Добавената стойност на изкуствения интелект? Преди да инвестирате в изкуствен интелект: Определете 4-те тихи убийци на успешни проекти

Кои са най-често срещаните проблеми при внедряването на изкуствен интелект в компаниите?

Внедряването на изкуствен интелект в компаниите рисува отрезвяваща картина: въпреки значителните инвестиции, повечето проекти с изкуствен интелект се провалят, преди дори да достигнат до продуктивна употреба. Проучванията показват, че между 80 и 95 процента от всички пилотни проекти с изкуствен интелект никога не достигат фазата на мащабиране. Проблемът рядко се крие в самата технология, а по-скоро в структурни предизвикателства, които много компании подценяват.

Причините за този неуспех са многостранни и систематични. Скорошно проучване на Gartner показва, че до 34% от компаниите посочват наличието на данни или качеството на данните като основна пречка. В същото време 42% от компаниите съобщават, че повече от половината от техните проекти за изкуствен интелект са били забавени или напълно изоставени поради проблеми с предоставянето на данни.

Особено проблематично е несъответствието между техническите успехи в пилотната фаза и практическото мащабиране. Проучване на MIT показва, че почти всички пилотни проекти, включващи генеративен изкуствен интелект, не успяват да осигурят устойчива стойност, защото не са интегрирани в стратегическата програма и протичат като изолирани експерименти.

Свързано с това:

• Истинската златна мина: Германия е водеща в областта на изкуствения интелект и роботиката по отношение на историческите данни

Защо данните често не са готови за приложения с изкуствен интелект?

Проблемите с данните представляват една от най-фундаменталните пречки пред успешното внедряване на изкуствен интелект. Много организации приемат, че един достатъчно интелигентен модел може автоматично да създава стойност от съществуващите данни, но това предположение се оказва подвеждащо на практика.

Реалността рисува различна картина: колкото по-голяма е организацията, толкова по-хаотични са нейните структури от данни. Данните често се съхраняват изолирано в различни системи, непълни са, неструктурирани или следват непоследователни формати. Тази фрагментация води до парадоксалното явление, че макар компаниите да притежават големи количества данни, тези данни са практически неизползваеми за приложения с изкуствен интелект.

Особено критичен аспект е качеството на данните. Проучванията показват, че до 80 процента от времето за проекти с изкуствен интелект трябва да се изразходва за подготовка на данни. Често срещани проблеми включват непоследователни формати на данни, липсващи или неправилни етикети, остаряла информация и систематични отклонения в данните за обучение. Това лошо качество на данните може да доведе до халюцинации в модела или липса на контекст, което в крайна сметка кара потребителите да изоставят системата.

Освен това, законите за защита на данните, ограниченията за достъп и вътрешните изолирани системи значително усложняват достъпа до съответните данни. GDPR и други изисквания за съответствие създават допълнителни бариери, които трябва да се вземат предвид при използването на данни за целите на изкуствения интелект. Следователно компаниите трябва да се научат да разработват системи с изкуствен интелект, които могат да работят с разпръснати и непълни данни, като същевременно обработват сигурно чувствителна информация.

Каква роля играе ИТ инфраструктурата при провала на ИИ?

Интегрирането на системи с изкуствен интелект в съществуващите корпоративни архитектури се оказва сложно техническо предизвикателство, което далеч надхвърля простото внедряване на алгоритми. Изкуственият интелект е полезен само дотолкова, доколкото е полезен за безпроблемно интегриране в оперативните реалности на организацията.

Съвременните корпоративни архитектури се характеризират с хетерогенна смесица от наследени системи и облачни приложения, които трябва да бъдат взаимосвързани през ведомствените и националните граници. Тази сложност произтича от десетилетия на ИТ еволюция, в които нови системи са били изграждани върху съществуващи, без да е планирана съгласувана цялостна архитектура.

Остарелите системи представляват особено предизвикателство. Тези по-стари системи често не разполагат с модерните интерфейси и API, необходими за интеграция с изкуствен интелект. Те често използват остарели формати и стандарти за данни, нямат достатъчно документация и не разполагат с необходимата техническа експертиза за интеграция. В същото време тези системи са дълбоко интегрирани в бизнес процесите и не могат просто да бъдат заменени, без да се поемат значителни бизнес рискове.

