ອີງຕາມການສຶກສາທີ່ຜ່ານມາໂດຍ 451 Research, ສ່ວນຫນຶ່ງຂອງ S&P Global Market Intelligence, "ຫຼາຍກວ່າ 90% ຂອງອົງການຈັດຕັ້ງທີ່ໄດ້ຮັບຮອງເອົາ AI ໄດ້ເລີ່ມຕົ້ນການພັດທະນາໃນໂຄງການ AI ທໍາອິດຂອງພວກເຂົາພາຍໃນຫ້າປີທີ່ຜ່ານມາ." ເຖິງວ່າຈະມີການເລີ່ມຕົ້ນ, ການແກ້ໄຂທີ່ໃຊ້ AI ແມ່ນມີການຂະຫຍາຍຕົວຢູ່ອ້ອມຕົວພວກເຮົາ. ແນວໃດກໍ່ຕາມ, ຫຼາຍໆຂໍ້ລິເລີ່ມເຫຼົ່ານີ້ຍັງບໍ່ບັນລຸຕາມຄວາມຄາດຫວັງ - ຖ້າພວກເຂົາຍັງເຮັດໃຫ້ມັນສາມາດນຳໃຊ້ໄດ້.
getty
ເພື່ອປະສົບຜົນສໍາເລັດ, ຜູ້ນໍາຄວນເລືອກແລະຈັດການໂຄງການ AI ທີ່ມີຍຸດທະສາດທີ່ມີຄວາມຄິດທີ່ຂັບເຄື່ອນໂດຍຄວາມຄາດຫວັງທີ່ຊັດເຈນ, ການສອດຄ່ອງກັບເປົ້າຫມາຍທຸລະກິດແລະການເຮັດຊ້ໍາອີກ. ຂໍໃຫ້ເບິ່ງທີ່ອົງການຈັດຕັ້ງປະເຊີນກັບອຸປະສັກທົ່ວໄປໃນເວລາທີ່ການອອກແບບໂຄງການ AI ທີ່ປະສົບຜົນສໍາເລັດ, ແລະວິທີການເອົາຊະນະພວກມັນ.
ການຄຸ້ມຄອງຄວາມຄາດຫວັງສໍາລັບການແກ້ໄຂທີ່ເປີດໃຊ້ AI
ຫຼາຍໆໂຄງການ AI ທີ່ລົ້ມເຫລວໃນມື້ນີ້ແມ່ນເຮັດໃຫ້ລະນຶກເຖິງໂຄງການຊອບແວຂອງວິສາຫະກິດໃນຊຸມປີ XNUMX, ບ່ອນທີ່ບັນດາໂຄງການພັດທະນາກໍາລັງອອກໄປຈາກທາງລົດໄຟຍ້ອນວ່າທີມງານມີຄວາມຫວັງສູງວ່າເຕັກໂນໂລຢີໃຫມ່ຈະແກ້ໄຂບັນຫາຂອງພວກເຂົາ. ທັງສອງຕອນນັ້ນແລະໃນປັດຈຸບັນ, ຂຸມທີ່ສໍາຄັນແມ່ນມີຄວາມຄາດຫວັງທີ່ເພີ່ມຂຶ້ນກ່ຽວກັບສິ່ງທີ່ການແກ້ໄຂຂອງທ່ານສາມາດແກ້ໄຂໄດ້.
ມັນເປັນອັນຕະລາຍທີ່ຈະສົມມຸດວ່າໂດຍການລວບລວມຂໍ້ມູນພຽງພໍ, ທຸກສິ່ງທຸກຢ່າງຈະມີຄວາມໂປ່ງໃສຢ່າງກະທັນຫັນ; ທີ່ທ່ານສາມາດຄາດຄະເນພຶດຕິກໍາຂອງລູກຄ້າຫຼືໃຫ້ຄໍາແນະນໍາທີ່ສົມບູນແບບເພື່ອຄາດຄະເນຄວາມຕ້ອງການຂອງພວກເຂົາ. ແຕ່ຫນ້າເສຍດາຍ, ໂລກມີການຄາດຄະເນຫນ້ອຍກວ່າທີ່ຄົນຕ້ອງການ. ໃນຂະນະທີ່ຮູບແບບທີ່ເປັນປະໂຫຍດເກີດຂື້ນ, ບໍ່ແມ່ນເຫດການທັງຫມົດແມ່ນສາເຫດຫຼືແມ້ກະທັ້ງກ່ຽວຂ້ອງ - ຫຼາຍໆສິ່ງເກີດຂຶ້ນທີ່ພຽງແຕ່ສ້າງສຽງລົບກວນ.
