چرا سرمایه گذاری های هوش مصنوعی موفق نمی شوند؟

موفقیت یا شکست ابتکارات هوش مصنوعی بیشتر به افراد مربوط می شود تا فناوری. اگر می خواهید هوش مصنوعی را به گونه ای عملی کنید که نتایج کسب و کار را بهبود بخشد، باید از این ۶ اشتباه اجتناب کنید.

طبق دو گزارش اخیر گارتنر، ۸۵ درصد از پروژه‌های هوش مصنوعی و یادگیری ماشین با شکست مواجه می‌شوند و تنها ۵۳ درصد از پروژه‌ها آن را از نمونه اولیه به تولید می‌رسانند. با این حال، همان گزارش‌ها نشانه‌های کمی از کاهش سرعت سرمایه‌گذاری‌های هوش مصنوعی را نشان می‌دهند. بسیاری از سازمان ها قصد دارند این سرمایه گذاری ها را افزایش دهند.

بسیاری از این شکست‌ها با کمی تفکر تجاری منطقی قابل اجتناب هستند. محرک‌های سرمایه‌گذاری قدرتمند هستند: FOMO (ترس از دست دادن)، حباب سرمایه‌گذاری VC در شرکت‌های هوش مصنوعی با بودجه‌های بازاریابی کلان، و تا حدودی، تشخیص نیاز واقعی برای مهار تصمیم‌گیری و حرکت مبتنی بر هوش مصنوعی. به سمت یک شرکت داده محور.

به‌جای اینکه یک پروژه هوش مصنوعی یا یادگیری ماشین را به‌عنوان یک شگفتی یکباره در نظر بگیرید، مانند ارتقای یک پایگاه داده یا اتخاذ یک سیستم CRM جدید، بهتر است هوش مصنوعی را به عنوان سرمایه‌گذاری قدیمی، مشابه آنچه که یک تولیدکننده انجام می‌دهد، در نظر بگیرید. خرید یک ماشین گران قیمت را توجیه می کند.

سازنده بر روی ماشین به عنوان یک اسباب‌بازی جدید و براق تمرکز نمی‌کند، همانطور که بسیاری از سازمان‌ها به هوش مصنوعی و یادگیری ماشینی نگاه می‌کنند. تصمیم خرید فضای کف، قطعات یدکی، تعمیر و نگهداری، آموزش کارکنان، طراحی محصول و کانال های بازاریابی و توزیع را برای محصول جدید یا بهبود یافته در نظر می گیرد. باید فکر یکسانی برای وارد کردن یک سیستم هوش مصنوعی یا یادگیری ماشینی جدید به سازمان باشد.

در اینجا شش اشتباه رایجی که سازمان‌ها هنگام سرمایه‌گذاری در هوش مصنوعی و یادگیری ماشین مرتکب می‌شوند، آورده شده است.

قرار دادن گاری جلوی اسب

شروع کردن به یک برنامه تحلیلی بدون دانستن اینکه به چه سوالی می‌خواهید پاسخ دهید، دستوری برای ناامیدی است. وقتی حواس‌پرتی‌های زیادی وجود دارد، گرفتن چشم از توپ آسان است. ماشین‌های خودران، تشخیص چهره، پهپادهای خودران و مواردی از این دست از شگفتی‌های امروزی هستند و طبیعی است که بخواهیم با این نوع اسباب‌بازی‌ها بازی کنیم. ارزش اصلی کسب‌وکار را که هوش مصنوعی و یادگیری ماشینی روی میز می‌آورند، فراموش نکنید: تصمیم‌گیری بهتر.

تصمیمات مبتنی بر داده جدید نیست. R.A. فیشر، مسلماً اولین “دانشمند داده” جهان، در مقاله خود در سال ۱۹۲۶، “آرایش آزمایش های میدانی” [PDF]. تحقیقات عملیاتی، شش سیگما، و کار آماردانانی مانند ادواردز دمینگ اهمیت تجزیه و تحلیل داده ها را در برابر محدودیت های آماری محاسبه شده به عنوان راهی برای کمی سازی تغییرات در فرآیندها نشان می دهد.