Изискванията за сигурност и съответствие допълнително изострят този проблем. Наследените системи може да не разполагат със стабилни мерки за сигурност и контрол на достъпа, необходими за защита на чувствителни данни. Интегрирането на изкуствен интелект в тези среди поражда значителни опасения за сигурността и съответствието, особено в силно регулирани индустрии.

Месеците опити за интегриране на големи езикови модели в твърди среди и безкрайните дебати между локалните и облачните решения значително възпрепятстват напредъка. Новите инструменти за изкуствен интелект често въвеждат допълнителна сложност, вместо да решават съществуващите проблеми. Решението се крие в разработването на съгласувана архитектура, която нативно свързва източниците на данни, разбира организационния контекст и осигурява прозрачност от самото начало.

Как може да се измери успехът на ИИ, когато целите са неясни?

Измерването на успеха на изкуствения интелект е едно от най-трудните предизвикателства в корпоративния ИИ, особено когато от самото начало не са определени ясни цели. Неясните цели са сред най-честите причини за неуспехи на ИИ и водят до порочен кръг от недостатъчни доказателства за възвръщаемост на инвестициите и липса на мащабируемост.

Твърде много пилотни проекти възникват от чисто технологично любопитство, вместо да се справят с реални бизнес проблеми. Този изследователски подход може да е полезен в изследванията, но в компаниите той води до проекти без измерими критерии за успех. Ключовите показатели за ефективност често липсват напълно или са толкова неясно формулирани, че не позволяват никаква смислена оценка.

Структурираната рамка за измерване на възвръщаемостта на инвестициите (ROI) започва с ясното определяне на бизнес целите и тяхното превръщане в измерими ключови показатели за ефективност (KPI). Това трябва да включва както водещи показатели, които предоставят ранни сигнали за успех или неуспех, така и изоставащи показатели, които измерват дългосрочните ефекти. Класическата формула за възвръщаемост на инвестициите формира основата: Възвръщаемостта на инвестициите е равна на общата полза минус общите разходи, разделена на общите разходи, умножена по 100 процента.

Този опростенчески поглед обаче е недостатъчен за инвестициите в изкуствен интелект, тъй като както разходите, така и ползите показват по-сложни структури. Разходната страна включва не само очевидните разходи за лицензи и хардуер, но и скрити разходи за почистване на данни, обучение на служителите и текуща поддръжка на системата. Особено критични са често подценяваните разходи за управление на промените, които възникват, когато служителите трябва да научат нови работни процеси.

От страна на ползите могат да се разграничат няколко категории: Преките парични ползи чрез спестяване на разходи или увеличени приходи са най-лесни за количествено определяне. По-малко очевидни, но често по-ценни са косвените ползи, като например подобрено качество на решенията, намалени проценти на грешки или повишена удовлетвореност на клиентите. Не всички ползи от изкуствения интелект могат да бъдат пряко изразени в числа. Подобреното качество на решенията чрез анализи, основани на данни, може да създаде значителна дългосрочна стойност, дори ако това е трудно за количествено определяне.

Дори при технически успехи, организационните пречки често блокират прехода към мащабиране: бюджетните цикли, текучеството на персонала, неясните структури за стимулиране или забавянията в съответствието могат да доведат до застой дори на успешните пилотни проекти. Решението се крие в дефинирането на очакванията от самото начало и поставянето на конкретни, измерими цели: увеличени приходи, спестяване на време, намаляване на риска или комбинации от тези фактори. Освен това планирането трябва да включва внедряване, а не само техническо внедряване.

Защо е толкова трудно да се изгради доверие в изкуствения интелект?

Установяването на доверие в системите с изкуствен интелект е едно от най-сложните и критични предизвикателства в корпоративния ИИ. Това предизвикателство е особено проблематично, защото доверието е трудно за изграждане, но лесно за загуба, а без доверие употребата му намалява бързо, дори при наличие на точни и полезни модели.