ໃນຂະນະດຽວກັນ, ອົງການຈັດຕັ້ງຈໍານວນຫຼາຍເຫັນມິດສະຫາຍປະຕິບັດການແກ້ໄຂ AI ແລະຮູ້ສຶກວ່າຄວາມກົດດັນທີ່ຈະຮັກສາ. ການລົງທຶນໃນ AI ພຽງແຕ່ເພື່ອ "ຕິດຕາມ Joneses" ສາມາດຕອບແທນໄດ້ຖ້າທ່ານບໍ່ເຂົ້າໃຈວ່າສິ່ງທີ່ຊຸກຍູ້ຄວາມສໍາເລັດຂອງເພື່ອນມິດຂອງເຈົ້າແລະມັນຈະເຮັດວຽກສໍາລັບອົງການຂອງເຈົ້າເອງຫຼືບໍ່. ເລື້ອຍໆ, ບໍລິສັດທີ່ມີຂາຂຶ້ນໃນໂຄງການ AI ຂອງເຂົາເຈົ້າມີ ຍຸດທະສາດຂໍ້ມູນ ແລະຂະບວນການທຸລະກິດ ຢູ່ໃນສະຖານທີ່ທີ່ຊ່ວຍໃຫ້ພວກເຂົາສາມາດເກັບກໍາແລະໃຊ້ປະໂຫຍດຈາກປະເພດຂໍ້ມູນທີ່ຖືກຕ້ອງສໍາລັບ AI.
ໃນທີ່ສຸດ, ການຈັດການຄວາມຄາດຫວັງສໍາລັບໂຄງການ AI ເລີ່ມຕົ້ນດ້ວຍຄວາມສາມາດໃນການຊີ້ແຈງບັນຫາຂອງທ່ານສາມາດແກ້ໄຂໄດ້ຢ່າງແທ້ຈິງດ້ວຍ AI.
ການເລືອກປະເພດຂອງໂຄງການ AI ທີ່ເຫມາະສົມສໍາລັບບັນຫາຂອງທ່ານ
ຍຸດທະສາດ AI ຂອງທ່ານສອດຄ່ອງກັບເປົ້າຫມາຍທຸລະກິດຂອງທ່ານບໍ? ການຄັດເລືອກໂຄງການແມ່ນອາດຈະເປັນສິ່ງທ້າທາຍທີ່ຍິ່ງໃຫຍ່ທີ່ສຸດທີ່ອົງການຈັດຕັ້ງປະເຊີນກັບການລິເລີ່ມ AI ຂອງເຂົາເຈົ້າ. ມັນເປັນສິ່ງສໍາຄັນທີ່ຈະເຂົ້າໃຈຢ່າງແທ້ຈິງຄໍາຖາມທີ່ທ່ານກໍາລັງພະຍາຍາມຕອບ, ວິທີການ (ແລະຖ້າ) ການຕອບຄໍາຖາມນັ້ນຈະສົ່ງຜົນໄດ້ຮັບທາງທຸລະກິດທີ່ດີຂຶ້ນ, ແລະຊັບພະຍາກອນທີ່ເຈົ້າມີສາມາດຕອບໄດ້ຢ່າງສໍາເລັດຜົນແລະມີປະສິດທິພາບຫຼືບໍ່.
