Преподаватель ИИ Кавита Ганесан рассказывает о возможностях ИИ в вашем бизнесе

Поначалу подготовка к работе с ИИ может быть сложной задачей. Сегодняшний гость поделится воспроизводимой схемой, которая поможет вам использовать правильные возможности, измерить их успех и подготовить почву для плавного перехода.

За последний год стремительный прогресс в области генеративного ИИ, в том числе новаторский запуск ChatGPT, привлек всеобщее внимание к ИИ. Однако навигация по ландшафту ИИ может пугать руководителей бизнеса, которые не знают, с чего начать. Переход может показаться ошеломляющим — от выбора правильных проблем для решения ИИ до создания надежной инфраструктуры данных и подготовки команд к изменениям. Тут на помощь приходит Кавита Ганесан.

Кавита — консультант по искусственному интеллекту, педагог и основатель консалтингового бизнеса Opinosis Analytics. С докторской степенью. в области обработки естественного языка (NLP), поисковых технологий и машинного обучения, а также имея более чем 15-летний опыт работы, Кавита работает с организациями, чтобы помочь им демистифицировать ИИ и внедрить его в свои бизнес-стратегии. Весной прошлого года — как ни странно, за несколько месяцев до того, как началась вся эта шумиха — она опубликовала «Бизнес-кейс для ИИ» , практическое руководство для бизнес-лидеров по запуску инициатив в области ИИ, которые приносят результаты.

В нем Кавита описывает структуру для выявления высокоэффективных возможностей ИИ, подчеркивая важность эффективной оценки и формулирования проблем для определения приоритетов внедрения решений ИИ, соответствующих вашим бизнес-целям, а также измерения воздействия и успеха каждой инициативы ИИ. .

В сегодняшнем выпуске мы встретились с Кавитой, чтобы поговорить о стратегиях, которые помогут бизнес-лидерам использовать преобразующий потенциал ИИ.

Вот некоторые из основных выводов:

• Начните внедрять ИИ в свой бизнес, оптимизируя повторяющиеся ручные процессы и устраняя недостатки, выявленные по отзывам клиентов или других бизнес-подразделений.
• Чтобы определить возможности с высокой отдачей, оцените, где имеет смысл развертывать ИИ, и посмотрите, приведут ли они к ощутимой выгоде для бизнеса.
• Перед внедрением вам необходимо сформулировать эти возможности, чтобы лучше сформулировать преимущества, болевые точки, которые вы решаете, и какие показатели позволят вам их измерить.
• Следующим шагом является вызов экспертов, чтобы убедиться, что это возможно. Только тогда вы сможете ранжировать все эти инициативы и расставить приоритеты по наиболее выгодным из них.
• Успех инициатив в области искусственного интеллекта зависит от трех столпов: производительности модели, влияния на бизнес и удовлетворенности пользователей.

Если вам нравится наша дискуссия, посмотрите другие выпуски нашего подкаста. Вы можете подписаться на Apple Podcasts, Spotify, YouTube или получить RSS-канал в выбранном вами проигрывателе. Далее следует слегка отредактированная стенограмма эпизода.

Ошибка ИИ

Лайам Герати: Привет и добро пожаловать в Inside Intercom; Я Лиам Джерати. На сегодняшнем шоу ко мне присоединилась Кавита Ганесан, автор книги «Бизнес-кейс для ИИ: руководство для лидеров по стратегиям, передовым практикам и реальным приложениям ИИ» . И именно об этом мы сегодня и поговорим. Кавита, добро пожаловать на шоу.

Кавита Ганесан: Лиам, спасибо, что пригласили меня. Я очень рад быть здесь.

Лиам: Я знаю, что вы реализовали более двух десятков успешных инициатив в области ИИ для самых разных организаций — от средних до компаний из списка Fortune 500. Как вы вообще попали в сферу ИИ?

«Я стал инженером-программистом, но чувствовал, что чего-то не хватает — всего алгоритма разработки и решения задач»

Кавита: Моя история с ИИ восходит к 2005 году, когда ИИ не был по-настоящему популярен, даже не привлекателен и не нужен в отрасли. Я был заинтригован аспектами решения проблем ИИ — хотя методы могут быть одинаковыми, когда они применяются к другой проблеме, способ ее решения ставит другие задачи. Это привлекало меня, потому что я думаю, что по своей природе я умею решать проблемы. Так что я все глубже и глубже погружался в ИИ в своей магистерской программе. Вот где я познакомился со всем пространством ИИ.