Проблемът с доверието започва с фундаменталната липса на прозрачност в съвременните системи с изкуствен интелект. Много усъвършенствани модели на изкуствен интелект функционират като така наречените „черни кутии“, чиито процеси на вземане на решения са неразбираеми дори за експертите. Тази липса на прозрачност означава, че потребителите и вземащите решения не могат да разберат как системата стига до определени резултати, което естествено поражда скептицизъм и съпротива.

Обяснимият изкуствен интелект (ИИ) се превръща в ключов фактор за успех в този контекст. XAI обхваща методи и техники, които правят решенията и работата на ИИ моделите разбираеми и разбираеми за хората. Днес често вече не е достатъчно ИИ просто да предостави правилния отговор – как стига до този отговор е също толкова важно.

Значението на обяснимостта се подсилва от няколко фактора: Потребителите са по-склонни да приемат решения, свързани с ИИ, ако могат да ги разберат. Регулаторни изисквания като GDPR и Закона на ЕС за ИИ все повече изискват обясними процеси на вземане на решения. Прозрачността позволява откриване и коригиране на дискриминация и систематични грешки. Разработчиците могат по-лесно да оптимизират моделите, ако разбират основата за своите решения.

Дори незначителни грешки могат да породят значително недоверие, ако системата се възприема като непрозрачна. Това е особено проблематично в области, където решенията могат да имат дългосрочни последици. Следователно, обяснимостта, обратната връзка и прозрачността не са незадължителни характеристики, а съществени изисквания за успешното използване на ИИ.

Екипите за съответствие естествено работят предпазливо, което забавя процесите на одобрение. Скептицизмът към моделите „черна кутия“, изискванията за управление на данните и регулаторните несигурности са реални и значително възпрепятстват приемането. Липсата на стандарти за разработване, внедряване и оценка означава, че всеки проект се превръща в ново „специално начинание“, вместо да се гради върху установени процеси.

Управлявана AI платформа - Изображение: Xpert.Digital

Тук ще научите как вашата компания може да внедри персонализирани решения с изкуствен интелект бързо, сигурно и без високи бариери за навлизане.

Управляваната AI платформа е вашето цялостно и безпроблемно решение за изкуствен интелект. Вместо да се занимавате със сложни технологии, скъпа инфраструктура и продължителни процеси на разработка, вие получавате готово решение, съобразено с вашите нужди, от специализиран партньор – често само в рамките на няколко дни.

Ключовите предимства накратко:

⚡ Бързо внедряване: От идея до готово за употреба приложение за дни, а не за месеци. Ние предлагаме практични решения, които създават незабавна добавена стойност.

🔒 Максимална сигурност на данните: Вашите чувствителни данни остават при вас. Гарантираме сигурна и съвместима обработка без споделяне на данни с трети страни.

💸 Без финансов риск: Плащате само за резултати. Високите първоначални инвестиции в хардуер, софтуер или персонал са напълно елиминирани.

🎯 Фокусирайте се върху основния си бизнес: Концентрирайте се върху това, което правите най-добре. Ние се грижим за цялостното техническо внедряване, експлоатация и поддръжка на вашето AI решение.

📈 Готов за бъдещето и мащабируем: Вашият изкуствен интелект расте с вас. Ние гарантираме непрекъсната оптимизация и мащабируемост и гъвкаво адаптираме моделите към новите изисквания.

Повече информация тук:

• Управлявана платформа с изкуствен интелект

Как да преодолеем културната съпротива срещу изкуствения интелект?

Културните предизвикателства, свързани с внедряването на изкуствен интелект, често се подценяват, но въпреки това представляват един от най-важните фактори за успех. Управлението на организационните промени далеч надхвърля техническите съображения и изисква систематичен подход за преодоляване на дълбоко вкоренената съпротива.

Остарелите ИТ системи често са дълбоко вградени в процесите на компанията, а въвеждането на нови процеси, поддържани от изкуствен интелект, може да срещне значителна съпротива от страна на служителите, свикнали с установените работни процеси и методи. Тази съпротива произтича не толкова от нежелание, колкото от несигурност и страх от неизвестното.

