Superare gli ostacoli nella progettazione di progetti di intelligenza artificiale end-to-end

Secondo un recente studio di 451 Research, parte di S&P Global Market Intelligence, "oltre il 90% delle organizzazioni che hanno adottato l'intelligenza artificiale ha iniziato lo sviluppo del loro primo progetto di intelligenza artificiale negli ultimi cinque anni". Sebbene nascenti, le soluzioni abilitate all'intelligenza artificiale sono in aumento intorno a noi. Tuttavia, molte di queste iniziative continuano a non soddisfare le aspettative, anche se arrivano alla distribuzione.

Per avere successo, i leader dovrebbero selezionare e gestire i progetti di intelligenza artificiale con una strategia ponderata guidata da aspettative chiare, allineamento agli obiettivi aziendali e iterazione. Diamo un'occhiata agli ostacoli comuni che le organizzazioni devono affrontare quando progettano progetti di intelligenza artificiale end-to-end di successo e come superarli.

Gestire le aspettative per le soluzioni abilitate all'intelligenza artificiale

Molti dei progetti di IA falliti di oggi ricordano i progetti software aziendali degli anni Novanta, quando i progetti di sviluppo stavano andando fuori strada mentre i team nutrivano grandi speranze che le nuove tecnologie avrebbero risolto i loro problemi. Sia allora che oggi, una grave trappola è avere aspettative gonfiate su ciò che la tua soluzione può effettivamente risolvere.

È pericoloso presumere che raccogliendo abbastanza dati, tutto sarà improvvisamente trasparente; che puoi prevedere i comportamenti dei clienti o formulare consigli perfetti per anticipare le loro esigenze. Sfortunatamente, il mondo è molto meno prevedibile di quanto la gente vorrebbe che fosse. Sebbene emergano modelli utili, non tutti gli eventi sono causali o addirittura correlati: accadono molte cose che generano solo rumore.

Allo stesso tempo, molte organizzazioni vedono i loro colleghi implementare soluzioni di intelligenza artificiale e sentono la pressione per tenere il passo. Investire nell'IA solo per "tenere il passo con i Jones" può ritorcersi contro se non capisci cosa sta guidando i successi dei tuoi colleghi e se funzionerà o meno per la tua organizzazione. Spesso, le aziende con un vantaggio nei loro progetti di intelligenza artificiale lo hanno fatto strategie sui dati e processi aziendali in atto che consentano loro di raccogliere e sfruttare i giusti tipi di dati per l'IA.

In definitiva, la gestione delle aspettative per i progetti di intelligenza artificiale inizia con la capacità di articolare quali dei tuoi problemi possono davvero essere risolti con l'intelligenza artificiale.

Scegliere i giusti tipi di progetti di intelligenza artificiale per i tuoi problemi

La tua strategia di intelligenza artificiale è allineata ai tuoi obiettivi di business? La selezione dei progetti è probabilmente la sfida più grande che le organizzazioni devono affrontare con le loro iniziative di intelligenza artificiale. È importante capire davvero la domanda a cui stai cercando di rispondere, come (e se) rispondere a questa domanda porterà a risultati aziendali migliori e se le risorse di cui disponi possono rispondere in modo efficace ed efficiente.

Supponiamo di voler utilizzare un modello predittivo per determinare quando e che tipo di sconto offrire a un cliente. Coinvolgi il team di scienza dei dati! Ma questo è in realtà molto difficile da affrontare come un problema di modello predittivo. Prima di tutto, è difficile sapere se il tuo cliente acquisterebbe o meno il prodotto senza lo sconto. E raccogliere i dati necessari con un rigore statistico sufficiente per produrre un modello utile comporterebbe probabilmente alcuni processi che sembrano innaturali per l'azienda, come la randomizzazione di quali clienti ottengono sconti o quali rappresentanti di vendita possono concedere sconti. Ciò aggiunge molta complessità alla situazione.

