Sztuczna inteligencja jest obecnie prawie w każdym aspekcie biznesu. Każdy znaczący gracz w każdej branży ma sztuczną inteligencję zaplanowaną w prawie każdym projekcie i precyzyjnie zmierzony zwrot z inwestycji. W branży motoryzacyjnej BMW wykorzystało sztuczną inteligencję do rozpoznania ponad 203 000 unikalnych numerów części pochodzących od 4500 dostawców. AI pomogła zwiększyć liczbę produkowanych samochodów. BMW produkuje samochód co 56 sekund.
Yelp, amerykański agregator opinii – który szkoli przedsiębiorstwa z metod odpowiadania na opinie, organizuje imprezy integracyjne dla recenzentów, dostarcza danych, włącznie z wynikami inspekcji sanitarnej, prowadzi strony internetowe z rekomendacjami miejsc – wykorzystuje sztuczną inteligencję do eksperymentowania z przyciskami, przewijaniem, nagłówkami i wszystkim, co wpływa na konwersje online. Platforma oparta na sztucznej inteligencji prowadzi łącznie 700 różnych eksperymentów w dowolnym momencie.
Harley Davidson wykorzystuje sztuczną inteligencję do automatyzacji procesu rezerwacji i sprzedaży motocykli. Modele uczenia maszynowego zostały przeszkolone w zakresie budowania mikro-segmentów i precyzyjnego kierowania reklam. W rezultacie firma wygenerowała o 2,9% więcej leadów i sprzedała 40% motocykli w danym okresie bez udziału człowieka.
Finansowanie jako część wskaźnika ROI
Zauważyłem, że firmy wdrażające automatyzację używają terminu AI w swojej komunikacji, podczas gdy skupiają się tylko na analizie danych. W takich przypadkach produkt nie staje się z czasem bardziej inteligentny. Automatyzacja jest łatwiejsza i nie wymaga tak dużych funduszy jak sztuczna inteligencja. Trzeba zaplanować na nią fundusze, również pozyskanie ich z zewnątrz. Dlatego jeśli w firmie nie ma kapitału na wewnętrzne wdrożenie, monitorowanie i optymalizację swojej sztucznej inteligencji, trudno będzie zmierzyć zwrot z inwestycji. Prowadzenie projektów AI jest procesem bardziej zasobochłonnym. Trzeba więc włożyć więcej pracy w modele pomiarowe i algorytmy, które są częścią pomiaru zwrotu z inwestycji.
Umiejętności w projektach sztucznej inteligencji
Będzie także potrzebny dobrze zaprojektowany i wykonany plan przekwalifikowania pracowników i przeprojektowania struktur zespołu. ??Trzy najważniejsze umiejętności pracowników takiego zespołu to:
– rozumienie technologii cyfrowych,
– kreatywne myślenie i
– analiza danych.
Pracownicy muszą nauczyć się tych umiejętności i zrozumieć, że analiza danych i kreatywne myślenie są niezbędne do trenowania modeli sztucznej inteligencji. Zwykle każdy projekt sztucznej inteligencji, który zapewnia trwały zwrot z inwestycji, wymaga następującego składu:
- Inżynier oprogramowania
- Badacz uczenia maszynowego
- Data Scientist
- Inżynier uczenia maszynowego
- Menedżer produktu produktów opartych na sztucznej inteligencji
- Konwersacyjny projektant i badacz UX
- Growth Hacker
Projekty AI bez solidnych danych nigdy nie przyniosą zwrotu z inwestycji
Opracowanie niezawodnej strategii dotyczącej danych przed rozpoczęciem nauczania i szkolenia modeli sztucznej inteligencji ma kluczowe znaczenie. A zatem:
- zmapuj posiadane dane,
- zdecyduj, z kim musisz współpracować, aby dostarczyć niezbędne dane,
- oszacuj, ile danych ci zabraknie,
- zaplanuj, jak wyczyścić i zrekonstruować pulę danych
Uzyskanie danych jest największym wyzwaniem dla sukcesu projektu AI. Szacuję, że 96% projektów AI kończy się niepowodzeniem lub nie rozpoczęło się z powodu braku danych, które uniemożliwiają trenowanie algorytmów ML (machine learning).
Co należy wziąć pod uwagę, mierząc zwrot z inwestycji w projekty AI?
- Jakie jest uzasadnienie biznesowe?
Oczywiste jest, że celem obliczenia ROI jest określenie efektywności finansowania projektów sztucznej inteligencji. Na przykład firma Domino’s Pizza zdała sobie sprawę, że wprowadzenie robotów do kuchni może zautomatyzować powtarzalne zadanie mieszania składników. Ponadto, zbierając dane, sieć pizzerii prognozuje wielkość zakupów i liczbę dostaw. Niesamowity przykład wpływania na zwrot z inwestycji w sztuczną inteligencję. Ostatecznie firma przeprojektowała umowy z dostawcami i ograniczyła wiele ryzyk.