Структурираният подход към културната промяна обхваща няколко измерения. Културата на иновациите формира основата и трябва да се придържа към няколко ключови критерия: демонстративна отвореност към промени на всички организационни нива, ясна комуникация и прозрачност по отношение на целите, които трябва да бъдат постигнати чрез използването на изкуствен интелект, като се подчертават ползите както за компанията, така и за нейните служители. Отвореният диалог на всички йерархични нива е от съществено значение за намаляване на съществуващите страхове и предразсъдъци към новите технологии.

Повишаването на осведомеността и предоставянето на образование са първите критични стъпки. Служителите и мениджърите трябва да разбират защо изкуственият интелект е от значение за компанията и как може да допринесе за постигането на стратегически цели. Семинари, обучения и информационни събития са ефективни средства за предаване на знания и справяне с проблеми. Насърчаването на грамотността в областта на изкуствения интелект – т.е. фундаментално разбиране на изкуствения интелект и неговите приложения – е приоритет.

Развиването на умения за работа с изкуствен интелект изисква инвестиции както в техническа експертиза, така и в разбиране за това как изкуственият интелект се прилага в специфични бизнес контексти. В това отношение персонализираните програми за обучение и сътрудничеството с външни експерти могат да бъдат безценни. От решаващо значение е служителите да гледат на изкуствения интелект не като на заплаха, а като на инструмент в подкрепа на работата си.

Адаптирането на структурите и процесите е неизбежно. Компаниите трябва да са готови да поставят под въпрос традиционните начини на работа и да преследват нови, по-гъвкави подходи. Това може да включва въвеждане на нови комуникационни канали, адаптиране на процесите на вземане на решения или препроектиране на работните процеси. Изкуственият интелект не трябва да се разглежда като външен елемент, а като неразделна част от корпоративната култура.

Лидерите играят ключова роля в процеса на културна трансформация. Те трябва не само да определят визията и стратегията, но и да действат като модели за подражание и да въплъщават ценностите на култура, основана на изкуствен интелект. Насърчаването на култура на експериментиране и учене през целия живот е от съществено значение. Програмите за развитие на лидерски качества могат да помогнат за повишаване на необходимата осведоменост и умения.

Свързано с това:

• Автоматизация на бизнеса с практически пример: Как изкуственият интелект компресира целия работен ден за създаване на оферти само в няколко кликвания и секунди

Какво характеризира успешните внедрявания на изкуствен интелект?

Въпреки многобройните предизвикателства, някои компании получават реална добавена стойност чрез изкуствения интелект: наполовина намалено време за обработка на сложни документи, сигурна автоматизация на задачи, изискващи обширна оценка, и модернизиране на десетилетия стари кодови бази само за няколко седмици. Ключовата разлика не се състои в използването на генерични инструменти, а в персонализирани решения за конкретната ситуация на всяка компания.

Успешните внедрявания се характеризират с подход, основан на изкуствения интелект, при който изкуственият интелект е вграден от самото начало и коренно променя начина, по който е структурирана работата. Тези компании разбират, че приемането на изкуствен интелект не е просто технологично решение, а организационен напредък, който изисква реални решения за системите, структурите и хората, които движат растежа.

Систематичният модел на зрялост идентифицира пет критични измерения за успешно мащабиране на ИИ: стратегия и организация, култура и управление на промените, ресурси и процеси, данни и технологии и инфраструктура. Всяко измерение се развива в нива на зрялост, които прогресивно описват напредъка към пълна интеграция на ИИ.

Стратегически успешните компании разработват ясна стратегия за ИИ, съобразена с техните бизнес цели. Те определят специфични области на приложение и измерват успеха, използвайки както финансови, така и нефинансови ключови показатели за ефективност (KPI). От решаващо значение е ИИ да е интегриран в стратегическия дневен ред, а не да функционира като изолирани експерименти.

В областите на културата и управлението на промените, успешните организации насърчават приемането и разбирането на ИИ чрез всеобхватно обучение и прозрачна комуникация относно неговите ползи и рискове. Те култивират по-отворено отношение към сътрудничеството с ИИ и възнаграждават служителите, които разработват иновативни решения с ИИ.