Я стал инженером-программистом, но чувствовал, что чего-то не хватает — всего алгоритма разработки и решения задач. Именно тогда я решил, что мне нужно получить докторскую степень. в ИИ, потому что я хотел специализироваться на этом. И когда я собирался получить диплом, в 2013 году, наука о данных начала развиваться как область. Именно тогда я решил, что вместо того, чтобы идти в академические институты или исследовательские лаборатории, я просто пойду и решу отраслевые проблемы. Я думаю, что я очень практичный, прикладной человек, поэтому я хотел, чтобы эти алгоритмы нашли хорошее применение. Вот где все действительно началось. Я реализовал все эти проекты и работал над разными проблемами от здравоохранения до других областей, таких как код.

«Генеративный ИИ как бы поставил ИИ на карту для них»

Лиам: Должно быть, кажется, что весь остальной мир только что догнал всю эту ерунду с ИИ за последние пару месяцев.

Кавита: Да, для многих предприятий искусственный интеллект — это что-то новое, особенно для малых предприятий, которые не думали об искусственном интеллекте, потому что считали, что это не имеет к ним отношения. Операции среднего размера некоторое время думали об ИИ, но не знали, с чего начать, и генеративный ИИ как бы поставил ИИ на карту для них.

Когда начать?

Лиам: Давайте углубимся в вашу книгу «Бизнес-кейс для ИИ» . С самого начала вы признаете, что лидеры беспокоятся и беспокоятся об ИИ. Мы только что выпустили наш отчет о состоянии ИИ в обслуживании клиентов в 2023 году, в котором мы опросили 1000 специалистов службы поддержки и обнаружили, что 69% руководителей планируют больше инвестировать в ИИ в следующем году. Но пока это сделали только 38% лидеров. Это должно быть огромной возможностью для первых пользователей получить реальное конкурентное преимущество со всеми преимуществами, которые приносит ИИ, верно?

Кавита: Да, совершенно верно. Применительно к правильным проблемам вы увидите значительные преимущества очень рано. Я думаю, что задача, с которой сейчас сталкиваются компании, заключается в том, чтобы найти правильные проблемы в бизнесе и применить ИИ таким образом, чтобы это принесло им пользу — не через шесть или семь месяцев, а через три месяца.

«Речь идет о понимании пространства того, что составляет ИИ, где вы можете применить ИИ, к каким проблемам вы можете его применить и где генеративный ИИ добавляет ценность»

Лайам: Что бы вы сказали людям о том, как сформулировать свое мышление об ИИ, чтобы они не представляли роботов, захвативших мир, а думали об ИИ, как вы говорите, как о практическом инструменте для бизнеса?

Кавита: Думаю, первый шаг — понять, что это за зверь. Теперь люди думают, что ИИ — это генеративный ИИ, но генеративный ИИ — это лишь одна часть этой головоломки ИИ. В ИИ есть намного больше. Есть традиционное машинное обучение, НЛП, компьютерное зрение. Речь идет о понимании пространства того, что составляет ИИ, где вы можете применить ИИ, к каким проблемам вы можете его применить и где генеративный ИИ добавляет ценность. Обращение к этому слону в комнате поможет установить контекст или породить идеи о том, где вы можете применить ИИ в своем бизнесе. Я бы сказал, что образование — это первый шаг, да.

Лайам: Если мы скажем, что преодолели этот горб и, так сказать, встали на борт ИИ, как понять, для чего можно использовать ИИ в вашей компании для улучшения существующих бизнес-процессов? Не могли бы вы поделиться некоторыми примерами?

«Поиск существующих неэффективных процессов — хорошая отправная точка»

Кавита: Конечно. Многие компании находят ценность, начиная с повторяющихся проблем, которые решаются вручную. В службе поддержки маршрутизация запроса в службу поддержки является повторяющейся задачей, и агенту требуется значительное время, чтобы прочитать запрос, определить, в какую группу направить запрос, и отправить эти предварительные данные команде, чтобы они могли рассмотреть проблему. . Выявление тех ручных процессов, которые повторяются и требуют человеческого мышления — это ключевой момент — это то, где решения ИИ действительно могут оказать влияние в краткосрочной перспективе, потому что эти проблемы хорошо понятны и, вероятно, имеют метрики, которые вы можете использовать как способ решения. измерить, как он работает по сравнению с ручным подходом. Поиск существующих неэффективных процессов — хорошая отправная точка.

Лиам: Вы всегда можете составить этот список, но вы также можете поговорить со своей командой и посмотреть, какие у них есть блокираторы, которые могут улучшить их повседневную работу.

Кавита: Да, просто поговорить с разными бизнес-подразделениями, понять их проблемы и понять, какие отзывы клиентов они получают. Вы обнаружите неэффективность и проблемы даже путем анализа отзывов клиентов. Это области, в которых ИИ может помочь. Предположим, у клиентов возникают проблемы с получением необходимой им помощи, потому что ваше решение по поддержке неэффективно. Это даст вам ощущение: «Эй, может быть, нам следует улучшить функцию поиска, которая решает проблемы клиентов, чтобы им не приходилось проходить через нашу систему продажи билетов».