Powyższe jest prawdziwym przypadkiem biznesowym, który składa się z trzech elementów: usuwania powtarzających się zadań (uwielbia AI) oraz przewidywania skutków finansowych i procesów restrukturyzacyjnych.
- Czy to właściwy model sztucznej inteligencji do rozwiązania Twojego problemu biznesowego?
Organizacja musi podejść do AI z jasnym wskazaniem problemu, który ma ona rozwiązać. Na przykład nie możemy zapewnić dobrego ubezpieczenia osobom starszym, ponieważ nie znamy ich stylu życia. Zamiast ?zróbmy coś dla starszych ludzi i wykorzystajmy do tego sztuczną inteligencję?, wiele firm nie zdefiniowało stwierdzeń problemów, co prowadzi do nierealistycznych oczekiwań. Bez zdefiniowania celów, ale nie wiadomo jakie powinny być fundusze na wdrożenie i oczekiwane przychody – oba te elementy mają kluczowe znaczenie dla pomiaru zwrotu z inwestycji.
- Jaka jest Twoja częstotliwość trenowania modeli AI?
Facebook musi trenować modele AI przynajmniej codziennie, a Maersk (firma transportowa) może co miesiąc. Modele trenowania są potrzebne do tworzenia inteligentniejszych algorytmów, ale są również kosztowne. W każdym kolejnym etapie trenowania modelu, dowiadujemy się, czego brakuje. Może to być rekord danych, zmienna danych lub inny wiersz kodu. W zależności od częstotliwości szkolenia zwrot z inwestycji będzie obliczany inaczej.
eBay opracował narzędzie, które usuwa tła obrazów. Pomaga sprzedawcom szybko usuwać tła o niskiej jakości ze zdjęć, dzięki czemu obraz jest bardziej atrakcyjny dla kupującego. Ostatecznie to narzędzie poprawia CTR, co jest ważne w eCommerce. Tego rodzaju model wymaga codziennego treningu, co znacząco kształtuje proces pomiaru zwrotu z inwestycji.
- Jak zmierzysz sukces wdrożenia AI?
Krok 1 – Koszty wdrożenia sztucznej inteligencji
Na tym etapie należy naszkicować wszystkie wydatki związane z wdrożeniem Sztucznej Inteligencji. Oto lista niektórych pozycji:
Zespół
- Licencje i narzędzia
- Platformy i bezpieczeństwo
- Dane (pobieranie, utrzymywanie, przechowywanie, ochrona)
- Algorytmy (wybierz, zbuduj, utrzymaj)
- Modele (wybierz, pociąg, zmiana)
- Prototypowanie i projektowanie
- Budowanie i utrzymywanie ostatecznego rozwiązania (w tym iteracje)
Od licencji do wdrożenia, corocznej konserwacji i powtarzających się wewnętrznych kosztów operacyjnych: wszystkie te kategorie mają określone pozycje wydatków, które należy szczegółowo i oszacować.
Krok 2 – Korzyści z wprowadzenia sztucznej inteligencji
Korzyści lub wartość, jaką wygeneruje inwestycja w AI, są trudniejsze do oszacowania niż sporządzenie listy wydatków. Instalacja niezbędnej infrastruktury we wspomnianym wyżej Harley Davidson była kosztowna i nikt nie mógł przewidzieć, że Harley będzie generował 40% sprzedaży bez udziału człowieka w niszy, która wcześniej nie była wykorzystywana.
Oto kategorie korzyści, których wymaga każda kalkulacja zwrotu z inwestycji:
- Dochód
- Wydajność
- Reputacja i zgodność
- Zrównoważony rozwój
- Majątek
- Jakość produktów i usług
- Tożsamość marki
- Udział w rynku
- Moc cenowa
- Kultura organizacyjna
- Wiedza, umiejętności
- Jakość pracy
Krok 3 – Porównanie
Ostatnim etapem pomiaru ROI AI jest porównanie kosztów z korzyściami i określenie przepływów pieniężnych ROI. Nie ma gwarancji, że projekt AI nie będzie działał powyżej budżetu, biorąc pod uwagę wspomnianą powyżej niepewność i liczne eksperymenty, które są potrzebne w tego rodzaju projekcie.
Co robić, a czego nie robić, aby mierzyć zwrot z inwestycji w projekty związane ze sztuczną inteligencją
TAK: uwzględnienie postawy liderów biznesu, ponieważ większość z nich sceptycznie odnosi się do sztucznej inteligencji.