ໃຫ້ເວົ້າວ່າທ່ານຕ້ອງການໃຊ້ຮູບແບບການຄາດເດົາເພື່ອກໍານົດເວລາແລະປະເພດຂອງສ່ວນຫຼຸດທີ່ຈະສະເຫນີໃຫ້ລູກຄ້າ. ນຳທີມວິທະຍາສາດຂໍ້ມູນ! ແຕ່ຕົວຈິງແລ້ວນີ້ແມ່ນສິ່ງທ້າທາຍຫຼາຍທີ່ຈະເຂົ້າຫາເປັນບັນຫາຕົວແບບຄາດຄະເນ. ກ່ອນອື່ນ ໝົດ, ມັນເປັນການຍາກທີ່ຈະຮູ້ວ່າລູກຄ້າຂອງທ່ານຈະຊື້ສິນຄ້າໂດຍບໍ່ມີສ່ວນຫຼຸດ. ແລະການລວບລວມຂໍ້ມູນທີ່ຈໍາເປັນທີ່ມີຄວາມເຄັ່ງຄັດທາງສະຖິຕິພຽງພໍເພື່ອຜະລິດຮູບແບບທີ່ເປັນປະໂຫຍດອາດຈະກ່ຽວຂ້ອງກັບຂະບວນການບາງຢ່າງທີ່ຮູ້ສຶກວ່າບໍ່ທໍາມະຊາດກັບທຸລະກິດ - ເຊັ່ນການສຸ່ມທີ່ລູກຄ້າໄດ້ຮັບສ່ວນຫຼຸດຫຼືຕົວແທນຝ່າຍຂາຍສາມາດໃຫ້ສ່ວນຫຼຸດ. ນັ້ນເພີ່ມຄວາມສັບສົນຫຼາຍໃນສະຖານະການ.
ວິທີທີ່ດີກວ່າທີ່ຈະເຂົ້າຫາບັນຫານີ້ກັບ AI ອາດຈະເປັນການຂຸດຄົ້ນແບບຈໍາລອງຂອງພຶດຕິກໍາຂອງລູກຄ້າທີ່ທ່ານຄາດຫວັງພາຍໃຕ້ລະບອບການຫຼຸດລາຄາທີ່ແຕກຕ່າງກັນ. ແທນທີ່ຈະເປັນການທໍລະຍົດລະບົບເພື່ອມາຮອດການຄາດຄະເນທີ່ຊັດເຈນ, ການຈໍາລອງແລະການວາງແຜນສະຖານະການສາມາດຊ່ວຍໃຫ້ຄົນຄົ້ນພົບຕົວແປທີ່ອ່ອນໄຫວຕໍ່ກັນແລະກັນໃນເວລາຕັດສິນໃຈທຸລະກິດ. ຖາມຕົວເອງວ່າ: ພວກເຮົາຕ້ອງການຄໍາຕອບຂອງລູກຄ້າອັນໃດສໍາລັບສ່ວນຫຼຸດນີ້ເພື່ອໃຫ້ມີຄວາມຫມາຍ? ປະເພດຂອງການອອກກໍາລັງກາຍນີ້ໃນການຂຸດຄົ້ນຜົນໄດ້ຮັບທີ່ເປັນໄປໄດ້ແມ່ນມີປະສິດທິພາບຫຼາຍແລະແນ່ນອນວ່າງ່າຍກວ່າການສ້າງການທົດລອງວິທະຍາສາດຂໍ້ມູນສະລັບສັບຊ້ອນ.
ການສ້າງຕັ້ງທີມງານຂອງທ່ານສໍາລັບຄວາມສໍາເລັດ
ຄວາມເຂົ້າໃຈກ່ຽວກັບສິ່ງທີ່ຂໍ້ມູນຂອງທ່ານໄດ້ຖືກເກັບກໍາແລະ curated ສໍາລັບ, ວິທີການມັນຖືກນໍາໃຊ້ໃນອະດີດ, ແລະວິທີການທີ່ຈະຖືກນໍາໃຊ້ໃນອະນາຄົດແມ່ນສໍາຄັນສໍາລັບການດໍາເນີນການປະເພດຂອງ AI ຂໍ້ມູນໃດໆ. ມັນເປັນສິ່ງສໍາຄັນທີ່ຈະຝຶກອົບຮົມແບບຈໍາລອງກ່ຽວກັບຂໍ້ມູນທີ່ຄົບຖ້ວນສົມບູນແລະສະແດງເຖິງສິ່ງທີ່ມີຢູ່ໃນໂລກທີ່ແທ້ຈິງໃນປັດຈຸບັນທີ່ທ່ານກໍາລັງເຮັດການແຊກແຊງ. ຕົວຢ່າງ, ຖ້າທ່ານມີຫຼາຍຂັ້ນຕອນໃນທໍ່ຂໍ້ຕົກລົງຂອງທ່ານແລະທ່ານຕ້ອງການຄາດຄະເນຄວາມເປັນໄປໄດ້ຂອງການປິດຂໍ້ຕົກລົງລະຫວ່າງຂັ້ນຕອນທີຫ້າ, ທ່ານບໍ່ສາມາດດໍາເນີນການແບບຈໍາລອງໃນຂໍ້ຕົກລົງໃນຂັ້ນຕອນສາມຫຼືສີ່ແລະຄາດຫວັງຜົນໄດ້ຮັບທີ່ເປັນປະໂຫຍດ.
