Sfortunatamente, questa riflessione filosofica è il modo in cui molti si avvicinano all'opportunità dell'intelligenza artificiale oggi.
Questa non è solo una scorciatoia verso investimenti inutili o inefficaci, ma è anche un modo per assicurarsi di non raggiungere appieno il potenziale che potrebbe essere possibile per la tua attività e il tuo problema.
Come disse Einstein: "Se avessi solo un'ora per salvare il mondo, passerei 55 minuti a definire il problema e solo 5 minuti a trovare la soluzione"
Quindi come possiamo capovolgere l'approccio attuale per aumentare le nostre possibilità di vero successo?
Essendo veramente critici e valutando la nostra opportunità e il nostro piano da una varietà di angolazioni. Propongo di canalizzare il tuo bambino interiore e di porre TUTTE le domande in anticipo (e continuare a porre).
Perché AI?
Cosa stai effettivamente cercando di ottenere, oltre a dire ai tuoi azionisti o clienti che hai utilizzato l'AI?
Il "perché" deve venire prima, non può essere solo per il bene dell'AI. Hai bisogno di un obiettivo, uno scopo, una stella polare verso cui lavorare. Allora, e solo allora, puoi valutare se l'AI è lo strumento giusto per arrivarci. Potrebbe riguardare la crescita aziendale, la scala che non puoi raggiungere senza l'AI o il valore utente che non puoi fornire. Potrebbe riguardare il risparmio sui costi tramite efficienza o produttività.
Cosa AI?
L'intelligenza artificiale è l'uso di sistemi informatici per eseguire attività che in precedenza richiedevano l'intelligenza umana. Nonostante l'attenzione che è stata data all'intelligenza artificiale generativa negli ultimi 2 anni, non è l'unica versione di intelligenza artificiale. Per comprendere l'intelligenza artificiale per il tuo problema, devi avere una visione davvero buona del flusso di lavoro o del processo che stai cercando di aumentare o automatizzare con l'intelligenza artificiale.
Devi quindi comprendere i dati disponibili su cui costruire questa intelligenza artificiale. L'intelligenza artificiale non nasce dal nulla: le informazioni da cui apprende sono dati e si presentano in molte forme.
Devi comprendere il processo end-to-end per stabilire se l'intelligenza artificiale può fare tutto o adattarsi solo a una parte. Forse oggi la risposta è una parte e in futuro sarà tutto, va bene, ma sii chiaro.
Devi anche comprendere la realtà dei dati disponibili e qualsiasi limitazione (inesattezza, incompletezza, distorsione) che potrebbe alterare i risultati del tuo algoritmo una volta sviluppato.
Questa non è una domanda riservata solo a un ingegnere tecnico o a uno scienziato dei dati. C'è una parte di questo in cui anche i leader aziendali e le parti interessate dovrebbero essere coinvolti, poiché potrebbero comprendere molto di più sui dettagli della realtà "prima".
Considera un caso d'uso come le interazioni di vendita B2B e il flusso di lavoro come i follow-up dei clienti. Se un team tecnico sceglie di automatizzare le interazioni e-mail utilizzando l'intelligenza artificiale per comporre la copia e-mail, dovrebbe ovviamente parlare con i team esistenti a contatto con i clienti. Ciò sarà utile per comprendere qualsiasi sfumatura su quando i clienti vengono contattati, i fattori decisionali per determinare la frequenza o i destinatari e la copia appropriata per l'e-mail. È anche importante parlare con questo team, o con altri, coinvolti nell'acquisizione delle informazioni che abbiamo su quei clienti che potremmo utilizzare in seguito per generare la copia proposta, perché conosceranno il processo coinvolto nella registrazione di questi dati e qualsiasi segnale di pericolo sulla traduzione diretta in messaggi esterni.
Chi AI?
Chi è tutto incentrato sulle persone. Tutte le persone. Quale persona ha fatto questo lavoro prima dell'AI? Quale persona lavorerà con questa AI? Chi interagirà con gli output di questa AI (dipendente/cliente)? Chi potrebbe essere influenzato in modo indiretto da questa AI?
Quando pensi a chi puoi iniziare in piccolo, chi sono gli esperti a cui devo chiedere di costruire bene questo? Chi ha la conoscenza del dominio che dovrei includere?
Ma devi anche portare empatia molto rapidamente. Chi si sentirà minacciato o interrotto da ciò che sto costruendo? Qualcuno perderà il lavoro (o teme che lo farà)? Sono dipendente dal fatto che qualcun altro adotti ciò che costruisco?
Se in precedenza distribuivo direttamente ai clienti solo prodotti digitali affidabili, qual è la versione peggiore di come ciò avrà un impatto sull'esperienza, sul servizio o sul prodotto che riceveranno se passiamo all'intelligenza artificiale?
La risposta a questa domanda è la stessa per tutti i gruppi di clienti o cambia per sottogruppi o, in particolare, per i gruppi vulnerabili?
Questo è qualcosa che può emergere facilmente quando i nostri dati sono basati su immagini, sia in input che in output. Potresti aver sentito le storie sull'algoritmo di Google che ha classificato erroneamente le immagini di persone di colore come gorilla. Devo supporre che a livello generale questo algoritmo abbia superato i test aggregati per l'accuratezza, ma chiaramente ci sono stati casi in cui ha avuto output estremamente errati.