Структурирането на разпределението на ресурсите и установяването на стабилни процеси за ефективно приоритизиране и мащабиране на проекти с изкуствен интелект са допълнителни фактори за успех. Ранното включване на ИТ отдела и ръководството може да предотврати затруднения и да осигури дългосрочен успех.

Как се разработва архитектура, базирана на изкуствен интелект?

Разработването на архитектура, базирана на изкуствен интелект, изисква фундаментално преосмисляне на начина, по който компаниите проектират и внедряват своята технологична инфраструктура. „Нативна“ за изкуствен интелект означава, че функционалностите на изкуствения интелект са интегрирани в системната архитектура от самото начало, вместо да се добавят по-късно.

Модулният подход се е доказал като особено ефективен. Вместо да се разработват монолитни системи, приложенията с изкуствен интелект трябва да се разделят на по-малки, независими компоненти. Това позволява целенасочено мащабиране и актуализации на отделни части от системата, без да се засяга цялостната система. Тази модулност е особено важна в сложни корпоративни среди, където различните отдели имат различни изисквания.

Внедряването на MLOps практики е от съществено значение за устойчивото мащабиране на проекти с изкуствен интелект. Автоматизираните CI/CD канали позволяват бързото и надеждно внедряване на модели, докато непрекъснатото наблюдение осигурява постоянна производителност във времето. Ключовите компоненти на MLOps канала включват автоматизирано управление на данни, контрол на версиите за данни, код и модели, автоматизирано обучение, централен регистър на моделите и автоматизация на внедряването.

Ефективното управление на данните е в основата на всяка архитектура, базирана на изкуствен интелект. Компаниите трябва да инвестират в модернизиране на своята инфраструктура от данни, включително внедряване на облачни решения, подобряване на качеството на данните и създаване на сигурни платформи за обмен на данни. Стандартизираните формати на данни и оперативната съвместимост са от централно значение в този процес.

Мащабируемостта трябва да се вземе предвид от самото начало. Архитектурите, базирани на изкуствен интелект, трябва да отговарят на настоящите нужди, като същевременно позволяват бъдещ растеж. Това изисква стратегическо планиране, което ясно определя очакваните обеми данни, броя на потребителите и критериите за производителност, и разработва мащабируема архитектура, базирана на тези данни.

Свързано с това:

• Краят на обучението по ИИ? Стратегии за ИИ в преход: подход „план“ вместо планини от данни – бъдещето на ИИ в компаниите

От какви структури на управление се нуждае ИИ?

Създаването на подходящи структури за управление е от съществено значение за успешното и отговорно използване на ИИ в компаниите. С влизането в сила на Закона на ЕС за ИИ през август 2024 г., компаниите са изправени пред все по-сложни регулаторни изисквания.

Управлението на ИИ обхваща няколко критични измерения. Управлението на данните гарантира, че личните данни се обработват в съответствие с GDPR и други разпоредби за защита на данните. Това включва прилагане на принципите за поверителност още при проектирането и поверителност по подразбиране, провеждане на оценки на въздействието върху защитата на данните за високорискови системи с ИИ и осигуряване на прозрачност в автоматизираните процеси на вземане на решения.

Законът на ЕС за изкуствения интелект определя различни категории риск за системите с изкуствен интелект и поставя специфични изисквания. Компаниите трябва прозрачно да документират източниците на данни за обучение и ясно да обозначават генерираното от изкуствен интелект съдържание. За приложения с висок риск те трябва активно да защитават системите си от манипулация и да осигуряват непрекъснато човешко наблюдение. Приложенията с неприемлив риск са напълно забранени.

Етичното измерение на управлението на ИИ разглежда въпроси, свързани със справедливостта, прозрачността и отчетността. Това включва внедряването на системи за наблюдение на предубежденията, осигуряване на обясними решения и установяване на механизми за обратна връзка за засегнатите лица. Поддържането на баланс между иновациите и отговорното използване е особено важно.

