Een AI-organisatie worden

AI klinkt misschien als iets uit de toekomst, maar tegenwoordig wordt het een must om een ​​<concurrentievoordeel. Aangezien de industrie booming is en de budgetten snel groeien, stimuleert dit de uitbreiding van op AI gebaseerde oplossingen.

Volgens Harvard Business Review heeft echter slechts 8% van de bedrijven AI in hun kernactiviteiten geadopteerd omdat de meesten AI nog steeds beschouwen als geïsoleerde projecten in hun organisatie.

Onlangs organiseerden Maia Brenner en Alan Descoins, respectievelijk onze Head of Business Development en CTO, een rondetafelgesprek voor ELC. Ze deelden enkele inzichten over hoe de AI-reis te beginnen. Die sessie werd vervolgens voortgezet in een podcast-aflevering, waaruit bleek dat het publiek oprecht geïnteresseerd was in het verkrijgen van meer informatie over de uitdagingen waarmee bedrijven worden geconfronteerd bij het toepassen van AI in hun proces.

In deze blogpost zullen we de problemen bespreken die veel bedrijven tegenkomen. geconfronteerd met AI-adoptie en de uitstekende resultaten die ze behalen.

Fundamentele elementen van een AI-strategie

Demystify AI

Een van de eerste stappen om een ​​AI-organisatie te worden, is begrijpen wat AI wel en niet kan doen. Als u de beperkingen kent, kunt u uw verwachtingen beheren en beseffen dat de acceptatie ervan niet alle problemen op magische wijze zal oplossen. We hebben dit eerder besproken, de vele mythes rond AI, en ons standpunt daarover.

Een ander concept om in gedachten te houden is om niet verliefd te worden op de tools. focus in plaats daarvan op het probleem dat je probeert op te lossen. Onthoud dat AI gewoon een andere set hulpmiddelen is en dat er zoveel mogelijk oplossingen zijn voor problemen. Zoek dus degene die het beste bij uw behoeften past.

Focus op de juiste businesscase

De tweede uitdaging die moet worden aangepakt, is het vinden van de juiste businesscase om AI toe te passen. Je eerste AI-project zou niet het meest ambitieuze moeten zijn; probeer klein te beginnen en zoek naar die mogelijkheden met een hogere ROI.

Er zijn hier twee mogelijke benaderingen: je kunt een probleem aanpakken dat je al hebt geïdentificeerd, of je kunt een eerste verkennende fase in je AI-reis maken en proberen de meest geschikte use-cases te ontdekken waarmee je kunt beginnen. We delen altijd ons werk en onze ervaringen. Bekijk ze eens; misschien voel je je met sommigen van hen geïdentificeerd!

Haal je senior management aan boord

Bedrijfsleiders moeten begrijpen hoe AI hun bedrijven zal beïnvloeden en zich voorbereiden, zodat ze niet achterblijven. Een duidelijk begrip betekent ook dat iedereen de beperkingen kent en maakt het gemakkelijker om onrealistische verwachtingen kwijt te raken. Ook moet je aan alle stakeholders duidelijk aangeven hoe je het succes van het project meet. Het zal altijd in uw voordeel zijn om uw senior management AI geletterd te maken in het onderwerp. Hier zijn enkele handleidingen voor de meest populaire onderwerpen op het gebied van AI, zoals prijsoptimalisatie, voorspelling van vastgoedprijzen, computervisie en AI voor financiën.

Bekijk uw gegevens

Een van de mantra's binnen de AI-wereld is garbage in, garbage out. Ook al ben ik het volledig eens met deze stelling, omdat de input die we geven aan onze modellen een van de essentiële punten is om goede resultaten te behalen, hoef je niet in de valkuil van dataperfectie te trappen.

Het verkrijgen van meer gegevens en het verbeteren van de kwaliteit is een iteratief proces in uw AI-reis. Meer praktisch advies over datavoorbereiding vind je hier.