به طور خلاصه، باید با نگاه کردن به هوش مصنوعی و یادگیری ماشینی به‌عنوان راهی برای بهبود فرآیندهای کسب‌وکار موجود، به جای یک فرصت تجاری جدید، شروع کنید. با تجزیه و تحلیل نقاط تصمیم گیری در فرآیندهای خود شروع کنید و بپرسید: “اگر ما بتوانیم این تصمیم را تا x٪ بهبود بخشیم، چه تاثیری روی نتیجه ما خواهد داشت؟”

غفلت از تغییرات سازمانی

مشکل در اجرای مدیریت تغییر، سهم بزرگی در شکست کلی پروژه‌های هوش مصنوعی دارد. هیچ کمبودی در تحقیقات وجود ندارد که نشان دهد اکثر تحولات شکست می‌خورند و فناوری، مدل‌ها و داده‌ها تنها بخشی از داستان هستند. به همان اندازه مهم، طرز فکر کارمندی است که در درجه اول اطلاعات است. در واقع، تغییر طرز فکر کارمندان ممکن است حتی مهمتر از خود هوش مصنوعی باشد. سازمانی با ذهنیت داده محور می تواند به همان اندازه با استفاده از صفحات گسترده موثر باشد.

اولین قدم به سوی یک ابتکار موفق هوش مصنوعی، ایجاد اعتماد به این است که تصمیمات مبتنی بر داده برتر از احساس یا سنت است. تلاش‌های دانشمند داده‌های شهروندی عمدتاً شکست خورده‌اند، زیرا مدیران خط کسب و کار یا مجموعه اجرایی به خرد دریافت‌شده چسبیده‌اند، به داده‌ها اعتماد ندارند، یا از واگذاری اختیارات تصمیم‌گیری خود به فرآیند تحلیلی خودداری می‌کنند. نتیجه این است که فعالیت‌های تحلیلی «توده‌ای» – و همچنین بسیاری از ابتکارات از بالا به پایین – نسبت به تحول کسب‌وکار، جذابیت، کنجکاوی و رزومه‌سازی بیشتری ایجاد کرده است.

اگر چیزی وجود داشته باشد این است که تغییرات سازمانی و مسائل مربوط به آن به طور گسترده مورد مطالعه قرار گرفته است. تغییر سازمانی حوزه ای است که توانایی بهترین تیم های اجرایی را آزمایش می کند. با صدور دستورات از بالا نمی توان به آن دست یافت. این امر مستلزم تغییر ذهن و نگرش است، به آرامی، ماهرانه، و معمولاً به آرامی، تشخیص اینکه هر فردی به گونه‌ای متفاوت به اصرارها نسبت به رفتارهای مورد نظر پاسخ می‌دهد. به طور کلی، چهار حوزه تمرکز پدیدار شده است: ارتباطات، رهبری به عنوان مثال، تعامل و بهبود مستمر، که همگی به طور مستقیم با فرآیند مدیریت تصمیم مرتبط هستند.

تغییر فرهنگ سازمانی پیرامون فضای هوش مصنوعی می‌تواند به‌ویژه چالش‌برانگیز باشد، زیرا تصمیم‌های مبتنی بر داده‌ها اغلب غیر شهودی هستند. ایجاد اعتماد مبنی بر اینکه تصمیمات مبتنی بر داده برتر از احساس یا سنت است، مستلزم عنصری از آنچه “ایمنی فیزیولوژیکی” نامیده می شود، چیزی است که فقط پیشرفته ترین سازمان های رهبری بر آن مسلط هستند. بارها گفته شده است که یک مخفف برای آن وجود دارد: ITAAP، به معنی “همه چیز در مورد مردم است.” برنامه های موفق اغلب بیش از ۵۰ درصد از بودجه را به تغییر مدیریت اختصاص می دهند. من استدلال می‌کنم که باید نزدیک‌تر به ۶۰% باشد و ۱۰% اضافی به برنامه تجزیه و تحلیل افراد خاص پروژه در دفتر مدیر ارشد منابع انسانی اختصاص یابد.