Определение подходящей возможности для бизнеса

Лиам: Какой совет вы бы дали людям, которые хотят подготовиться к ИИ, стать компанией, готовой к ИИ, и применить эти знания на практике?

«Обработка каждой возможности покажет, какие из них наиболее выгодны, а какие предлагают незначительную выгоду, которую вы можете пока отложить».

Кавита: Подготовка к ИИ состоит из двух частей. Один из них — понимание того, где находятся ваши возможности в вашей компании. Если вы работаете в компании среднего размера, вам нужно поговорить с различными бизнес-подразделениями, понять их проблемы, а также определить и сформулировать эти возможности. Это в продажах? Это в ХР? Это даст вам представление о том, какая область может быть вашим конкурентным преимуществом. Вторая часть — это фундаментальная часть, необходимая для ИИ, который приводит вашу инфраструктуру данных в форму. Возможно, вы не собираете данные агрессивно, поэтому это необходимо начать, или вы собираете данные, но ваши хранилища данных разрознены, и у сотрудников нет возможности получить к ним целостный доступ. Выявление этих пробелов и объединение их с возможностями даст вам долгосрочный способ внедрить ИИ в компанию.

Лайам: Кажется, что с тех пор, как ChatGPT появился на сцене, каждый продукт или бизнес добавляли ИИ в конце своих названий. В море всего этого, как лидеры находят эти возможности ИИ? Как отсеять бесполезные?

Кавита: Да, это происходит, когда вы находите эти возможности и формируете их — вы в основном формулируете преимущества возможности и какие показатели вы будете использовать для измерения того, как вы решаете проблему в настоящее время. Анализ каждой возможности покажет, какие из них наиболее выгодны, а какие предлагают незначительную выгоду, которую вы можете пока отложить. Эта часть артикуляции очень важна, и это второй шаг в моей «Высокоэффективной структуре обнаружения ИИ» (обсуждается в книге). Во-первых, у вас есть идея или есть потенциальная возможность ИИ. И шаг второй — кадрирование.

«Принесет ли внедрение ИИ или какой-либо программной автоматизации ощутимую пользу в этой конкретной ситуации? Есть ли в этом смысл для бизнеса?»

Лиам: Не могли бы вы рассказать немного больше о фреймворке?

Кавита: Эта структура представляет собой повторяемый процесс выявления высокоэффективных возможностей ИИ, состоящий из четырех ключевых этапов. Во-первых, сначала нужно подумать о том, является ли это многообещающей возможностью ИИ. Возможности ИИ часто решают сложные проблемы принятия решений, и в этом смысл ИИ. Но это также должно иметь смысл для бизнеса, чтобы вы могли идти дальше. Вот когда вы смотрите на загруженность. Даст ли внедрение ИИ или какой-либо программной автоматизации ощутимую пользу в этой конкретной ситуации? Это также имеет смысл для бизнеса? И затем, есть ли у него фундаментальные строительные блоки? Допустим, вы выполняли этот процесс вручную. Если он удовлетворяет этим трем требованиям, это потенциальная возможность ИИ, но это само по себе не означает, что вам следует заняться реализацией.

Вот тут-то и начинается второй шаг, когда вы формируете эти возможности. По сути, вы добавляете гораздо больше деталей к возможностям. Сформулируйте преимущества, болевые точки, которые вы решаете, и какие показатели вы будете использовать для их измерения. Так вы узнаете, что достигли успеха в бизнесе и доступности данных. Но опять же, это не означает, что вы сразу переходите к реализации. Вам все еще нужно убедиться, что это осуществимо. Вот тут-то и появляются ваши эксперты – шаг третий. Вы отнесете это к своим экспертам и скажете: «Эй, у меня есть такая возможность. Что вы думаете? Можно ли это реализовать?» Именно здесь они обнаружат все красные флажки, такие как «У вас есть данные, но объема недостаточно» или «Это слишком футуристично, чтобы реализовать прямо сейчас». Вот где они затормозят и дадут вам больше информации. Когда у вас будет вся эта информация, вы сможете ранжировать эти инициативы и выбрать лучшие инициативы, что является четвертым шагом — ранжирование и расстановка приоритетов. Это очень повторяемый процесс, и я хотел, чтобы это было большой частью книги, потому что я думаю, что у людей в настоящее время нет способа делать это систематически.

