Mitä haasteita tekoälyprojekti tuo mukanaan? | Tekoäly liiketoiminnassa #65

Kuinka integroida AI-projekti tehokkaasti liiketoimintastrategiaasi?

Gartnerin tutkimuksen mukaan vuoteen 2030 mennessä 80 % projektinhallintatehtävistä hoidetaan tekoälyn avulla. Miltä prosenttiosuus projekteista, jotka käyttävät tekoälyä tehtävien suorittamiseen, näyttää – jää nähtäväksi. Kuitenkin on jo nyt syytä pohtia, kuinka tekoäly voidaan integroida yrityksen toimintastrategiaan.

Ensimmäinen askel on ymmärtää tämän teknologian potentiaali ja rajoitukset. Tekoäly on hyvä analysoimaan trendejä ja kaavoja, mutta se epäonnistuu monivaiheisessa päättelyssä ja moraalisessa päätöksenteossa. Se luo sensaatiomaisia visuaaleja, mutta sen saaminen tuottamaan johdonmukaisesti materiaaleja, jotka vastaavat brändin kuvaa, vaatii huomattavaa taitoa. Siksi, kun aloitamme työskentelyn AI-projektin parissa, emme voi olettaa, että se tuottaa konkreettisia, mitattavia tuloksia todennäköisyydellä, joka on verrattavissa muihin projekteihin.

Hyvä lähtökohta on siksi analysoida hyviä ja huonoja puolia:

• Mitkä ovat tekoälyprojektin eri vaiheiden kokonaiskustannukset?
• Mitkä KPI:t tulisi määrittää arvioimaan tekoälyprojektin liiketoimintavaikutusta?

Saadaksesi uskottavan vastauksen näihin kysymyksiin, on parasta valita yksinkertaisia tekoälyprojekteja, jotka tuovat merkittävää arvoa, ovat helposti mitattavissa ja sopivat yrityksen strategiaan. Esimerkiksi kuriiripalveluja tarjoava startup voi toimia esimerkkinä. Sen tavoitteena on parantaa asiakaspalvelua ja lisätä toimitusketjun joustavuutta. Yksi yksinkertainen mutta arvokas tekoälyprojekti on esimerkiksi chatbotin toteuttaminen, joka käsittelee asiakaskyselyitä. Tällainen virtuaaliassistentti käsittelee enemmän pyyntöjä kuin perinteinen puhelinpalvelu, mikä lisää asiakastyytyväisyyttä nopeilla vastauksilla kyselyihin ja johdonmukaisella viestinnän laadulla. Sen sijaan edistyksellinen järjestelmä, joka optimoi kuriirireittejä, sopii toimitusjoustavuuden parantamisen tavoitteeseen, mutta on monimutkainen ja siihen liittyy paljon suurempia riskejä.

Kun alkuperäiset tekoälyprojektit on määritelty, startupin tulisi arvioida niiden toteutettavuutta esimerkiksi budjetin osalta, johon tekoälyprojekti tulisi mahtua.

Tekoälyprojektin budjetointi. Keskeiset haasteet

Valmiin SaaS- tai AI as a Service (AIaaS) -ratkaisun toteuttamisella, tai niin sanotulla “valmiilla tekoälyllä”, on monia etuja. Yksi niistä on työkalun käytön ennakoitava kustannus ja suhteellisen helppo arvioitava tekoälyprojektin toteutuskustannus. Voit valita ratkaisujen joukosta esimerkiksi:

• chatbot asiakaspalveluun – kuten Intercom Fin, LiveChat Chatbot.comista, Drift tai FreshChat,
• someanalytiikka markkinointiviestien tavoittavuuden lisäämiseksi – Cortexin, Bufferin tai Latelyn avulla, tai
• liiketoimintatietojen analysointi Microsoft Power BI:llä, Tableaulla tai vähemmän monimutkaisissa tehtävissä – Google Bard, joka integroituu Google-dokumentteihin.