پرتاب پاس سلام مریم در اوایل بازی

همانطور که نمی‌توانید یک شبه فرهنگ داده بسازید، نباید انتظار پیروزی‌های تحول‌آفرین فوری از پروژه‌های تحلیلی داشته باشید. یک ابتکار موفق هوش مصنوعی یا یادگیری ماشینی به تجربه در افراد، فرآیند و فناوری و زیرساخت های پشتیبانی خوب نیاز دارد. به دست آوردن آن تجربه به سرعت اتفاق نمی افتد. سال‌ها تلاش هماهنگ طول کشید تا واتسون IBM بتواند در معرض خطر قرار بگیرد یا AlphaGo از DeepMind می تواند قهرمان انسان Go را شکست دهد.

بسیاری از پروژه‌های هوش مصنوعی شکست می‌خورند زیرا به سادگی فراتر از توانایی‌های شرکت هستند. این امر به ویژه در هنگام تلاش برای راه اندازی یک محصول یا خط تجاری جدید بر اساس هوش مصنوعی صادق است. به سادگی قطعات متحرک زیادی در ساختن چیزی از ابتدا دخیل هستند که شانس موفقیت زیادی وجود ندارد.

همانطور که هری کثیف در Magnum Force گفت، “یک مرد باید محدودیت های او را بشناسید» و این در مورد شرکت ها نیز صدق می کند. روزانه تصمیمات تجاری بی شماری در شرکت های بزرگ گرفته می شود که می توانند توسط هوش مصنوعی و داده ها خودکار شوند. در مجموع، استفاده از هوش مصنوعی برای بهبود تصمیمات کوچک، بازدهی بهتری را برای سرمایه گذاری ارائه می دهد. بهتر است شرکت‌ها به‌جای شرط‌بندی روی یک شات طولانی، سرمایه‌گذاری‌های کم‌مخاطره و کم‌ریسک‌تر در هوش مصنوعی و یادگیری ماشینی را برای بهبود فرآیندهای موجود خود شروع کنند. اتاق مطبوعات ممکن است متوجه نشود، اما حسابداران متوجه خواهند شد.

حتی اگر قبلاً با موفقیت از هوش مصنوعی برای تصمیم‌گیری مبتنی بر داده استفاده می‌کنید، بهبود مدل‌های موجود ممکن است سرمایه‌گذاری بهتری نسبت به شروع برنامه‌های جدید باشد. گزارش McKinsey 2018، “ارزش یک مدل بهتر چیست؟”، نشان می‌دهد که حتی افزایش‌های کوچک در توانایی پیش‌بینی می‌تواند جرقه افزایش عظیمی در ارزش اقتصادی داشته باشد.

ساختار سازمانی ناکافی برای تجزیه و تحلیل

هوش مصنوعی یک فناوری plug-and-play نیست که بازده سرمایه گذاری فوری را ارائه دهد. این نیاز به تغییر طرز فکر در سطح سازمان و تغییر در نهادهای داخلی برای مطابقت دارد. معمولاً تمرکز بیش از حد بر استعدادها، ابزارها و زیرساخت ها وجود دارد و توجه بسیار کمی به نحوه تغییر ساختار سازمانی می شود.

برخی ساختار سازمانی رسمی، با حمایت از بالا، برای دستیابی به توده حیاتی، شتاب و تغییرات فرهنگی لازم برای تبدیل یک شرکت سنتی و غیرتحلیلی به یک سازمان مبتنی بر داده ضروری است. این به نقش ها و مسئولیت های جدید و همچنین یک “مرکز تعالی” نیاز دارد. شکلی که مرکز تعالی (COE) باید داشته باشد به شرایط فردی سازمان بستگی دارد.

به‌طور کلی، به نظر می‌رسد یک مدل دو مجلسی بهترین عملکرد را دارد، جایی که هسته‌ی مسئولیت‌های هوش مصنوعی به‌طور مرکزی انجام می‌شود، در حالی که «ماهواره‌های» COE تعبیه‌شده در واحدهای تجاری فردی مسئول هماهنگی تحویل هستند. این ساختار معمولاً منجر به افزایش هماهنگی و همگام سازی بین واحدهای تجاری می شود و منجر به مالکیت مشترک بیشتر تحول هوش مصنوعی می شود.

