Marta Matylda Kania
Jednak czy zawsze warto korzystać z pomocy AI podczas realizacji projektu? Jak ocenić opłacalność projektu AI? Jak radzić sobie z niedoborem danych i specjalistów? Od czego zacząć, by uniknąć typowych pułapek? Przeczytaj i dowiedz się, jakie wyzwania kryją się w projektach wykorzystujących sztuczną inteligencję.
Jak skutecznie włączyć AI do swojej strategii biznesowej?
Badania Gartnera mówią, że do 2030 roku 80% zadań związanych z zarządzaniem projektami będzie realizowanych przez AI. Jak będzie wyglądał procentowy udział projektów wykorzystujących sztuczną inteligencję do realizacji zadań — jeszcze nie wiadomo. Jednak już dziś warto zastanowić się, jak włączyć AI do strategii działania firmy.
Pierwszym krokiem jest zrozumienie zarówno potencjału jak i ograniczeń tej technologii. Sztuczna inteligencja radzi sobie świetnie z analizowaniem trendów i wzorców, ale zawodzi w kwestiach takich jak wielostopniowe rozumowanie czy podejmowanie decyzji moralnych. Tworzy rewelacyjne materiały wizualne, ale skłonienie jej do konsekwentnego generowania materiałów pasujących do wizerunku marki wymaga sporych umiejętności. Dlatego rozpoczynając pracę nad projektem AI, nie możemy założyć z prawdopodobieństwem porównywalnym z innymi projektami, czy faktycznie przyniesie on konkretne, wymierne efekty.
Dobrym punktem startowym jest zatem analiza za i przeciw:
- Jaki jest całkowity koszt poszczególnych etapów realizacji projektu AI?
- Jakie konkretne KPI powinny zostać zdefiniowane, by ocenić wpływ projektu AI na biznes?
Aby udzielić wiarygodnej odpowiedzi na te pytania, najlepiej wytypować proste, wnoszące sporą wartość i łatwo mierzalne projekty AI, które będą wpisywać się w strategię firmy. Za przykład może posłużyć startup oferujący usługi kurierskie. Jego celem jest poprawa jakości obsługi klientów i zwiększenie elastyczności łańcucha dostaw. Prosty, ale wartościowy projekt AI to na przykład wdrożenie chatbota obsługującego zapytania klientów. Taki wirtualny asystent obsłuży większą liczbę zgłoszeń niż tradycyjne call center, zwiększając zadowolenie klientów dzięki szybkim reakcjom na zapytania i stałą jakością komunikacji. Z kolei zaawansowany system optymalizujący trasy kurierów wpisuje się w cel poprawy elastyczności dostaw, ale jest złożony i obarczony znacznie większym ryzykiem.
Po określeniu wstępnych założeń projektów AI startup powinien ocenić ich wykonalność, na przykład pod kątem budżetu, w którym powinien zmieścić się projekt AI.
Budżetowanie projektu AI. Kluczowe wyzwania
Wdrożenie gotowego rozwiązania typu SaaS lub AI as a Service (AIaaS), czyli tak zwanego „AI z półki” ma wiele korzyści. Jedną z nich jest przewidywalny koszt używania narzędzia i stosunkowo łatwy do oszacowania koszt wdrożenia projektu AI. Można tu wybierać między innymi w rozwiązaniach takich jak:
- chatbot do obsługi klientów — taki jak Intercom Fin, LiveChat z Chatbot.com, Drift czy FreshChat,
- analiza mediów społecznościowych w celu zwiększenia zasięgów wiadomości marketingowych — z Cortex, Buffer czy Lately, czy
- analiza danych biznesowych dzięki Microsoft Power BI, Tableau, lub dla mniej skomplikowanych zadań — Google Bard, który integruje się z dokumentami Google.
W przypadku projektów AI o większym zasięgu ich koszty często bywają niedoszacowane. Szczególnie jeśli chodzi o zasoby i czas potrzebny na zbieranie i przygotowanie danych. Dla przykładu, według Arvinda Krishna z IBM etap przygotowania danych do uczenia AI może stanowić aż 80% czasu trwania projektu.
Źródło: DALL·E 3, prompt: Marta M. Kania (https://www.linkedin.com/in/martamatyldakania/)
Co więcej, im bardziej potrzebujemy spersonalizowanych modeli AI do realizacji projektu, tym więcej jakościowych danych musimy zgromadzić. Na przykład głębokie sieci neuronowe do uczenia wymagają setek tysięcy przykładów. To winduje koszty pozyskiwania i oczyszczania tak ogromnych zbiorów danych. Na szczęście szybki rozwój sztucznej inteligencji sprawia, że coraz więcej projektów AI można realizować bez konieczności kosztownego uczenia własnego modelu.
Niemniej jednak firma planująca projekt AI powinna wziąć pod uwagę nie tylko etap tworzenia rozwiązania, ale też przygotowanie danych oraz dalszą eksploatację systemu, włącznie z kosztami utrzymania, aktualizacji, czy zbierania nowych danych. Tylko wtedy będzie można ocenić rzeczywisty zwrot z inwestycji w AI.
Problemy z zarządzaniem danymi w projektach AI. Co powinieneś wiedzieć
Kluczowym wyzwaniem w projektach AI są dane — ich dostępność, ilość i jakość. Co zatem zrobić? Zanim zacznie się projekt AI, trzeba:
- dokładnie zbadać jakie dane posiada firma — w jakiej formie są one zapisane i skąd pochodzą,
- zadbać o infrastrukturę i opracowanie wewnętrznych procesów pozyskiwania danych,
- rozważyć zakup zewnętrznych zbiorów danych lub crowdsourcing w razie ich niedoboru.