Suuremmassa mittakaavassa tekoälyprojekteissa niiden kustannuksia voidaan usein aliarvioida. Erityisesti kun on kyse resursseista ja ajasta, jota tarvitaan tietojen keräämiseen ja valmisteluun. Esimerkiksi IBM:n Arvind Krishnan mukaan tekoälyn oppimisen tietojen valmisteluvaihe voi kattaa jopa 80 % projektin kestosta.

Lähde: DALL-E 3, prompt: Marta M. Kania (https://www.linkedin.com/in/martamatyldakania/)

Lisäksi, mitä enemmän vaadimme räätälöityjä tekoälymalleja projektille, sitä enemmän laadukkaita tietoja meidän on kerättävä. Esimerkiksi syvät neuroverkot oppimista varten vaativat satojatuhansia esimerkkejä. Tämä nostaa kustannuksia, jotka liittyvät tällaisen valtavan tietomäärän hankintaan ja puhdistamiseen. Onneksi tekoälyn nopea kehitys tarkoittaa, että yhä useampia tekoälyprojekteja voidaan toteuttaa ilman kalliita räätälöityjen mallien oppimistarpeita.

Kuitenkin yrityksen, joka suunnittelee tekoälyprojektia, tulisi harkita ei vain ratkaisun kehittämisvaihetta, vaan myös tietojen valmistelua ja järjestelmän jatkuvaa toimintaa, mukaan lukien ylläpidon, päivityksen tai uusien tietojen keräämisen kustannukset. Vasta sitten voit arvioida tekoälyn todellista sijoitetun pääoman tuottoa.

Tietohallintaongelmat tekoälyprojekteissa. Mitä sinun tulisi tietää

Tärkeä haaste tekoälyprojekteissa on data – sen saatavuus, määrä ja laatu. Mitä siis tehdä? Ennen tekoälyprojektin aloittamista sinun on:

• tarkasteltava huolellisesti, mitä tietoja yrityksellä on – missä muodossa ne ovat tallennettuina ja mistä ne tulevat,
• huolehdittava infrastruktuurista ja kehitettävä sisäisiä tietojen hankintaprosesseja,
• Harkittava ulkoisten tietoaineistojen ostamista tai joukkorahoitusta, jos niitä on niukasti.

Yleinen ongelma on, että tiedot ovat hajallaan useissa järjestelmissä ja muodoissa. Niiden yhdistäminen, puhdistaminen ja valmistaminen tekoälyn oppimista varten voi olla haastavaa. Hyvä käytäntö on, että tekoälytiimi työskentelee tiiviisti IT-osaston tai data-analyytikoiden kanssa. Yhdessä heidän tulisi varmistaa, että oikea infrastruktuuri ja tietojen hankintaprosessit ovat kunnossa.

Tekniset ja turvallisuushaasteet tekoälyprojekteissa

Tekoäly ei ole vain koneoppimisalgoritmeja. Jotta ne toimisivat käytännössä, tarvitaan koko IT-infrastruktuuri. Samaan aikaan uusien tekoälyjärjestelmien integroiminen yrityksen olemassa oleviin järjestelmiin voi olla haastavaa. Se vaatii usein vanhempien liiketoimintajärjestelmien mukauttamista, mikä monille yrityksille tarkoittaa huomattavia päivityskustannuksia.

Lisäksi tekoälyprojektit vaativat asiantuntemusta datatieteessä ja datainsinöörityössä. Samaan aikaan maailmassa on havaittavissa asiantuntijapulaa tällä alalla. McKinseyn “Technology Trends Outlook 2023” -raportin mukaan työpaikkailmoitusten ja saatavilla olevien asiantuntijoiden suhde on 7:100, ja kysyntä kasvaa jatkuvasti.

Myös tietoturvakysymys ei ole merkityksetön. Tekoälyjärjestelmät käsittelevät valtavia määriä arkaluontoista tietoa, joka on suojattava asianmukaisesti vuotamiselta. Samaan aikaan tietomurrot ovat lisääntyneet merkittävästi viime vuosina. Tämä on siis toinen tärkeä riski, joka on pidettävä mielessä tekoälyprojekteja toteutettaessa.

Keskeiset osaamiset tekoälyssä yrittäjille. Mitä vaikeuksia saatat kohdata?