NIE: zaczynanie projektu bez wiedzy o tym, co potrafią konkretne modele ML i jaka jest natura
TAK: wybór problemów, które są łatwe do zmierzenia. Na przykład skupienie się na wybieraniu zdjęć o niskiej jakości jest łatwe do zmierzenia przed i po zastosowaniu sztucznej inteligencji. Jeśli szukasz oszustw, jest to znacznie trudniejsze do zmierzenia i trudniejsze do udowodnienia zwrotu z inwestycji w jakiekolwiek wydatki na sztuczną inteligencję.
NIE : realizowanie projektów i inwestycji dotyczących danych bez wdrożenia strategii zarządzania danymi w firmie.
TAK: testowanie nowych pomysłów przez projekty pilotażowe.
NIE: Pomijanie wymagań dotyczących integracji. Integracja oznacza wiedzę, gdzie model będzie żył i wykonywał. Czy działanie API może przetworzyć 10 000 wyjść SKU bezpośrednio na tablet kierownika sklepu? Jeśli nie, prognoza dla wielu jednostek SKU może równie dobrze nie istnieć.
TAK: Kierownictwo i personel muszą być kształceni i szkoleni w zespołach wielofunkcyjnych we wszystkich procesach i operacjach.
TAK: Obliczanie progu rentowności, nawet jeśli nie można przewidzieć wszystkich kosztów i korzyści. Według Investopedii, progiem rentowności jest poziom produkcji, przy którym całkowite przychody z produktu są równe całkowitym wydatkom.
Problem z każdym produktem opartym na sztucznej inteligencji polega na tym, że pochłania to czas i pieniądze. Tylko faza szkolenia modelowego może trwać od trzech miesięcy do kilku lat. Jest zbyt wiele nieznanych rzeczy, począwszy od zbioru danych, a skończywszy na skalowaniu produktów zasilanych sztuczną inteligencją. Na szczęście, można rozważyć wynajmowanie gotowego oprogramowania lub sprzętu (nazywam to podejściem Hire PreMade Blocks), a nie budowanie wszystkiego wewnątrz firmy. Bloki PreMade zwykle oferują innowacyjne modele biznesowe, takie jak freemium lub all you can eat. Zapewnia Twojej firmie elastyczność i lepszą kontrolę kosztów, a także kontrolę jakości.
Na przykład, gdy trzeba przeszukać bibliotekę filmów, to zamiast budować silnik oparty na sztucznej inteligencji od podstaw, można zatrudnić Valossa Video AI do wykonania zadania.
Decydując się na opracowanie niestandardowego rozwiązania opartego na sztucznej inteligencji, otrzymasz dokładniejsze oprogramowanie, będziesz właścicielem architektury i będziesz w 100% kontrolować przepływ danych. Ten rodzaj projektu będzie wymagał innej struktury zasobów niż strategia PreMade Blocks. Przynajmniej musisz upewnić się, że masz zespół sztucznej inteligencji do tego wyzwania i strategię dotyczącą danych. Jeśli musisz spojrzeć z szerszej perspektywy i zadać sobie pytanie, dlaczego budowanie wnętrza jest lepszą opcją. Jeśli odpowiesz ?ponieważ zawsze to robimy?, możesz zmniejszyć ROI i wnieść do równania niepotrzebne koszty.
Warto wykonać Proof of Concept, aby zebrać więcej informacji do przyszłych pomiarów zwrotu z inwestycji.
Według Wikipedii ?Dowód koncepcji lub dowód zasady to realizacja określonej metody lub pomysłu w celu wykazania jej wykonalności lub demonstracja zasadnicza w celu sprawdzenia, czy jakaś koncepcja lub teoria ma praktyczny potencjał. Dowód słuszności koncepcji jest zwykle mały i może być kompletny lub nie. ?
POC są ograniczone czasowo (zdefiniowane przez liczbę godzin) i zawierają jasne KPI (kluczowe wskaźniki wydajności) do pomiaru wyników. To ćwiczenie pozwala utrzymać koszty na niskim poziomie i zapewnia szybki wgląd w to, jakich wyników można się spodziewać przed zainwestowaniem znacznych zasobów w projekt.
Dowód koncepcji może wykazać potencjał zwrotu z inwestycji w projekt, a także jego możliwości techniczne.
Arkadiusz Skuza jest partnerem Volta Venture, strategiem biznesu, ekspertem rozwoju produktów, doradcą wdrażania sztucznej inteligencji w produktach i organizacjach, współpracownikiem Business Dialog, www.arekskuza.com www.szkolainnowacji.com
Zapraszamy na webseminar Arka Skuzy 21.09 g. 16.30-17.30. Rejestracja w serwisie dyrektorów Business Dialog https://businessdialog.pl/wydarzenia/dfe-21092020