Stel het juiste team samen

Om uw machine learning-project van de grond te krijgen, moet u een team hebben met een breed scala aan vaardigheden, inclusief niet-technische rollen. Dit betekent dat je de juiste combinatie hebt van mensen die de beperkingen van zowel de technische kant als de zakelijke kant kunnen identificeren.

Interdisciplinaire samenwerking in AI-projecten helpt je om veel aspecten te dekken, zodat je project op de goede weg is naar succes, gebruikmakend van het beste van elk profiel.

Een ander aspect van planning is het bedenken van een systeem waarmee medewerkers op een gecoördineerde manier kunnen werken met een doelgerichte mentaliteit.

Veelvoorkomende valkuilen vermijden

Aangezien AI in de bedrijfswereld nog in de kinderschoenen staat, is het altijd mogelijk dat er iets misgaat. Dus hier zijn enkele veelvoorkomende valkuilen die je moet vermijden!

All-in projecten

Ik wil beginnen met een handig advies: probeer de oceaan op dag één. Je gaat zeker niet alle processen in je hele organisatie in een oogwenk transformeren.

De sleutel tot het behalen van opmerkelijke resultaten is het vinden van de laaghangende fruitprojecten. Ga laag voor laag, want kansen zijn misschien niet eenvoudig op te merken. Hier kan uw domeinkennis van het bedrijf schitteren. U moet alle dure componenten van uw operatie analyseren en bedenken of iets beter kan door gegevens te gebruiken of een proces gedeeltelijk te automatiseren.

Zoek naar projecten met een grote impact die de investering de moeite waard maken. Maar overdrijf het niet door de meest ambitieuze onderneming aan te gaan; geef prioriteit aan kansen met een hogere RoI.

Kijk naar het grote geheel, maar begin klein terwijl je de impact meet en laat zien.

Begin zonder de juiste mensen op de juiste plaats

Bij het starten van een AI-project, een van de eerste vragen is of je een in-house data science-team moet uitbesteden of bouwen. Het antwoord hangt sterk af van de mate van volwassenheid die uw organisatie heeft met betrekking tot haar gegevens, technische mogelijkheden en cultuur.

Hoewel het opbouwen van een in-house data science-team op de lange termijn aantrekkelijk klinkt, lijkt outsourcing op basis van onze ervaring de juiste beslissing om deze verbluffende reis te beginnen, vooral als je tijdsdruk hebt.

Denk eraan. dat samenwerken met een AI-adviesbureau betekent dat u uw AI-reis versnelt. Gespecialiseerde bedrijven bieden u begeleiding, kennis en hulpmiddelen op basis van hun ervaring bij vergelijkbare succesvolle projecten en verkorten de weg naar succes en het behalen van uitstekende resultaten.

Als we naar het internationale bewijs kijken, is outsourcing een groeiende trend, vooral voor bedrijven die hun kostenstructuur voor niet-kernactiviteiten willen minimaliseren. Volgens de Appen Whitepaper, The State of AI and Machine Learning, is de kans groter dat organisaties die AI-projecten uitbesteden, deze inzetten en een aanzienlijke ROI opleveren.

Blijf halverwege

Het hebben van een geweldig idee om AI in uw organisatie te introduceren, is niet genoeg om resultaten te behalen in uw bedrijfsresultaten. Je hebt ook de juiste implementatie nodig. Machine Learning-modellen zijn bedoeld om ons te begeleiden bij onze zakelijke beslissingen. Niet alles draait om voorspellingen, maar wat we ermee doen.

Een goede manier om deze valkuil te vermijden, is na te denken over hoe ons model zal worden geïntegreerd in onze huidige workflow. Als ons model ons bijvoorbeeld vertelt dat een klant ons waarschijnlijk zal verlaten, geef dan van tevoren aan welke specifieke acties we zullen ondernemen en bepaal wie verantwoordelijk is om deze in gang te zetten.