ນັກວິທະຍາສາດຂໍ້ມູນມັກຈະມີຊ່ອງຫວ່າງໃນການເຂົ້າໃຈຄວາມແຕກຕ່າງຂອງຂໍ້ມູນທີ່ເປັນຕົວແທນແລະວິທີການທີ່ມັນຖືກສ້າງຂຶ້ນ. ຂະບວນການຂອງມະນຸດແລະເຕັກໂນໂລຢີມີສ່ວນໃດແດ່ໃນການສ້າງຂໍ້ມູນ, ແລະຂໍ້ມູນນັ້ນຫມາຍຄວາມວ່າແນວໃດໃນສະພາບການຂອງທຸລະກິດຂອງທ່ານ? ນີ້ແມ່ນບ່ອນທີ່ນັກວິເຄາະແລະຜູ້ໃຊ້ທຸລະກິດທີ່ໃກ້ຊິດກັບຂໍ້ມູນ - ແລະບັນຫາທີ່ເຈົ້າພະຍາຍາມແກ້ໄຂກັບມັນ - ແມ່ນມີມູນຄ່າຢ່າງບໍ່ຫນ້າເຊື່ອ. ພວກເຮົາມັກ ຄິດວ່າ AI ເປັນກິລາທີມ ເນື່ອງຈາກວ່າຄວາມສໍາເລັດຮຽກຮ້ອງໃຫ້ມີສະພາບການທຸລະກິດນອກເຫນືອໄປຈາກພື້ນຖານຂອງຂໍ້ມູນແລະການຮູ້ຫນັງສືແບບຈໍາລອງ.
ສຸດທ້າຍ, ມີລັກສະນະຂອງມະນຸດເປັນສູນກາງຂອງຄວາມສໍາເລັດຂອງໂຄງການທີ່ອົງການຈັດຕັ້ງສາມາດມອງຂ້າມໄດ້ຖ້າພວກເຂົາສຸມໃສ່ຂໍ້ມູນຫຼືເຕັກໂນໂລຢີເກີນໄປ. ເລື້ອຍໆ, AI ສາມາດເຮັດການຄາດເດົາໄດ້, ແຕ່ມັນຂຶ້ນກັບໃຜຜູ້ຫນຶ່ງທີ່ຈະຕັດສິນໃຈວ່າຈະປ່ຽນເປັນການກະທໍາທີ່ແນະນໍາ. ຄໍາແນະນໍາທີ່ເປັນປະໂຫຍດໃນການສະຫນອງການປະຕິບັດທີ່ຊັດເຈນ, ແລະຫນຶ່ງທີ່ປະຊາຊົນຈະເຕັມໃຈທີ່ຈະປະຕິບັດຕາມ? ທ່ານກໍາລັງສ້າງສະພາບແວດລ້ອມທີ່ຄໍາແນະນໍາເຫຼົ່ານີ້ຈະໄດ້ຮັບປະສິດທິຜົນບໍ?
ການຄາດເດົາບາງສິ່ງບາງຢ່າງແມ່ນພຽງແຕ່ບາງຄັ້ງທີ່ເປັນປະໂຫຍດ. ທ່ານເຕັມໃຈທີ່ຈະປັບລາຄາ, ປະລິມານຂອງຜະລິດຕະພັນ, ຫຼືພະນັກງານ, ຫຼືແມ້ກະທັ້ງການປ່ຽນແປງສາຍຜະລິດຕະພັນຂອງທ່ານ? ການຄຸ້ມຄອງການປ່ຽນແປງໃນລະດັບໃດທີ່ຕ້ອງການເພື່ອໃຫ້ປະຊາຊົນຍອມຮັບການແກ້ໄຂໃຫມ່ແລະພັດທະນາພຶດຕິກໍາແລະຂະບວນການຂອງພວກເຂົາ? ຄວາມໄວ້ວາງໃຈແມ່ນມາຈາກຮູບແບບຂອງພຶດຕິກໍາທີ່ສອດຄ່ອງແລະຄວາມເຕັມໃຈທີ່ຈະສືບຕໍ່ສຶກສາອົບຮົມທຸລະກິດ; ຖ້າເຈົ້າຈະສົ່ງຜົນກະທົບຢ່າງໃຫຍ່ຫຼວງຕໍ່ວິທີທີ່ຄົນເຮັດວຽກຂອງເຂົາເຈົ້າ, ເຂົາເຈົ້າຈະຕ້ອງຢູ່ໃນກະດານກັບມັນ.