COE، به رهبری یک افسر ارشد تجزیه و تحلیل، بهترین موقعیت را برای رسیدگی به مسئولیت‌هایی مانند توسعه برنامه‌های آموزشی و آموزشی، ایجاد کتابخانه‌های فرآیند هوش مصنوعی (روش‌شناسی علم داده)، تولید فهرست داده‌ها، ساخت مدل‌های بلوغ، و ارزیابی عملکرد پروژه دارد. COE اساساً وظایفی را انجام می دهد که از صرفه جویی در مقیاس سود می برند. اینها همچنین شامل پرورش استعدادهای هوش مصنوعی، مذاکره با ارائه دهندگان داده های شخص ثالث، تنظیم استانداردهای حاکمیتی و فناوری، و پرورش جوامع هوش مصنوعی داخلی خواهد بود.

نمایندگان COE در واحدهای تجاری مختلف برای ارائه آموزش، ترویج پذیرش، کمک به شناسایی تصمیمات تقویت شده توسط هوش مصنوعی، حفظ اجراها، ایجاد انگیزه در برنامه ها، و به طور کلی تصمیم می گیرند که کجا، چه زمانی و چگونه ابتکارات هوش مصنوعی را معرفی کنند، موقعیت بهتری دارند. تجارت. نمایندگان واحد تجاری را می توان بر اساس پروژه توسط “تیم SWAT” از COE افزایش داد.

عدم تعبیه هوشمندی در فرآیندهای تجاری

یکی از رایج‌ترین موانع در استخراج ارزش از ابتکارات هوش مصنوعی، ترکیب بینش داده‌ها در فرآیندهای تجاری موجود است. این چالش «آخرین مایل» همچنین یکی از ساده‌ترین چالش‌ها برای حل با استفاده از سیستم مدیریت قوانین تجاری (BRMS) است. BRMS یک فناوری بالغ است که از اوایل دهه ۲۰۰۰ در تعداد زیادی نصب شده است و به عنوان وسیله ای برای استقرار مدل های پیش بینی کننده زندگی جدیدی به دست آورده است. BRMS یک نقطه تصمیم گیری ایده آل در یک فرآیند کسب و کار خودکار است که قابل مدیریت و قابل اعتماد است. اگر کسب‌وکار شما از سیستم BPM (مدیریت فرآیند کسب‌وکار) برای خودکارسازی (و ساده‌سازی و منطقی‌سازی) فرآیندهای کسب‌وکار اصلی استفاده نمی‌کند، همین‌جا متوقف شوید. شما نیازی به هوش مصنوعی ندارید، ابتدا به اصول اولیه نیاز دارید – یعنی BPM و BRMS.

اکثر سیستم‌های مدیریت قوانین تجاری مدرن شامل مدیریت مدل و گزینه‌های استقرار مبتنی بر ابر هستند. در یک سناریوی ابری، دانشمندان داده شهروندی می‌توانند با استفاده از ابزارهایی مانند استودیوی یادگیری ماشینی Azure و InRule BRMS مدل‌هایی ایجاد کنند و مدل‌ها مستقیماً از طریق نقاط پایانی REST در فرآیندهای تجاری مستقر شوند. یک ترکیب مبتنی بر ابر مانند این امکان آزمایش آسان با فرآیند تصمیم‌گیری را با هزینه بسیار معقول‌تر از یک برنامه هوش مصنوعی کامل فراهم می‌کند.

آزمایش ناموفق

اکنون به طرف دیگر سکه می رسیم. چگونه از هوش مصنوعی برای ایجاد مدل‌های کسب‌وکار جدید، ایجاد اختلال در بازارها، ایجاد محصولات جدید، نوآوری و رفتن به جایی که قبلاً کسی نرفته است استفاده می‌کنید؟ استارت‌آپ‌های دارای پشتوانه سرمایه‌گذاری دارای نرخ شکست حدود ۷۵ درصد هستند و در لبه شکست مدل‌های تجاری هوش مصنوعی قرار دارند. اگر محصول جدید مبتنی بر هوش مصنوعی یا ابتکارات تجاری شما دارای نرخ شکست پایین تری هستند، در این صورت شما برخی از بهترین سرمایه گذاران را شکست می دهید.