Nel marketing, potremmo scoprire che il nostro messaggio ha senso in aggregato se è così che valutiamo i nostri modelli, ma capire come tale accuratezza si suddivide per gruppi di clienti più piccoli ci aiuterebbe ad affinare ulteriormente il messaggio o ad escludere popolazioni in cui abbiamo dubbi sull'affidabilità del nostro output.
Infine, su larga scala, ci sono implicazioni sociali di ciò che stiamo costruendo?
Alcune di queste domande possono sembrare drammatiche, in particolare se l'AI che hai in mente è interna o ha un pubblico di una persona, ma sono muscoli che tutti dobbiamo sviluppare.
Considera l'impatto potenziale a 360 gradi di ciò che stai costruendo perché l'AI non è prevedibile come altre tecnologie e la precisione complessiva non racconta la storia completa.
Quando AI?
La logistica non è sempre la parte più divertente di un progetto, ma ciò non significa che possiamo ignorarla del tutto. Prima possibile dovresti valutare la tua "prontezza" per la soluzione di AI che vuoi intraprendere.
Questa prontezza include la disponibilità dei dati e l'autorizzazione, che potrebbero avere un ritardo significativo se non stai già raccogliendo l'uno o l'altro.
Include anche la prontezza organizzativa in termini di risorse disponibili (team, tecnologia) e definizione delle priorità.
Potrebbero esserci delle iterazioni più semplici da cui puoi iniziare che ti porteranno molto lontano lungo le tue esigenze senza fare affidamento sull'AI, ti consentiranno di sviluppare un solido business case per una completa definizione delle priorità o ti prepareranno a sviluppare un'AI migliore in futuro (ad esempio, creando una soluzione digitale che raccolga i dati necessari).
Se questo è il caso, allora la risposta a Quando è la risposta a “Quando saremo in grado di sviluppare l'AI che è la soluzione migliore al nostro problema?"
I tuoi azionisti, il più delle volte, vorranno che la risposta sia "domani", quindi dedicare del tempo a ottenere la migliore stima possibile per questo è fondamentale per gestire le aspettative e ottenere i supporti e le dipendenze necessari approvati.
Se hai dubbi sull'idoneità dei tuoi dati a essere il carburante per una grande implementazione dell'AI, allora ottenere una migliore comprensione dello stato attuale e di eventuali correzioni richieste dovrebbe essere la tua priorità numero uno.
Dove/Come AI?
Infine, come sarà? Dove si inserisce nella tua organizzazione?
Queste sono le ultime domande pratiche che diventeranno più rilevanti al momento dell'implementazione, ma sarebbe prudente chiederle prima di iniziare, poiché potrebbero emergere altre dipendenze quando lo farai.
Potrebbe riguardare quali team o altre tecnologie interagiranno con ciò che stai creando. Potrebbe essere una domanda operativa su quali cambiamenti nei processi o nei KPI saranno necessari una volta implementato. Potrebbe persino mettere in discussione i vantaggi principali della tua organizzazione.
Ciò che inizia come piccole domande può diventare più grande quando segui i fili necessari. Le organizzazioni sono composte da persone, quindi proprio come le singole persone sono complesse, le organizzazioni lo sono molto di più. Più pietre giri, più impari.
Se ciò che stai creando è un prodotto rivolto al cliente, allora dovrai considerare il flusso completo degli utenti che esiste oggi e quale parte di questo sostituirà o amplierà. Chi interagirà direttamente con esso e cosa possiamo aspettarci che faccia?
Se stai creando un processo interno, come cambia le tue aspettative su ciò che i tuoi team fanno quotidianamente? I loro obiettivi o target di produttività devono adattarsi? Hai preso in considerazione ogni team e ruolo che ha anche un impatto secondario da questo cambiamento?
Abbozza come apparirà alla fine e lavora a ritroso da lì. Se conosci davvero il tuo caso d'uso (cosa) e i tuoi stakeholder rilevanti (chi), allora molto di questo lavoro dovrebbe essere già stato coperto, ma assicurati di chiedere come si impegneranno, chi possiede cosa e chi monitora cosa una volta che la distribuzione avrà luogo. Altrimenti, il tuo adorabile progetto di intelligenza artificiale ben congegnato potrebbe non essere mai utilizzato. Qualunque sia il tuo ruolo, sii il bambino curioso
Esistono versioni tecniche approfondite di ciascuna di queste domande e ci sono anche versioni con visione a 10.000 piedi.
Se sei uno scienziato dei dati che non sa come il modello che sta attualmente codificando si adatta alla strategia della tua azienda o al vantaggio del tuo cliente, allora questo è il momento di aumentare enormemente l'influenza e l'efficacia della tua carriera.
Se sei un CEO non tecnico e vuoi capitalizzare le ultime tecnologie, allora questo è il momento di essere "critico per l'intelligenza artificiale" e di fornire un valore che molti dei tuoi colleghi stanno trascurando.
Tutti, abbracciate il vostro bambino interiore. Chiedetevi perché, cosa, chi, quando e dove/come, AI ora.
E poi ripetete durante tutto il progetto e l'implementazione.
Nessun commento:
Posta un commento