejsce na etapie końcowym, gdy tracimy poparcie dla projektu.
6 - Powtarzalny model
Wdrażanie rozwiązań opartych o sztuczną inteligencję, nie jest działaniem jednorazowym. Aby w pełni wykorzystać możliwości, które stwarza AI, musimy przygotować się na produkcję seryjną skalowalnych rozwiązań. Aby tego dokonać musimy wybrać nasze priorytetowe rozwiązania, wiedzieć jak je rozwijać oraz zbudować mocne fundamenty w postaci solidnych danych oraz zespołu utalentowanych ludzi.