Un modo migliore per affrontare questo problema con l'IA potrebbe essere quello di esplorare modelli di simulazione del comportamento del cliente che ti aspetti in base a diversi regimi di sconto. Invece di torturare il sistema per arrivare a una previsione precisa, la simulazione e la pianificazione degli scenari possono aiutare le persone a scoprire quali variabili sono sensibili l'una all'altra quando prendono decisioni aziendali. Chiediti: quale risposta dei clienti avremmo bisogno per dare un senso a questo sconto? Questo tipo di esercizio nell'esplorazione dei potenziali risultati è molto più efficace e sicuramente molto più semplice rispetto alla creazione di un complesso esperimento di scienza dei dati.

Prepara le tue squadre per il successo

Comprendere per cosa sono stati raccolti e curati i tuoi dati, come sono stati utilizzati in passato e come verranno utilizzati in futuro è fondamentale per svolgere qualsiasi tipo di attività di intelligenza artificiale sui dati. È importante addestrare un modello sui dati che sia completo e che rappresenti ciò che è disponibile nel mondo reale nel momento in cui stai effettuando l'intervento. Ad esempio, se si dispone di più fasi nella pipeline delle operazioni e si desidera prevedere la probabilità che un'operazione venga chiusa durante la fase cinque, non è possibile eseguire il modello sulle operazioni nelle fasi tre o quattro e aspettarsi risultati utili.

I data scientist hanno spesso un divario nella comprensione delle sfumature di ciò che i dati rappresentano e di come vengono generati. Quali processi umani e tecnologici svolgono un ruolo nella creazione dei dati e cosa significano esattamente i dati nel contesto della tua attività? È qui che gli analisti e gli utenti aziendali che sono vicini ai dati e ai problemi che stai cercando di risolvere con essi sono incredibilmente preziosi. Ci piace pensa all'IA come a uno sport di squadra perché il successo richiede un contesto aziendale oltre a una linea di base di dati e alfabetizzazione dei modelli.

Infine, ci sono aspetti incentrati sull'uomo del successo del progetto che le organizzazioni possono trascurare se sono troppo concentrate sui dati o sulla tecnologia. Spesso l'IA può fare una previsione, ma spetta a qualcuno decidere come trasformarla in un'azione consigliata. Il suggerimento è utile per fornire un'azione chiara e che le persone saranno disposte a seguire? Stai creando un ambiente in cui questi suggerimenti saranno ricevuti in modo efficace?

Prevedere qualcosa è utile solo a volte. Sei disposto ad adeguare i prezzi, i volumi di prodotti o il personale o addirittura a cambiare la tua linea di prodotti? Quale livello di gestione del cambiamento è necessario affinché le persone adottino la nuova soluzione ed evolvano i comportamenti e i processi stabiliti? La fiducia deriva da un modello di comportamento coerente e dalla volontà di continuare a educare l'azienda; se hai intenzione di avere un impatto radicale sul modo in cui le persone svolgono il proprio lavoro, devono essere d'accordo con esso.

Iniziare in piccolo e iterare

Chiudiamo con alcune indicazioni basate su ciò che abbiamo visto lavorando con i clienti.

Spesso il miglior primo progetto di intelligenza artificiale è quello che sarà il più facile da rendere operativo e da mettere in produzione con la gestione delle modifiche meno complessa. Cerca di costruire qualcosa che offra valore il più rapidamente possibile, anche se si tratta di un miglioramento incrementale molto piccolo. E mantieni i tuoi clienti, utenti aziendali e parti interessate il più vicino possibile al processo di sviluppo. Mirare a creare un ambiente di buon feedback, sia nel senso di raccogliere più dati per migliorare in modo iterativo il modello, sia nel senso di input delle parti interessate per migliorare il progetto e i suoi risultati.

Con l'IA, ci saranno sempre casi limite in cui la soluzione è mancata. Ma è meglio trovare soluzioni che funzionino per la maggior parte dei tuoi clienti o dipendenti, invece di sviluppare un proof of concept davvero appariscente che funzioni solo per pochi casi d'uso su misura. Alla fine della giornata, l'IA dovrebbe ridurre gli attriti e rendere più facile per le persone svolgere il proprio lavoro e prendere decisioni informate.

Per ulteriori informazioni sull'analisi dell'IA di Tableau, visita tableau.com/ai.