ເລີ່ມຕົ້ນຂະຫນາດນ້ອຍແລະ iterating
ຂໍໃຫ້ປິດການແນະນໍາບາງຢ່າງໂດຍອີງໃສ່ສິ່ງທີ່ພວກເຮົາເຫັນໃນຂະນະທີ່ເຮັດວຽກກັບລູກຄ້າ.
ເລື້ອຍໆໂຄງການ AI ທໍາອິດທີ່ດີທີ່ສຸດແມ່ນໂຄງການທີ່ຈະປະຕິບັດໄດ້ງ່າຍທີ່ສຸດແລະເຂົ້າໄປໃນການຜະລິດທີ່ມີການຈັດການການປ່ຽນແປງທີ່ສັບສົນຫນ້ອຍທີ່ສຸດ. ພະຍາຍາມສ້າງບາງສິ່ງບາງຢ່າງທີ່ໃຫ້ຄຸນຄ່າໄວເທົ່າທີ່ຈະໄວໄດ້, ເຖິງແມ່ນວ່ານັ້ນເປັນການປັບປຸງເລັກນ້ອຍຫຼາຍ. ແລະຮັກສາລູກຄ້າ, ຜູ້ໃຊ້ທຸລະກິດ, ແລະຜູ້ມີສ່ວນຮ່ວມຂອງທ່ານຢ່າງໃກ້ຊິດກັບຂະບວນການພັດທະນາທີ່ເປັນໄປໄດ້. ມຸ່ງໄປເຖິງການສ້າງສະພາບແວດລ້ອມແຫ່ງການຕອບສະໜອງທີ່ດີ—ທັງໃນຄວາມໝາຍຂອງການເກັບກຳຂໍ້ມູນຕື່ມອີກ ເພື່ອປັບປຸງຕົວແບບຢ່າງຊ້ຳແລ້ວຊ້ຳອີກ, ແລະ ການນຳເຂົ້າຈາກຜູ້ມີສ່ວນກ່ຽວຂ້ອງໃນການປັບປຸງໂຄງການ ແລະ ໝາກຜົນຂອງມັນ.
ດ້ວຍ AI, ຈະມີກໍລະນີແຂບຢູ່ສະ ເໝີ ທີ່ການແກ້ໄຂແມ່ນພາດ. ແຕ່ມັນກໍ່ດີກວ່າທີ່ຈະຊອກຫາວິທີແກ້ໄຂທີ່ເຮັດວຽກສໍາລັບລູກຄ້າຫຼືພະນັກງານສ່ວນໃຫຍ່ຂອງທ່ານ, ແທນທີ່ຈະພັດທະນາແນວຄວາມຄິດທີ່ມີຫຼັກຖານທີ່ຊັດເຈນທີ່ເຮັດວຽກພຽງແຕ່ສໍາລັບກໍລະນີທີ່ໃຊ້ຕາມຄວາມຕ້ອງການຈໍານວນຫນ້ອຍເທົ່ານັ້ນ. ໃນຕອນທ້າຍຂອງມື້, AI ຄວນຫຼຸດຜ່ອນ friction ແລະເຮັດໃຫ້ມັນງ່າຍຂຶ້ນສໍາລັບປະຊາຊົນທີ່ຈະເຮັດວຽກຂອງເຂົາເຈົ້າແລະການຕັດສິນໃຈຂໍ້ມູນຂ່າວສານ.
ເພື່ອສຶກສາເພີ່ມເຕີມກ່ຽວກັບ Tableau AI analytics, ເຂົ້າໄປເບິ່ງ tableau.com/ai.
ທີ່ມາ: https://www.forbes.com/sites/tableau/2022/03/25/overcoming-hurdles-in-end-to-end-ai-project-design/