Yksi yleinen este tekoälyprojektin toteuttamiselle voi olla heikko tekoälyosaaminen johtajien ja liiketoimintapäätöksentekijöiden keskuudessa. Ilman syvällistä ymmärrystä teknologian mahdollisuuksista on vaikeaa arvioida tiettyjen projektien toteuttamiskelpoisuutta ja tehdä järkeviä päätöksiä. Siksi on tärkeää investoida johtajien tietämyksen parantamiseen uusien teknologioiden alueella.

Nykyisten työntekijöiden uudelleenkouluttaminen voi myös auttaa. Yhä enemmän puhutaan niin sanotuista “kansalaisdata-analyytikoista” (“Citizen data scientists”). Nämä asiantuntijat hyödyntävät huipputeknologioita ratkaistakseen päivittäin kohtaamiaan liiketoimintaongelmia. He tuntevat erittäin hyvin toimialan, jolla he työskentelevät. Osallistumalla tekoälyprojektin tiimiin he mahdollistavat tekoälyasiantuntijoiden keskittyä toteutusongelmiin vastaamalla toimialakohtaisiin kysymyksiin.

Teknisten taitojen, kuten tekoälysuositusten arvioimisen ja päätöksenteon, lisäksi pehmeät taidot, kuten johtajuus ja strateginen ajattelu, ovat myös tärkeitä. Tämä on toinen tapa puuttua yrityksissä esiintyvään tekoälyosaamisen puutteeseen.

Analysoimalla tekoälyprojektin onnistumista. Kuinka välttää virheitä ROI:n mittaamisessa?

Internetissä liikkuu perusteeton (ja todennäköisesti epätosi) huhu, jonka mukaan jopa 87 % tekoälyprojekteista ei koskaan saavuta tuotantovaihetta. Vaikka emme ole voineet päästä käsiksi luotettaviin tutkimuksiin onnistuneista projekteista, varhaisen määritelmän laatiminen tavoista mitata onnistumista on avainasemassa tekoälyn toteutuksen todellisen vaikutuksen arvioimisessa.

Hyvä käytäntö tässä on pienimuotoinen kokeilu. Se tarkoittaa tekoälyn suorituskyvyn testaamista esimerkiksi satunnaisella käyttäjäotoksella ja tulosten vertaamista kontrolliryhmään, joka käyttää standardiratkaisua. Tällainen A/B-testi auttaa varmistamaan, voiko uusi tekoälyjärjestelmä tuottaa odotettuja tuloksia, kuten konversioiden tai asiakastyytyväisyyden lisääntymistä.

Lähde: DALL-E 3, prompt: Marta M. Kania (https://www.linkedin.com/in/martamatyldakania/)

A/B-testauksen toistaminen säännöllisesti myös tekoälyn toteuttamisen jälkeen on järkevää, sillä mallit voivat menettää tarkkuuttaan ja relevanssiaan ongelmien ratkaisemisessa. Tämä mahdollistaa nopeasti nousevien poikkeamien ja tarpeen kalibroida järjestelmää, jotta se jatkaa odotettujen liiketoimintatulosten tuottamista.

Yhteenveto

Vaikka tekoäly tarjoaa valtavia mahdollisuuksia, tällä alalla toteutettavat projektit tuovat mukanaan merkittäviä haasteita. Menestyäkseen on arvioitava toteutettavasti tekoälyn kustannukset ja hyödyt, huolehdittava tietojen hankinnasta ja laadusta, kehitettävä sisäisiä osaamisia ja panostettava uusien teknologioiden asteittaiseen käyttöönottoon. On myös ratkaisevan tärkeää mitata toteutusten konkreettista liiketoimintavaikutusta ja reagoida nopeasti nouseviin ongelmiin. Vasta sitten tekoälystä tulee yritykselle parannus eikä uhka.

Jos pidät sisällöstämme, liity vilkkaaseen mehiläisyhteisöömme Facebookissa, Twitterissä, LinkedInissä, Instagramissa, YouTubessa, Pinterestissä, TikTokissa.