Структурите за съответствие трябва да бъдат проактивно проектирани. Компаниите трябва да се съобразят с регулаторната рамка, да внедрят стабилни рамки за управление на данни и да осигурят спазване на етичните принципи на изкуствения интелект. Сътрудничеството между бизнеса, политиците и правните експерти е от решаващо значение за разработването на ясни насоки и най-добри практики.

Как измервате дългосрочния успех на инициативите за изкуствен интелект?

Измерването на дългосрочния успех на инициативите в областта на изкуствения интелект изисква многоизмерна система за оценка, която отчита както количествени, така и качествени фактори. Успехът на инвестициите в областта на изкуствения интелект често не се проявява веднага, а се развива в продължение на няколко години.

Цялостната концепция за измерване започва с ясното дефиниране на водещи и изоставащи индикатори. Водещите индикатори предоставят ранни сигнали за успех или неуспех и включват показатели като приемане от потребителите, наличност на системата и първоначални измервания на производителността. Изоставащите индикатори измерват дългосрочни ефекти като възвръщаемост на инвестициите, удовлетвореност на клиентите и печалби от пазарен дял.

Измерването на базовите показатели преди внедряването на ИИ е от решаващо значение за последващата оценка на успеха. Без точно разбиране на първоначалната ситуация, подобренията не могат да бъдат количествено определени. Тези базови показатели трябва да обхващат не само оперативни показатели, но и да документират културни и организационни фактори.

Ключовите показатели за оперативна ефективност (KPI) играят централна роля в непрекъснатата оценка. Ефективността на процесите може да се измери чрез спестяване на време за повтарящи се задачи. Намаляването на грешките е друг важен показател, тъй като системите с изкуствен интелект могат да надминат точността на човешките решения в много области. Мащабируемостта на решенията с изкуствен интелект предлага особена стойност, тъй като системите, внедрени веднъж, често могат да бъдат разширени, за да обработват по-големи набори от данни без пропорционално увеличение на разходите.

Не трябва да се пренебрегват измеренията на качествената добавена стойност. Подобреното качество на вземане на решения чрез анализи, основани на данни, може да създаде значителна дългосрочна стойност, дори ако това е трудно да се определи количествено. Удовлетвореността на служителите може да се увеличи, когато изкуственият интелект поеме повтарящи се задачи, позволявайки на служителите да се съсредоточат върху дейности, които добавят повече стойност.

Редовните прегледи и корекции на концепцията за измерване са необходими, тъй като както системите с изкуствен интелект, така и бизнес изискванията непрекъснато се развиват. Измерването на възвръщаемостта на инвестициите (ROI) трябва да се разбира като итеративен процес, който реагира гъвкаво на променящите се обстоятелства и интегрира нови прозрения.

Пътят към устойчиво създаване на стойност чрез изкуствен интелект

Анализът на четирите ключови пречки ясно показва, че успешното внедряване на изкуствен интелект далеч надхвърля технологичните аспекти. Това е цялостен процес на трансформация, който изисква организационни, културни и стратегически промени.

Ключът се крие в систематичното справяне с всичките четири области на предизвикателства: разработване на архитектура, ориентирана към данните, която може да работи и с несъвършени данни; създаване на съгласувана, базирана на изкуствен интелект инфраструктура; определяне на ясни, измерими цели от самото начало на проекта; и изграждане на доверие чрез прозрачност и обяснимост.

Компаниите, търсещи истинска трансформация, се нуждаят от персонализирани решения, разработени за техните специфични системи, структури и хора. Това изисква стратегически подход, който разбира изкуствения интелект не като изолирана технология, а като неразделна част от бизнес стратегията.

Инвестирането в управление на промените, обучение на служителите и културна трансформация е също толкова важно, колкото и техническото внедряване. Само чрез този холистичен подход компаниите могат да използват пълноценно потенциала на изкуствения интелект и да постигнат устойчиво създаване на стойност.

Konrad Wolfenstein

С удоволствие бих служел като ваш личен съветник.

да се свържете с мен на wolfenstein ∂ xpert.digital

Просто ми се обадете на +49 89 89 674 804 (Мюнхен) .

LinkedIn