Когда не стоит инвестировать в ИИ?

Вот пять ситуаций, в которых искусственный интеллект переоценивается.

В 1980-х годах было проведено исследование, посвященное принятию в бизнесе искусственного интеллекта (ИИ). Опубликованное в MIS Quarterly, исследование показало, что предприятия спешат инвестировать в ИИ, и прогнозируемая рыночная стоимость составила 4 миллиарда долларов.

Однако результаты были шокирующими.

Исследование показало, что за пятилетний период только 33% решений в области AI принесли прибыль бизнесу, в то время как остальные были заброшены. Многие популярные приложения AI оказались чистым ажиотажем, и несколько компаний разочаровались в AI.

Сегодня та же история повторяется снова и снова.

Несмотря на десятилетия прогресса в исследованиях AI и многие недавние прорывы, предприятия продолжают бороться за внедрение этой технологии. Опрос, проведенный McKinsey, показал, что только 8% фирм имеют практику, которая позволяет им внедрять и масштабировать ИИ.

AI обладает исключительными возможностями, но он не подходит для любой ситуации. Вот пять ситуаций, в которых не стоит инвестировать в AI.

  1. Когда более простые решения

Большинство проблем бизнеса можно решить простым анализом. Даже среди организаций, которые используют машинное обучение сегодня, простые методы, основанные на регрессии, являются самыми популярными. Только небольшая часть предприятий действительно нуждается в ИИ. По мере того, как возможности ИИ становятся все более демократичными, может возникнуть соблазн использовать его для решения любой бизнес-задачи. Но зачем использовать пушку, чтобы прихлопнуть муху?

Приз Netflix в размере 1 миллиона долларов стал глобальной задачей, направленной на повышение точности работы механизма рекомендаций Netflix для фильмов на 10%. Netflix нашла победителя из более чем 50 000 мировых команд. Они заплатили им деньги, но никогда не использовали свой алгоритм! Вместо этого, они разместили заявку с более низким рейтингом. Несмотря на более низкую точность, это более простое решение имело меньшие затраты на проектирование и больше подходило для использования в реальных условиях.

  1. Когда у вас недостаточно данных

Методы анализа нуждаются в данных для получения реальных результатов. Чем мощнее техника, тем больший объем данных ей необходим. ИИ имеет огромный аппетит к данным, и ему нужны сотни тысяч точек данных для основных задач, таких как обнаружение изображений. Эти данные должны быть очищены и подготовлены в специальном формате для обучения ИИ. К сожалению, большой объем качественных, маркированных данных — это не роскошь, которую может себе позволить каждая организация.

Например, AI может предсказать ваши продажи на следующие 4 недели. Но только в том случае, если у Вас есть много месяцев гранулированных, исторических данных. Если все, что у вас есть — это данные за последние несколько недель, ИИ не сможет помочь. Поэтому вместо этого используйте простую технику прогнозирования, такую как экстраполяция. Имея всего лишь несколько точек данных, он может дать вам достоверную информацию, на основании которой вы сможете принимать деловые решения.

  1. Там, где ИИ все еще экспериментирует

Каждый день мы видим впечатляющие достижения в исследованиях ИИ. Сегодня ИИ может генерировать изображения из ваших подписей или управлять роем беспилотников. Тем не менее, существует большая разница между тем, чтобы делать вещи в тщательно контролируемых сценариях и выполнять задачи в реальном мире. Многие из впечатляющих достижений ИИ все еще находятся в экспериментальной стадии.

В 2013 году онкологический центр MD Anderson сделал смелый шаг по внедрению ИИ компании IBM Watson, чтобы помочь своим врачам в диагностике рака. После того, как в течение следующих нескольких лет было сожжено более 62 миллионов долларов США, пытаясь заставить систему работать по практическим сценариям, она, наконец, была выведена из эксплуатации. Сегодня ИИ стал еще лучше выявлять рак, но еще не получил широкого распространения. Хотя хорошо экспериментировать с ИИ, вы должны знать, где он готов к прайм-тайму.

  1. Когда затраты перевешивают выгоды

Сегодня есть области, где ИИ может хорошо выполнять свою работу. Однако общая стоимость владения настолько высока, что она может оказаться экономически нецелесообразной. Когда организации думают об искусственном осмыслении, они часто планируют только расходы на внедрение. Это лишь пресловутая вершина айсберга. Нужно гораздо больше инвестиций, чтобы AI работал на Вас.

Например, если вы строите платформу для работы с клиентами, основанную на AI, вы должны собирать новые данные, которые захватывают более глубокие сигналы клиентов. Вы должны вручную пометить данные, чтобы обучить AI, еще до того, как вы потратитесь на программные платформы, высококачественное аппаратное обеспечение и команды аналитиков. Кроме того, необходимо обучить конечных пользователей грамотности в области работы с данными, адаптировать рабочие процессы в соответствии с требованиями бизнеса и зарезервировать бюджет для текущего управления изменениями.

Чтобы масштабировать AI, вы должны выделить на внедрение столько же бюджетных средств, сколько вы потратите на внедрение. Но, большой вопрос заключается в том, будут ли более счастливые клиенты зарабатывать достаточно дополнительных доходов, чтобы покрыть все эти расходы на AI. Сделайте эту математику заранее, прежде чем вы окунетесь.

  1. Где вам нужно понимание и сочувствие

Скажем так, ваша бизнес-задача не подпадает под вышеуказанные четыре сценария. ИИ все равно может оказаться не подходящим для вас, если вашим пользователям нужны понимание и забота. ИИ довольно хорош в обнаружении закономерностей, и он может обнаружить более глубокие тенденции, которые люди не имеют шансов обнаружить. Однако, ИИ ничего не понимает. Он также не может создать эмоциональную связь с человеческими пользователями.

Мы видели, как ИИ прорывается в исследованиях рака. Это избиение диагнозов, сделанных врачами-экспертами. Однако, как вы думаете, готовы ли пациенты услышать о своем диагнозе рака от машин? Эмоциональный интеллект и эмпатия — это глубоко человеческие навыки. Насколько они важны для вашего решения? Размышления над этим вопросом помогут вам решить, действительно ли вам нужен ИИ, и покажут вам высокий уровень человеческого участия, даже если вы применяете ИИ.

Как не поставить тележку перед лошадью

Мы рассмотрели недостатки ИИ и ситуации, в которых он может быть ужасно подходит. Чтобы поместить это в перспективу, вы должны рассматривать ИИ как еще один, хотя и мощный, инструмент в вашем инструментарии аналитики.

Как вы выясните, подходит ли AI для ваших нужд?

Начните с потребностей вашего бизнеса. Выясните, как технологии и данные могут решить проблемы. Определите наилучшее решение для подхода к вашей бизнес-задаче. Оцените все инструменты, имеющиеся в вашем распоряжении, начиная с самых простых методик. По мере того, как вы будете усложнять задачу, уравновешивайте простоту и эффективность результатов. Если вы выберете AI, убедитесь, что у вас есть правильные данные, необходимый бюджет и подходящий уровень человеческого вмешательства, чтобы заставить его работать.