Şirketlerin yapay zekaya yatırım yapmadan önce bilmesi gerekenler

Son yıllarda, yapay zeka çok güçlü hale geldi ve iş dünyasında kullanımı önemli ölçüde arttı. Sonuç olarak, yapay zeka kullanmayı ciddi olarak düşünmemiş olan şirketler yeni bir bakış açısı kazanıyor. Sebebi açık: yapay zekanın farklı alanlara entegre olabilmesi, rutinlerin tahmini, otomasyonu, operasyonel faaliyetler için gerekli görüntülerin tanımlanması olabilir. Bilgi yönetimi için ses ve metindeki anahtar kelimelerin, ifadelerin ve kalıpların tanımlanması yoluyla performansı artırabilir.

Kuruluşların sıklıkla sorun yaşadığı yer, gerçekten karşılığını verecek bir yapay zeka projesine nereye yatırım yapacaklarını bilmektir. Ancak yapay zeka daha önce şirketinizin bir parçası olmadıysa, gerçek potansiyelin ve risklerin nerede olduğunu bilmek zor olabilir. Yapay zeka değerli kazançlar vaat etse de bu kazançlar bir fiyat etiketi ile gelir ve liderler taahhütte bulunmadan önce doğru projeyi seçtiklerinden emin olmalıdır.

Şirketiniz yapay zekayı benimsemeyi düşünüyorsa, nasıl değer yaratabileceğini, ilk projelerin ne kadar iyi olabileceğini ve uzun vadede başarılı olma çabalarınız için personelde doğru yeteneğe sahip olup olmadığınızı düşünmelisiniz. İlk yapay zeka projesi göz korkutucu olabilir, ancak hangi faktörlere odaklanılacağını bilmek projeyi yeryüzüne indirecek ve yatırıma değip değmeyeceğini netleştirecektir.

Yapay zeka şirketinize değer katacak mı?

Şirketinizin gerçekten yapay zekaya ihtiyacı var mı?

“Neden bu yatırımın buna değeceğini düşünüyoruz?” sorusu cevaplamanız gereken ilk sorulardan biridir. Bu, hangi sorun kaynağını ele almaya çalıştığınızı veya verimliliği ve yenilikçi rekabet avantajını (örneğin, akıllı ürünler ve akıllı perakendecilik) nerede artırmayı amaçladığınızı bilmek anlamına gelir. Yapay zeka projeleri maliyeti önemli ölçüde etkileyen süreçleri, gelir akışlarını, nihai sonucun kayda değer bir etki olup olmayacağını ele almalıdır.

Yapay zekanın değer sağlaması için bazı iyi fırsatlar:

Çok zaman ve emek alıcı faaliyetler (örneğin, eyleme geçirilebilir öğelerini kategorize etmek için kapsamlı belgeleri okumak).

Görüntülerin yoğun bir şekilde taranmasını gerektiren iş akışı etkinlikleri.

Ses analizi ile arttırılabilen süreçler (örneğin, müşteri desteği yönlendirmesi).

Sigorta, finans, pazarlama ve hatta tarım gibi çok sayıda endüstri için geçerli olan müşteri davranışı veya genel tahmin gibi alanlarda tahmine dayalı doğruluğu artırmak.

Yapay zekanın aslında aradığınız cevap olmayabileceğini kabul etmeye hazır olun. Bir yapay zeka projesi için umut verici bir aday bulsanız bile, insan unsurunun nerede kritik olduğu konusunda gerçekçi olun. Örneğin, yapay zeka çıktısını doğrulamak veya kırmızı bayrak doğrulaması. yapay zeka her zaman çok fazla değer sağlamayabilir. Yapay zekaya yatırım yapmayı planlıyorsanız, bir fark yaratacağından emin olmak doğru olur.

Giriş noktanız olarak proje değil, görev seçin

Yapay zeka genellikle görev odaklıdır. Şirketinizdeki ilk yapay zeka deneyi için, veri odaklı yüksek değerli bir görev seçmeyi hedefleyin.

Sağlık sektöründen bir örnek düşünün: “düşme olasılığı yüksek” kategorisinde olabilecek hastaları tanımlamak. Bu yüksek değerli bir görevdir, çünkü düşmek bireyin yaralanması, daha karmaşık bakım ihtiyacı ve hatta yasal işlem anlamına gelebilir. Hangi hastaların düşme riski altında olduğunu belirleyebilmek ve düşme riskini azaltmak için ekstra ihtiyati prosedür yöntemleri eklemek gerçek değer sunabilir. Bu, hastaları yatan hasta bakımı için kabul edildiklerinde işaretleyebilen öngörücü bir yapay zekayı eğitmek için kullanılabilecek çok miktarda veri ile açıkça tanımlanmış bir görevdir.

