Многие компании все чаще находят способы использовать преимущества искусственного интеллекта, что говорит о готовности технологии к широкомасштабному применению, однако находятся и те, которым не удается реализовать ее потенциал. Дэвид Карандиш, основатель и генеральный директор ИИ-платформы автоматизации поддержки Capacity, рассказывает на портале Enterprisers Project о четырех причинах, препятствующим этому.

Индустрия ИИ постоянно развивается, по прогнозам Gartner, к 2024 г. 75% организаций будут обладать функциональным ИИ. Однако, как показывает другое исследование Gartner, только 53% ИИ-проектов проходят путь от прототипа до производства. Что удерживает новые пилотные ИИ-проекты от запуска в производство?

Успешные проекты ИИ окружают нас повсюду, но единого оптимального способа создания и внедрения ИИ-продукта не существует. Тем не менее, можно выделить четыре причины, которые мешают компаниям достигать своих целей в плане реализации пилотных ИИ-проектов.

1. Нехватка данных

ИИ постоянно учится и развивается на основе своих результатов и алгоритмов, чтобы в будущем обеспечивать более качественные, эффективные и точные результаты. Для того чтобы он мог обучаться, ему необходимо обилие информации. Чем больше данных может получить ИИ, тем выше точность его результатов. Однако отсутствие достаточных наборов данных для разработки ИИ-решений является распространенной проблемой.

ИИ необходимо получить достаточно информации, чтобы выявить закономерности в наборе данных. Их нехватка может повлиять на прогнозы и результаты. Решить эту проблему можно за счет предоставления ему значительных наборов обучающих данных. Этот шаг также позволит снизить риск предвзятости.

Если большие массивы данных могут быть пугающими для человека, то на стороне ИИ сила скорости, и он может быстро обучаться. Обеспечение надлежащего качества и количества данных позволяет этим решениям достигать исключительной точности. Если ваша команда все еще чувствует себя измотанной бесконечными задачами, которые должен был решить ИИ, вам необходимо продолжить его обучение.

2. Однотипные средства обучения

Вам нужно не только много данных, но и много источников. Чтобы ИИ работал, он должен сначала обучиться. Ограничение обучения ИИ одним источником или базой знаний может негативно сказаться на работе конечного продукта. Без разнообразной информации из различных источников ИИ-решение будет давать неточные результаты, что создаст проблемы как для его создателей, так и для конечных пользователей.

Успешные ИИ-инструменты используют комбинацию моделей глубокого обучения для создания хорошо продуманных решений. Если возникнет необходимость, ИИ-проекты должны комбинировать различные техники, алгоритмы и усилия по обучению в комплексе с прямой и легкой доступностью для человека. Такие «ансамблевые» алгоритмы часто превосходят любой отдельный метод прогнозирования.

К тому же люди, независимо от того, хотят они того или нет, бессознательно предвзяты. Если ИИ-решению предоставляет информацию только один человек, оно будет перенимать и разделять те же предубеждения, что и человек, который его обучал. При создании ИИ-проекта разработчики и руководители компаний должны быть ориентированы на потенциальные предубеждения, например, культурные и экологические факторы, играющие роль в его разработке, а также на то, как они могут устранить их.

Быть в курсе развития ИИ, того, как другие компании реализуют и корректируют свои проекты, а также действующих нормативных актов — все это необходимо для разработки успешного проекта.

Ниже приводится несколько шагов, которые необходимо предпринять, чтобы убедиться в том, что ИИ-решение будет максимально свободным от предвзятости:

  • оценка потенциальных результатов ИИ-решения;
  • предоставление широкого и разнообразного набора данных для обучения ИИ;
  • снижение предвзятости с помощью самообучающейся системы, способной получать обратную связь и улучшать ответы;
  • диверсификация контингента обучающих людей, чтобы обеспечить широкий диапазон входных сообщений;
  • сотрудничество с другими организациями, использующими ИИ, для снижения предвзятости в более широком масштабе;
  • обеспечение прозрачности для пользователей, чтобы они хорошо понимали, на чем основаны ИИ-решения.

3. Отсутствие понимания со стороны других сотрудников

Не каждый человек, работающий над проектом, основанным на ИИ, является гением в этой области. Однако для успешного внедрения ИИ-решения требуется общее понимание со стороны каждого сотрудника и конечного пользователя. Каждый сотрудник организации должен понимать возможности и ограничения. Недостаток знаний у всех участников процесса приводит к неудачам в развертывания. Например, отдел продаж не может продавать ИИ-решения, если он их не понимает и не знает их сценарии использования. С другой стороны, HR-отдел при приеме новых сотрудников не сможет внедрить их в свои ежедневные рабочие процессы, если не будет знать, как, когда и где их использовать.

Всем, от руководителей до сотрудников, необходимы открытые каналы обратной связи, позволяющие обсуждать ИИ и знакомить людей с решением. Те, кто лучше знаком с ним, должны четко объяснить, какого уровня взаимодействия он требует, чтобы все имели правильную информацию, необходимую для максимальной эффективности.

Руководство процессом управления изменениями для внедрения ИИ в целях успешной цифровой трансформации не ограничивается ролью CIO или ИТ-команды. Напротив, компании в целом должны работать вместе, чтобы каждый отдел имел необходимые инструменты и технологии в соответствии со своими стандартами.

CIO и ИТ-команды играют решающую роль в повышении цифровой грамотности в организации, но в плане успешной цифровой трансформации движущей силой изменений становится то, как каждый отдел может помочь преобразовать технологии, данные, процессы и культуру компании.

4. Пользовательский опыт отходит на второй план

Наконец, успех проекта ИИ зависит не только от самого решения, но и от пользователей и их опыта. Если пользователь не понимает назначения инструмента или того, как его использовать, он не будет его покупать. Так же, как крайне важно создать проект ИИ, который будет точным и эффективным, необходимо убедиться, что интерфейс удобен для пользователя. Клиенты и пользователи должны понимать ценность того, что вы делаете, как это решает проблемы, с которыми они сталкиваются, и как они могут с легкостью это использовать. Говоря иначе, ваша система вовлечения — это то, что будет способствовать принятию платформы. Пользовательский опыт имеет первостепенное значение для успешного внедрения ИИ.

Будущее ИИ сулит большие перспективы, поскольку каждый день собираются и внедряются новые данные и инструменты. Правильно реализованные проекты ИИ обеспечивают значительные преимущества для бизнеса. Но руководители компаний должны остерегаться ошибок, которые могут поставить под угрозу их реализацию, например, ограничение информации и источников, из которых они черпают информацию, или пренебрежение конечным проектом. Компании, которые смогут научиться, адаптироваться и внедрить правильные процессы для своих ИИ-проектов, станут лидерами в этой развивающейся области.