Övervinna hinder i utvecklingen av AI-projekt

Redaktörens anmärkning: Den här artikeln publicerades ursprungligen i Forbes.

Enligt en nyligen genomförd studie av 451 Research, som är en del av SP Global Market Intelligence, ”började mer än 90 % av de organisationer som har börjat använda AI att utveckla sitt första AI-projekt under de senaste fem åren.” Även om de är i sin linda, är AI-baserade lösningar på uppgång runt omkring oss. Men många av dessa initiativ uppfyller fortfarande inte förväntningarna – om de ens når fram till driftsättning.

För att lyckas bör ledarna välja och hantera AI-projekt utifrån en genomtänkt strategi som bygger på tydliga förväntningar, anpassning till affärsmål och iteration. Vi ska titta på vanliga hinder som organisationer möter när de utformar framgångsrika AI-projekt från början till slut och hur de kan övervinnas.

Hantera förväntningar på AI-baserade lösningar

Många av dagens misslyckade AI-projekt påminner om nittiotalet och företagens mjukvaruprojekt. Teamen hade stora förhoppningar om att ny teknik skulle lösa deras problem, men utvecklingsprojekten gick i stöpet. Nu som då är för höga förhoppningar på vad lösningen faktiskt kan lösa en av de största fallgroparna.

Det är farligt att tro att allt plötsligt blir transparent om du samlar in tillräckligt med data, att du kan förutsäga kundernas beteenden eller ge perfekta rekommendationer som förutser deras behov. Världen är tyvärr mycket mindre förutsägbar än vad vi skulle önska. Även om det uppstår mönster som är användbara, är inte alla händelser orsaksbundna eller ens relaterade. Många saker ger bara upphov till brus.

Samtidigt ser många organisationer hur deras kollegor implementerar AI-lösningar och känner pressen att hänga med. Att investera i AI bara för att inte vara sämre än andra kan slå tillbaka om du inte förstår vad som driver andras framgångar eller om det kommer att fungera för din egen organisation. Företag som har ett försprång i sina AI-projekt har ofta redan utformade datastrategier och affärsprocesser som gör det möjligt för dem att samla in och dra nytta av rätt sorts data för AI.

Att hantera förväntningarna på AI-projekt handlar i slutändan om förmågan att formulera vilka av dina problem som verkligen kan lösas med AI.

Välja rätt typ av AI-projekt för dina problem

Ligger din AI-strategi i linje med affärsmålen? Valet av projekt är förmodligen den största utmaningen som organisationer står inför i sina AI-initiativ. Det är viktigt att verkligen förstå vilken fråga som du försöker besvara. Kommer svaret på den frågan (om den ger ett svar) att ge förbättrade affärsresultat och kan de resurser som du har att besvara den på ett framgångsrikt och effektivt sätt?

Låt oss säga att du vill använda en prediktiv modell för att avgöra när du ska erbjuda en kund rabatt och vilken typ av rabatt du ska ge. Ta in data science-teamet! För att vara ett problem med en prediktiv modell är det faktiskt en stor utmaning att ta sig an. För det första är det svårt att veta om kunden skulle köpa produkten utan rabatten eller inte. Att samla in de nödvändiga uppgifterna med hjälp av noggrann statistik och skapa en användbar modell skulle troligen kräva processer som känns onaturliga för företaget. Det kan till exempel vara att slumpmässigt välja vilka kunder som ska få rabatt eller vilka säljare som kan ge rabatter. Det gör situationen ännu mer komplicerad.

Ett bättre sätt att närma sig det här AI-problemet kan vara att utforska simuleringsmodeller av det kundbeteende som du förväntar dig med olika rabattsystem. I stället för att försöka få systemet att leverera en exakt prognos kan simulering och scenarioplanering hjälpa människor att upptäcka vilka variabler som är känsliga för varandra när de fattar affärsbeslut. Ställ dig själv frågan: Vilken kundrespons behöver vi för att rabatten ska vara meningsfull? Den här sortens övning i att utforska potentiella resultat är mycket effektivare och mycket enklare än att utveckla komplicerade data science-experiment. 

Skapa ett vinnande team

För att kunna använda datan till någon form av AI-aktivitet är det väldigt viktigt att du förstår i vilket syfte den har samlats in och kurerats, hur den har använts tidigare och hur den kommer att användas i framtiden. Det är viktigt att träna en modell på data som är fullständig och som representerar vad som är tillgängligt i verkligheten i det ögonblick då du gör det. Om du till exempel har flera steg i din affärspipeline och vill förutsäga sannolikheten att en affär avslutas i steg fem, kan du inte köra modellen på affärerna i steg tre eller fyra och förvänta dig användbara resultat.

Data scientists ser ofta inte nyanserna mellan det som data representerar och hur den genereras. Vilka mänskliga och tekniska processer samverkar i att skapa data och vilken betydelse har datan inom ramen för din verksamhet? Det är här det är otroligt värdefullt med analytiker och användare som är nära datan – och de problem som du försöker lösa med den. Vi brukar se på AI som en lagsport därför att framgång kräver affärskontext i kombination med grundläggande kunskaper om data och modeller.

Slutligen finns det mänskliga aspekter som projektets framgång är beroende av, som organisationer lätt kan förbise om de fokuserar enbart på data och teknik. Ofta kan AI göra en prognos, men någon måste bestämma hur den ska omvandlas till en rekommenderad åtgärd. Är rekommendationen användbar? Ger den en tydlig åtgärd som människor är villiga att följa? Skapar du en miljö där dessa förslag kommer att tas emot på ett effektivt sätt?

Att förutsäga något är inte alltid användbart. Är du beredd att justera priser, produktvolymer eller personalstyrka, eller till och med ändra ditt produktsortiment? Vilken nivå av förändringshantering behövs för att människor ska acceptera den nya lösningen och förändra sina inarbetade beteenden och processer? Förtroende skapas genom ett mönster av konsekvent beteende och en vilja att fortsätta att utbilda verksamheten. Om du vill påverka hur människor utför sina jobb radikalt, måste de vara med på det.

Börja i liten skala och upprepa

Vi avslutar med lite vägledning med utgångspunkt i det vi har sett i vårt arbete med kunderna.

Oftast är det första bästa AI-projektet det som är lättast att implementera och få i gång med så lite komplicerat förändringsarbete som möjligt. Försök att bygga något som ger värde så snabbt som möjligt, även om det är en gradvis förbättring som är mycket liten. Håll kunderna, affärsanvändarna och intressenterna så nära utvecklingsprocessen som möjligt. Sträva efter att skapa en miljö med god återkoppling, både genom att samla in mer data för att iterativt förbättra modellen och genom input från intressenter för att förbättra projektet och resultaten.

Med AI kommer det alltid att finnas gränsfall där lösningen är en miss. Men det är bättre att hitta lösningar som fungerar för merparten av kunderna eller medarbetarna än att utveckla ett riktigt flashigt koncepttest som bara fungerar för ett fåtal specifika användningsfall. I slutändan handlar AI om att minska friktionen och göra det lättare för människor att utföra sina jobb och fatta välgrundade beslut.

Vill du veta mer? Lyssna på vårt samtal kring AI-projekt på LinkedIn eller läs mer om AI-analys i Tableau.