Hangi verilere ve tamamlayıcı sistemlere ihtiyacınız olduğunu bilin

İyi veri, başarılı bir yapay zeka projesinin can damarıdır. Bir projeye başlamadan önce, bunu iyi yapmak için gereken veri türlerini ve miktarını, bu verilerin kullanımıyla ilgili herhangi bir kısıtlama olup olmadığını (gizlilik düzenlemeleri gibi) ve erişilebilir bir biçimde olup olmadığını resmi olarak araştırmanız gerekir. Bu araştırma, bir kuruluşun iç verileriyle sınırlı değil, dış kaynaklarda bulunabilecek verileri de içerir. Bir veri mühendisi burada olağanüstü derecede yardımcı olabilir. Veri kaynaklarınız düzenli değilse, önce verilere odaklanmanız ve daha sonra yapay zekayı takip etmeniz gerekebilir.

Yapay zekanın işlemesi için yeterli verinin mevcut olduğunu belirledikten sonra, bir yapay zekanın çıktısını hedef göreve entegre etmenin mümkün olduğundan emin olmanız gerekir. Başka bir deyişle, önerilerine bağlı olan otomatik işlemlere sorunsuz bir şekilde bağlanabilir mi? Modeliniz Python ile oluşturulmuşsa, sistemlerinizle uyumlu olacak mı? BT uzmanlarının hayati bir rol oynadığı yer burasıdır. Tüm zorlu adımları bitirdikten sonra ürünün çok daha uzun ve zorlu bir projeye sebebiyet verdiğini fark etmek çok daha sarsıcı olur.

Doğruluk beklentilerinizi ayarlayın

Yapay zeka güçlü bir araçtır, ancak sihir değildir. Kullandığınız yöntem elinizde bulunan verileri odaklanmak istediğiniz görevi, doğruluk oranını ve yatırım getirisini belirleyebilir. Doğruluğu neyin etkilediğini ve bunun nedenini anlamak, projenin başarısının neye benzediğine dair makul beklentiler belirlemenize yardımcı olabilir. Örneğin, görüntü tanıma/bilgisayarla görme, tahmin uygulamalarından göre daha güvenilir olma eğilimdedir.

Basitçe söylemek gerekirse, kullandığınız yapay zeka türünü ve sonuçların etkisini tahmin etmek için ne için kullanılacağını anlamak önemlidir.

Yapay zekayı kurumsal çapta kullanmak için acele etmeyin

Bir yapay zekanın bir görev için iyi çalışması, diğerler görevler için olacağı anlamına gelmez. Başka bir deyişle, kuruluşunuzdaki uyumluluk sorunlarını geliştirmek için yapay zekayı kullanma görevini düşünün. Örneğin, şikâyet dışı faaliyetlerin kaynaklarını belirlemek. Modeller, belirli bir işlevsel alana göre kırmızı bayrakların belirlenmesinde etkili olacaktır. Ancak, bu modelin uyumluluğu diğer alanlar için aynı şey anlamına gelmeyebilir. Yapay zeka projeleri, işlevsel prosedürlere ve onları yönlendiren ilgili verilere göre yürütülmelidir.

Yapay zekayı sürdürme becerisine sahip olup olmadığınız konusunda gerçekçi olun

Süreçlerin değişmesi gibi, bir modeli bir ay kullanmak için gerekli olan veriler birkaç ay sonra daha az önemli olabilir ve bu da yapay zekanın etkinliğini/doğruluğunu değiştirebilir. Devamlı yeni veriler ortaya çıkıyor, süreç sürücüleri değişiyor ve bununla birlikte yapay zeka uygulamalarının yeniden optimize edilmesi gerekiyor. Tutarlı bir şekilde etki sağlamak için, sistemin bakımı için destek sağlamak üzere veri mühendislerinin, veri bilimcilerinin ve BT personelinin dahil edilmesini gerekir. Bu, organizasyon türüne göre değişir. Daha büyük şirketler zaten altyapıya sahiptir (örneğin, BT ve veri mühendisleri). Pratik veri bilimcilerinin eklenmesi, dahili projeleri sürdürmek için yeterli olabilir. Tabii ki, dış tedarikçilerle etkileşim kurma seçeneği her zaman uygulanabilir ve yapay zeka uygulamalarına girip öğrenmek için iyi bir yol olabilir.

Akılda tutulması gereken bir fikir: Şirketinizin yapay zeka uygulamalarından yararlanacak özelliklere sahip olduğuna inanıyorsanız, operasyonlarınızın ayrılmaz bir parçası haline getirmek için personele yatırım yapmaya değer olabilir

Getiriler maliyetlerden daha ağır basacak mı?

