Πέρα από το πιλοτικό: Γιατί τόσα πολλά δοκιμαστικά έργα ΤΝ δυσκολεύονται να κλιμακωθούν

Είναι μια όλο και πιο συνηθισμένη ιστορία στις εταιρείες σήμερα: Το έργο τεχνητής νοημοσύνης αποδίδει θαυμάσια στις δοκιμές κατά τη φάση πιλότου, λαμβάνει την έγκριση για ευρύτερη ανάπτυξη… και στη συνέχεια σταματά να λειτουργεί σωστά· Ή αποτυγχάνει να παρέχει τα αναμενόμενα επιχειρηματικά αποτελέσματα. 

Ακολουθούν κατηγορίες, αντεγκλήσεις και αμηχανία.

Το πρόβλημα δεν είναι πάντα η τεχνολογία. Στην πραγματικότητα, το σφάλμα βρίσκεται συχνά στον σχεδιασμό, τις διαδικασίες και τις προσδοκίες που έχουν καθορίσει—ή δεν έχουν καθορίσει—οι εταιρείες γύρω από τα έργα τεχνητής νοημοσύνης, σύμφωνα με επιχειρηματικούς ηγέτες που μίλησαν σε στρογγυλή τράπεζα στο Fortune Brainstorm Tech αυτό τον μήνα. 

Για αρχή, δεν αξίζει κάθε έργο τεχνητής νοημοσύνης να αναπτυχθεί ευρέως, δήλωσε ο Διευθυντής Τεχνολογίας της Amgen, Sean Bruich. 

«Είναι τόσο εύκολο με ένα πιλότο να αφήσεις χίλια λουλούδια να ανθίσουν», είπε. Αυτό δεν είναι κακό, καθώς ενθαρρύνει τον πειραματισμό. Αλλά, είπε, «το κλειδί για να κλιμακωθούν επιτυχώς τα πιλότα είναι να υπάρχει πλήθος ιδεών, αλλά πολύ αυστηρή διακυβέρνηση ως προς το ποια πιλότα εγκρίνονται πραγματικά.»

Ένα βασικό κριτήριο πριν κάνεις το επόμενο βήμα, είπε η Lashonda Anderson-Williams, Επικεφαλής Εξυπηρέτησης Πελατών και Εμπορικών Υποθέσεων της Salesforce, είναι η κατανόηση του επιδιωκόμενου αποτελέσματος του έργου. Πάρα πολλές εταιρείες επικεντρώνονται στην επιτυχημένη υλοποίηση λειτουργιών τεχνητής νοημοσύνης—τα τεχνολογικά στολίδια—αντί για το επιχειρηματικό αποτέλεσμα, λέει. 

Αυτή η νοοτροπία είναι συνταγή για απογοήτευση: Οι λειτουργίες τεχνητής νοημοσύνης λειτουργούν εξαιρετικά, αλλά η νέα τεχνολογία δεν οδηγεί σε ουσιαστικά επιχειρηματικά αποτελέσματα.

Οι πράκτορες χρειάζονται χάρτη

Όσον αφορά την αυτόνομη τεχνητή νοημοσύνη, σημείωσε η Anderson-Williams, η λεπτομερής κατανόηση της ροής εργασίας—ποια άτομα, ομάδες ή σημεία επαφής είναι απαραίτητα για την ολοκλήρωση μιας εργασίας—είναι κρίσιμη. Αυτό που διαπιστώνουν πολλές εταιρείες, είπε, είναι ότι η τεκμηρίωση της ροής εργασίας είτε δεν υπάρχει είτε είναι ελλιπής: «Όταν βάζεις την τεχνητή νοημοσύνη πάνω από αυτό, η προσδοκία είναι ότι θα δεις κάποια μαγεία, και δεν υπάρχει καμία μαγεία εκεί.»

Η πρόσβαση στα δεδομένα είναι ένα ιδιαίτερα συνηθισμένο εμπόδιο που αντιμετωπίζουν τα έργα τεχνητής νοημοσύνης στη μετάβαση από τη φάση πιλότου στην πλήρη ανάπτυξη. Καθώς τα δεδομένα είναι συχνά διάσπαρτα σε διαφορετικά σιλό σε έναν οργανισμό, και με όλα αυτά τα δεδομένα να διέπονται από διαφορετικά δικαιώματα πρόσβασης και από διάφορες ιδιωτικότητας και ασφάλειας, τα πράγματα μπορούν να περιπλεχτούν γρήγορα. Είναι σημαντικό να χαρτογραφηθούν τα περιγράμματα του έργου τεχνητής νοημοσύνης και όλα τα πιθανά δεδομένα που θα απαιτηθούν εκ των προτέρων, τόνισαν οι συμμετέχοντες. «Όσο νωρίτερα μπορούμε να το αποκαλύψουμε αυτό στη φάση ανακάλυψης, τόσο καλύτερα θα είμαστε προετοιμασμένοι για επιτυχία», είπε η Caitlin Halferty, Επικεφαλής Δεδομένων της Thomson Reuters. 

Αυτό σημαίνει επίσης εξασφάλιση της υποστήριξης από τις κατάλληλες ομάδες και ενδιαφερόμενα μέρη εντός του οργανισμού. «Υπάρχει κάποιο στοιχείο PII (προσωπικά αναγνωρίσιμα στοιχεία) ή εμπιστευτικά δεδομένα που θα ενεργοποιήσουν την ιδιωτικότητα;» είπε η Halferty. Εάν η απάντηση είναι ναι, τότε τα κατάλληλα άτομα πρέπει να αποτελούν μέρος του έργου. «Υπάρχει κάποιο κυβερνητικό στοιχείο; Ας εντάξουμε την ασφάλεια», είπε. 

Ο Bruich της Amgen υπογράμμισε τη σημασία της ευρείας υποστήριξης, σημειώνοντας ότι ένα έργο τεχνητής νοημοσύνης που είναι μετασχηματιστικό για την εταιρεία θα εμπλέκει αναγκαστικά ηγέτες σε χρηματοοικονομικά, τεχνολογία, ανθρώπινο δυναμικό και άλλες ομάδες σε ολόκληρο τον οργανισμό. Ένα πραγματικά αποτελεσματικό έργο τεχνητής νοημοσύνης, είπε, πρέπει να κάνει περισσότερα από το να κάνει τις εργασιακές διαδικασίες πιο αποτελεσματικές για μια μικρή ομάδα εργαζομένων. Πρέπει να παρέχει «ένα αποτέλεσμα που έχει σημασία για την επιχείρηση.»

Αυτή η ιστορία δημοσιεύτηκε αρχικά στο Fortune.com