Częstym problemem jest to, że dane są rozproszone w wielu systemach i formatach. Ich scalenie, oczyszczenie i przygotowanie do uczenia AI może być nie lada wyzwaniem. Dobrą praktyką jest ścisła współpraca zespołu AI z działem IT lub analitykami danych. Wspólnie powinni zadbać o odpowiednią infrastrukturę i procesy pozyskiwania danych.
Wyzwania techniczne i bezpieczeństwo w projektach AI
AI to nie tylko algorytmy uczenia maszynowego. Żeby działały w praktyce potrzebna jest cała infrastruktura IT. Tymczasem integracja nowych systemów AI z istniejącymi już w firmie bywa nie lada wyzwaniem. Często wymaga dostosowania starszych systemów biznesowych, co dla wielu firm oznacza spore koszty modernizacji.
Poza tym, projekty AI wymagają specjalistycznej wiedzy z zakresu data science i data engineering. Tymczasem na całym świecie widać niedobór specjalistów z tej dziedziny. Według raportu McKinsey „Technology Trends Outlook 2023” stosunek liczby ogłoszeń o pracę do liczby dostępnych specjalistów to 7 do 100, a zapotrzebowanie nieustannie rośnie.
Nie bez znaczenia pozostaje też kwestia bezpieczeństwa danych. Systemy AI przetwarzają ogromne ilości wrażliwych informacji, które muszą być odpowiednio zabezpieczone przed wyciekiem. Tymczasem w ostatnich latach przypadki naruszeń danych znacząco wzrosły. Jest to zatem kolejne istotne ryzyko, o którym trzeba pamiętać, wdrażając projekty AI.
Kluczowe kompetencje w AI dla przedsiębiorców. Na jakie trudności możesz napotkać?
Częstą barierą w realizacji projektu AI bywa kiepska znajomość zagadnień związanych ze sztuczną inteligencją wśród menedżerów i decydentów biznesowych. Bez dogłębnego zrozumienia możliwości technologii trudno ocenić opłacalność konkretnych projektów i podjąć trafne decyzje. Dlatego tak istotne jest inwestowanie w podnoszenie wiedzy kadry zarządzającej w obszarze nowych technologii.
Pomóc może też przekwalifikowanie obecnych pracowników. Coraz częściej mówi się o tzw. „Obywatelskich analitykach danych” ( „Citizen data scientists”). Są to specjaliści, którzy wykorzystują najnowocześniejsze technologie do rozwiązywania konkretnych problemów biznesowych, z którymi borykają się na co dzień. Posiadają oni dużą wiedzę dotyczącą branży, w której pracują. Wchodząc w skład zespołu pracującego nad projektem AI, umożliwiają specjalistom od sztucznej inteligencji skupienie się na problemach dotyczących wdrożenia, odpowiadając na pytania dotyczące konkretnej branży.
Oprócz umiejętności technicznych, takich jak ocena rekomendacji AI i podejmowanie decyzji, ważne są również umiejętności miękkie, w tym przywództwo i strategiczne myślenie. To kolejny sposób na zniwelowanie niedoboru kompetencji AI w firmach.
Analiza sukcesu projektu AI. Jak uniknąć błędów przy mierzeniu ROI?
W internecie krąży niepotwierdzona (i prawdopodobnie nieprawdziwa) pogłoska, według której nawet 87% projektów AI nigdy nie dociera do fazy produkcyjnej. Choć nie udało nam się dotrzeć do wiarygodnych badań dotyczących projektów, które odniosły sukces, wczesne zdefiniowanie sposobów mierzenia sukcesu jest kluczowe, by ocenić realny wpływ wdrożenia AI.
Dobrą praktyką jest tu eksperyment na małą skalę. Polega na przetestowaniu działania AI np. na losowej próbce użytkowników i porównaniu wyników z grupą kontrolną korzystającą ze standardowego rozwiązania. Taki test A/B pozwoli zweryfikować, czy nowy system AI faktycznie przynosi deklarowane rezultaty typu wzrost konwersji czy satysfakcji klientów.
Źródło: DALL·E 3, prompt: Marta M. Kania (https://www.linkedin.com/in/martamatyldakania/)
Testy A/B warto powtarzać cyklicznie także po wdrożeniu AI, bo modele mogą tracić dokładność i trafność w rozwiązywaniu problemów. Umożliwi to szybką identyfikację pojawiających się nieprawidłowości i potrzebę rekalibracji systemu, aby nadal przynosił oczekiwane rezultaty biznesowe.
Podsumowanie
Choć AI daje ogromne możliwości, projekty w tej dziedzinie niosą ze sobą spore wyzwania. Aby odnieść sukces, przedsiębiorcy powinni realistycznie ocenić koszty i korzyści AI, zadbać o pozyskanie i jakość danych, rozwijać kompetencje wewnątrz firmy i postawić na stopniowe wdrażanie nowych technologii. Kluczowe jest też mierzenie konkretnego wpływu biznesowego wdrożeń i szybkie reagowanie na pojawiające się problemy. Tylko wtedy AI może stać się dla firmy szansą, a nie zagrożeniem.
208 