Birçok yöneticinin zihninde var olan bir yanlış anlama, yapay zekanın her şeyi kapsayan cevaplar veren bir karar verici olduğu ve işlevselliğin maliyetleri düşüreceği veya maliyetli işgücü ihtiyacını azaltacağıdır. Ancak gerçek şu ki, yapay zeka daha çok bir karar destek mekanizması olmaya devam ediyor. Doğru görüntü tanıma veya etkili doğal dil işleme (NLP) ile bile, bir yapay zeka girişimi tipik olarak bir sürecin aşamalarını geliştirecek ve nihai sonucu değiştirmeyecektir. Örneğin, NLP belgeleri kategorilere ayırma yeteneğini geliştirebilir ve görevi gerçekleştirmek için zaman ve emek yoğun kaynaklar dağıtma ihtiyacını azaltabilir. Bununla birlikte, nihai sonuç, büyük olasılıkla, kuruluştaki daha fazla bilgi yoğun görevlere dağıtılan fazla personel ile bu göreve dağıtılan kaynaklarda bir azalma olacaktır. Sonuç kesinlikle olumlu, ancak yatırım getirisi net değil.

Gerçekte yapay zeka projeleri

Bir Global500 endüstriyel ürün şirketinin, müşteri e-posta etkileşimleriyle ilgili müşteri hizmetleri süreçlerini optimize etmek için yapay zekayı nasıl kullandığını düşünün.

İhtiyaç: Şirket büyük miktarda müşteri hizmetleri e-postası aldı. Onlara cevap vermek, görevi yapay zeka için umut verici bir aday haline getiren tekrarlayan süreçleri içeriyordu.

Yöntem: İlk proje, müşteri e-postalarının nasıl yönlendirileceğini belirlemek için doğal dil işleme (NLP) ve özel olarak oluşturulmuş sınıflandırıcılar kullanacak. Bu, e-postaları personel tarafından doğru departmana atamanın zaman alıcı ve hataya eğilimli görevini ortadan kaldıracaktır. Bunun, yanıt süresini %50’ye kadar hızlandırması ve her müşteri hizmetleri temsilcisinin ele alabileceği sorgu sayısını artırması bekleniyordu. İlerlemek için veri bilimcileri, BT personeli ve veri mühendisleri arasında iş birliği kuruldu.

Veriler: Bu, şirketin on binlerce insan tarafından sınıflandırılmış e-postayı topladığı için doğal bir giriş noktasıydı. Bu, bunun gibi bir proje için çok önemli bir unsur olan ve genellikle göz ardı edilen yüksek doğruluğa sahip sağlam bir eğitim / test veri seti oluşturdu.

Entegrasyon ve sonuçlar: Bu dar odak kapsamı, sınıflandırıcının nispeten iyi bir doğruluğuna izin verdi; %80 veya daha iyisi. Bu, gelen e-postaları 10 ana kategoriden birinde ve ardından 30 alt kategoriye kadar sınıflandırmak için karşılaştırma ölçütü olarak seçildi. Bu hızda, insan yönlendirmesinden daha verimli olacak ve önemli ölçüde zaman ve kaynak tasarrufu sağlayacaktır. Modeli üretime sunmak için veri bilimcileri, Python modelini kuruluştaki e-posta tabanlı sistemlerle tümleştirmek için ek kod uygulamak zorunda kaldılar.

Projenin nihai sonucu, yapay zekanın zaman alıcı ve emek yoğun bir iş sürecini nasıl etkileyebileceğinin gösterilmesiydi ve bu da sonuçta organizasyondaki diğer uygulamaları yönlendirdi.

Yapay zekayı “doğru yolla” kullanmanın sonuçları

Herhangi bir yeni stratejik teknolojinin başarılı bir şekilde uygulanmasının anahtarı, durum tespitidir. Son derece karmaşık olabilen yapay zeka söz konusu olduğunda, şirketlerin yapay zeka yöntemlerinin yeteneklerini bilmeleri ve fark yaratabilecekleri doğru süreçlere dağıtımını göz önünde bulundurmaları gerekir. Daha spesifik olarak, yapay zeka ile durum tespiti, veri mühendisleri, veri bilimcileri, dahili süreç KOBİ’leri ve yöneticileri arasında iş birliğine dayalı beyin fırtınası gerektirir. Birkaç günlük odaklanmış müzakere, kaynakları optimize eden ve rekabet avantajı sağlayan başarılı sunumların olasılığını artırabilir veya sürekli test durumunda kalan yeni teknolojilerin başarısızlıklarını önleyebilir.

Yapay zeka işe uygunsa, şirketler teknolojinin rutin ve ağır yüklerini ortadan kaldırmasına izin verebilir veya geniş veri kaynaklarında görünüşte bilinmeyen kalıpları tanımlayabilir. Ancak oraya ulaşmak için, şirketiniz için işe yarayan yaklaşımı bulmanız gerekir. Bunu yaptıktan sonra, etrafınızda yeni fırsatların açıldığını görebilirsiniz.

Kaynak: What Companies Need to Know Before Investing in AI

Facebook\\\\\\\'ta paylas

Tweetle