حتی نخبه‌ترین متخصصان فناوری نیز شکست می‌خورند، و گاهی اوقات اغلب. اریک اشمیت، مدیر عامل سابق گوگل، برخی از روش های شرکت را در طول شهادت سنا در سال ۲۰۱۱ فاش کرد:

برای درک مقیاس تغییراتی که گوگل در نظر گرفته است، در سال ۲۰۱۰ ما ۱۳۳۱۱ ارزیابی دقیق انجام دادیم تا ببینیم آیا تغییرات الگوریتم پیشنهادی باعث بهبود کیفیت نتایج جستجو شده است یا خیر، ۸۱۵۷ آزمایش کنار هم که در آن دو آزمایش ارائه شد. مجموعه‌ای از نتایج جستجو برای پانل آزمایش‌کنندگان انسانی و ارزیابی‌کنندگان باید رتبه‌بندی کنند که کدام مجموعه از نتایج بهتر است و ۲۸۰۰ کلیک ارزیابی کنند تا ببینند نمونه کوچکی از کاربران واقعی Google چگونه به این تغییر واکنش نشان می‌دهند. در نهایت، این فرآیند منجر به ۵۱۶ تغییر شد که بر اساس داده‌ها برای کاربران مفید بود و در نتیجه در الگوریتم گوگل ایجاد شد. اکثر این تغییرات برای کاربران نامحسوس است و درصد بسیار کمی از وب‌سایت‌ها را تحت تأثیر قرار می‌دهد، اما هر یک از آنها تنها در صورتی اجرا می‌شوند که باور داشته باشیم این تغییر به نفع کاربران ما خواهد بود.

این میزان برای تغییرات پیشنهادی تا ۹۶ درصد شکست می‌خورد.

نکته کلیدی در اینجا این است که شکست رخ خواهد داد. به ناچار. تفاوت بین گوگل و اکثر شرکت های دیگر این است که فرهنگ داده محور گوگل به آنها اجازه می دهد تا از اشتباهات خود درس بگیرند. به کلمه کلیدی شهادت اشمیت نیز توجه کنید: آزمایش‌ها. آزمایش نشان می‌دهد که چگونه گوگل و اپل، نتفلیکس، آمازون و سایر شرکت‌های پیشرو در فناوری موفق شده‌اند از هوش مصنوعی در مقیاس بهره ببرند.

توانایی یک شرکت برای ایجاد و اصلاح فرآیندها، محصولات، تجربیات مشتری و مدل‌های کسب‌وکار، مستقیماً با توانایی آن در آزمایش مرتبط است.

بعدش چی؟

دقیقاً مانند انقلاب صنعتی که شرکت‌هایی را که نتوانستند ماشین‌سازی را نسبت به محصولات دست‌ساز استفاده کنند، از بین برد، هوش مصنوعی و تغییر دریای یادگیری ماشینی، شرکت‌هایی را که در سازگاری با محیط جدید ناکام هستند، از بین خواهد برد. اگرچه وسوسه انگیز است که فکر کنیم چالش‌های هوش مصنوعی در درجه اول فنی هستند و شکست‌ها را به گردن فناوری می‌اندازیم، واقعیت این است که اکثر شکست‌های پروژه‌های هوش مصنوعی شکست در استراتژی و اجرا هستند.

از بسیاری جهات، این خبر خوبی برای شرکت ها است. چالش‌های کسب‌وکار “قدیمی” پشت شکست پروژه‌های هوش مصنوعی به خوبی درک شده است. در حالی که نمی‌توانید از تغییرات لازم در فرهنگ، ساختار سازمانی و فرآیندهای کسب‌وکار اجتناب کنید، اما می‌توان با دانستن اینکه مسیرها ترسیم شده‌اند، کمی آسوده خاطر شد. چالش در هدایت کشتی و اجتناب از سنگ است. شروع با آزمایش‌های کوچک و ساده در اعمال هوش مصنوعی در فرآیندهای موجود، به شما کمک می‌کند تا قبل از شروع سفرهای طولانی‌تر هوش مصنوعی، تجربه ارزشمندی کسب کنید.