«Сама по себе модель — это не конец. Модель — это средство решения бизнес-проблемы. Вот где успех в бизнесе»

Лиам: Вы упомянули об этом, но я хотел бы поговорить о том, что происходит, когда лидер решает эти проблемы и внедряет свои стратегии ИИ. Какой подход вы бы порекомендовали для оценки успеха их инициатив в области ИИ?

Кавита: В настоящее время успех большинства компаний неясен, потому что лидеры рассчитывают на финансовую рентабельность инвестиций, а эксперты по ИИ просто хотят видеть высокоточные модели. В своей книге я рассказываю о трех столпах успеха. Один из них — модельный успех. Модель должна иметь минимально допустимую производительность. В противном случае это не решит проблему. Если он имеет точность 50%, это просто случайно. Вы хотите убедиться, что он выполняет задачу и работает достаточно хорошо. Но сама модель — это еще не конец. Модель — это средство решения бизнес-проблемы. Вот где приходит успех в бизнесе. И это напрямую связано с вашей болевой точкой. Что вы хотите улучшить? Пытается ли он проанализировать запрос в службу поддержки? Пытается ли он улучшить баланс между работой и личной жизнью для ваших сотрудников? Есть косвенные способы измерить все это. Это то, что вам нужно отслеживать для успеха в бизнесе.

Но одного успеха модели и успеха в бизнесе недостаточно, потому что, в конце концов, это повлияет на пользователя. Вы также хотите поговорить с пользователями решения ИИ. Это могут быть ваши поставщики или сотрудники — любой, кто потребляет продукцию ИИ. Вы хотите спросить их, что они думают о точности решения, простоте использования и обо всем, что может выявить проблемы либо в модели, либо в рабочем процессе, потому что это может выявить проблемы внедрения. Если им не нравится решение, они могут вернуться к старому способу ведения дел. Они могут не захотеть использовать ваше решение ИИ, несмотря на то, что оно является точным и успешным в бизнесе.

Человек в петле

Лиам: Что бы вы сказали руководителям службы поддержки клиентов, думающим о внедрении ИИ, которые немного нервничают, беспокоятся или обеспокоены? Что бы вы сказали, чтобы помочь им преодолеть это?

Кавита: Одна из тем, которую я заметил среди лидеров, заключается в том, что системы ИИ возьмут на себя многие работы, даже свои собственные. К сожалению, это правда, но я думаю, что системы ИИ с большей вероятностью расширят рабочие процессы, чем просто заменят рабочие места, потому что нам по-прежнему нужен уровень обеспечения качества, в который вступают люди. Система ИИ может помочь с запросами в службу поддержки клиентов, но что, если она не может решить проблему? вопрос? Люди должны быть там. И как обучаются системы ИИ? Они учатся на данных. А кто генерирует эти данные? Люди. Мы являемся важной частью этой системы искусственного интеллекта, поэтому мы активно занимаемся обеспечением качества, генерацией данных и решением более сложных проблем.

Это один аспект. Другой — правильно установить свои ожидания для каждой проблемы и продумать риски. Если я сделаю ИИ единственным лицом, принимающим решения в этом сценарии, каковы риски? Понимание риска поможет преодолеть некоторое сопротивление внедрению ИИ в этом сценарии. Возможно, в этом сценарии это слишком рискованно, поэтому вы хотите, чтобы люди были в курсе того, что сделал ИИ.

Лиам: Я думаю, мы уже это видим, но с рабочими местами, которые люди могут бояться потерять, ИИ на самом деле создает новые рабочие места и роли — люди, наблюдающие за ИИ, или, в нашем случае, разработчики чат-ботов. Это не все гибель и мрак.

Кавита: Да. Я думаю, что роли могут переходить от выполнения действительно низкоуровневой работы к выполнению высокоуровневой работы. Вы будете больше QA-менеджером. Так что да, роли со временем поменяются.

Лиам: Кавита, что бы вы хотели, чтобы люди знали о совместной работе ИИ и бизнеса?

Кавита: ИИ и бизнес, хороший вопрос. В исследовательском мире вы часто видите, как одно решение ИИ решает проблему. Но в бизнесе одного ИИ-решения может быть недостаточно. Вам понадобится гибридное решение. Это может быть комбинация системы ИИ, системы, основанной на правилах, и, возможно, людей. Таким образом, бизнес-решения часто менее элегантны и более сложны, чем исследовательские системы.

Лайам: Наконец, куда люди могут пойти, чтобы не отставать от вас и вашей работы?

Кавита: Первое, на что стоит пойти, это мой сайт, kavita-ganesan.com. Здесь вы можете узнать о моей книге. Это также приведет вас на мою консультационную страницу и некоторые другие подкасты, которые я сделал.

Лиам: Отлично. Кавита, большое спасибо, что присоединились ко мне сегодня.

Кавита: Лиам, спасибо, что пригласил меня.