Resultaten meten

Begrijpen hoe je succes in AI-projecten meet, is een van de belangrijkste elementen van een goed strategisch plan. Let dus goed op. Wanneer u de resultaten van een AI-project meet, moet u rekening houden met twee soorten voordelen voor uw organisatie, materiële en immateriële.

Wanneer u beslist over uw immateriële gewenste resultaten, moet u zich afvragen wat de problemen zijn die u van plan bent op te lossen, iets dat meestal wordt onderschat of vergeten. Dit betekent het verbreden van het spectrum naar concepten als de doelstellingen, strategie en processen van het bedrijf. Een duidelijk resultaat voor degenen die net hun tenen in de AI-pool dompelen, is om het AI-wiel intern te gaan draaien. Het maakt niet uit of het eerste project niet aan de verwachtingen voldoet. Het wordt het begin van een waardevolle AI-reis.

Het is belangrijk om snel te falen en sneller te leren.

Een van de centrale aspecten van het meten van tastbare resultaten is het scheiden van zakelijke KPI's van ML modelleert statistieken. Bedrijven die zich alleen richten op het najagen van meetgegevens met een hogere nauwkeurigheid, laten duidelijk geld op tafel liggen en slagen er niet in de middelen te maximaliseren. De sleutel is om de output van uw AI-model expliciet te koppelen aan specifieke bedrijfsdoelstellingen.

Om terug te komen op ons zakelijke probleem: u moet succes vanaf het begin van uw project definiëren. Om dit te doen, raden we u aan om SMART-doelstellingen te definiëren, namelijk Specifiek, Meetbaar, Acceptabel, Relevant en Tijdgebonden. Een paar voorbeelden van zakelijke KPI's die kunnen worden verbeterd met behulp van AI, kunnen worden gedefinieerd als het verhogen van de omzet, het verlagen van de kosten, het optimaliseren van de voorraad of het verminderen van verkoopverlies als gevolg van niet-voorraad.

Een andere veelgebruikte optie zou kunnen zijn. worden propensity score matching. Dit is een quasi-experimentele setting waarin statistische technieken worden gebruikt om een ​​kunstmatige controlegroep te construeren. Dit betekent dat elk behandelingsitem wordt vergeleken met een niet-behandelingsitem met vergelijkbare kenmerken. Het meten van de verschillen in prestatie tussen die items kan een hele goede oplossing zijn als de matching correct wordt uitgevoerd.

Het hebben van een experimentele mentaliteit zal in uw voordeel zijn, aangezien het een van de meest assertieve manieren is om impact te meten. Als je het hebt over experimentele instellingen, denk dan aan A/B-testen, controlegroepen en behandelgroepen.

A/B-testen is een eenvoudig gerandomiseerd controle-experiment. Voor een e-commercebedrijf kunt u bijvoorbeeld uw oplossing toepassen op een reeks gedefinieerde gebruikers en de resultaten contrasteren met gebruikers die ongewijzigd blijven. Houd er rekening mee dat beide groepen vergelijkbaar zijn in andere kenmerken, het verschil in prestaties kan worden toegeschreven aan uw oplossing. Als u een fysiek bedrijf bent, kunt u het model in sommige van uw winkels toepassen en de rest als controlegroep gebruiken.

Conclusies

Niemand zei dat het een gemakkelijke taak is om een ​​AI-organisatie te worden om te implementeren en te implementeren. Het is echter een pad dat de moeite waard is om een ​​concurrentievoordeel te behalen dat u onderscheidt van uw concurrenten en uw inkomsten verhoogt.

Als u het pad om een ​​AI-organisatie te worden verder wilt verkennen, raden we u aan te beginnen met een beoordeling van de huidige situatie van uw organisatie door middel van deze 11 vragen. En aarzel niet en neem contact met ons op, laat ons weten waar u aan toe bent.

Victoria Dotta
AI-specialist, Tryolabs