Koontinäytöistä päätöksiin -kuilu, jota datatiimi ei voi korjata
Tekoälyn onnistumisaste: Vain 5 prosenttia tekoälyhankkeista saavuttaa halutut liiketoimintatulokset, mikä paljastaa järjestelmätason ongelmia.
Organisaation valmius: Tekoälyhankkeiden epäonnistuminen johtuu usein siitä, etteivät organisaatiot ole valmistautuneet muutokseen.
Ongelman määrittely: Yritykset tunnistavat usein todellisen ongelman väärin, mikä johtaa harhaanjohtavaan tekoälyn käyttöönottoon.
Sidosryhmien osallistaminen: Sidosryhmien osallistaminen prosessin alkuvaiheessa voi ehkäistä vastarintaa ja parantaa tekoälytyökalujen hyväksyntää.
Hallinnon tuntemus: Vastuullisen tekoälyn käytön ymmärtäminen on ratkaisevan tärkeää päätöksentekijöille, joilla ei ole teknistä taustaa.
Olet varmasti kuullut uutisen jo. Gartner arvioi, että vain 5 % tekoälyhankkeista tuottaa luvatut liiketoimintatulokset.
Tätä lukua heitellään melko paljon, kun puhumme tekoälystä, joko teknologian tuomitsemiseksi tai osoitukseksi kyvyttömyydestämme käyttää sitä tehokkaasti.
Beverly Wright on seurannut tämän kaavan toistumista jo ennen kuin suurin osa nykyisistä tekoälytoimittajista oli olemassa. Hän aloitti päätöstieteissä 1990-luvun alussa, jolloin maassa oli kolme jatko-ohjelmaa ja ehkä 20 valmistunutta vuodessa.
Continue Reading for Free
Create a free account to finish this article, plus get ongoing access to timely insights and practical resources.
Have an account? Log In
"Meillä oli samanlainen ongelma", hän sanoi viime viikolla Atlantassa järjestetyssä Optimized AI -konferenssissa. "Mutta nyt ongelma on mittakaavassa ja automaatiossa. Se on vielä suurempi ongelma."
Wright työskenteli vuosikymmenten ajan datatieteen tehtävissä Southern Companylla ja Cox Communicationsilla ennen siirtymistään Georgian osavaltionyliopiston johtamiskoulutukseen. Hänen diagnoosinsa siitä, miksi tekoälyinvestoinnit epäonnistuvat jatkuvasti, on vastakkainen useimpien teknologiatoimittajien kuulemalle: ongelma on organisatorinen.
Anteeksi toimittajat. Tämä ei ole teidän ongelmanne ratkaistavaksi.
Todellinen ongelma on harvoin se, josta aloititte
Wright aloitti puheenvuoronsa kertomalla hisseistä. Kauan sitten rakennuksista valitettiin, että hissit olivat liian hitaita. Ilmeinen ratkaisu oli nopeammat hissit. Todellinen ongelma ei kuitenkaan ollut nopeus. Se oli pitkästyminen. Kun ihmiset joutuivat odottamaan hiljaisuudessa tai, mikä vielä pahempaa, tuntemattomien seurassa, pitkästyminen aiheutti epämukavuutta, joka sai hissin odottamisen tuntumaan tarpeettoman pitkältä.
Mikä siis ratkaisi ongelman? Peilit. Siinä kaikki. Suunnittelua ei tarvittu.
Tämä kuvatun ongelman ja todellisen ongelman välinen kuilu on paikka, jossa useimmat tekoälyhankkeet menevät pieleen. Yritykset määrittelevät liiketoimintahaasteen, antavat sen datatiimille ja odottavat mallin tekevän ongelmanmääritystyön. Se ei tee niin.
"Todellisen ongelman löytäminen on paljon vaikeampaa kuin ajattelemme", Wright sanoi.
Tekoälyn käyttäminen ennen sen määrittelyä, mitä päätöstä sen on tarkoitus tukea, on hänen näkemyksensä mukaan ensimmäinen kolmesta syystä, joiden vuoksi 95 % hankkeista ei tuota mitään.
Toinen on selitettävyys. Kun laskin antaa sinulle vastauksen, voit tarkistaa sen järkevyyden. Tiedät suurin piirtein, minkä suuruusluokan vastausta pyysit. Neuroverkkoihin perustuvat tekoälyjärjestelmät eivät mahdollista tällaista intuitiivista varmistamista.
Tällä on merkitystä kaikkialla, mutta erityisen ongelmallista se on säännellyillä toimialoilla, joilla laki edellyttää ihmisen suorittamaa tarkastusta. Wright havaitsee käytännössä, että organisaatiot täyttävät tämän vaatimuksen käyttämällä tekoälyä tekoälyn arviointiin. Ihminen osana prosessia ei ymmärrä riittävän hyvin, mitä malli tekee, jotta hän huomaisi siinä olevat virheet.
Kolmas epäonnistumisen muoto on sellainen, jota kukaan ei halua ottaa vastuulleen: organisaatio ei yksinkertaisesti ollut valmis.
Wright erottaa toisistaan teknologian mahdollistamisen ja kulttuurisen mahdollistamisen ja toteaa, että yritykset käsittelevät niitä peräkkäisinä eivätkä rinnakkaisina vaiheina. Ne rakentavat ensin ja kysyvät vasta sen jälkeen, ovatko ihmiset valmiita käyttämään rakennettua ratkaisua. Siinä vaiheessa vastaus on yleensä ei, ja investointi siirretään syrjään.
Hän käytti tornadoja vertauskuvana: vain noin 0,1 % niistä aiheuttaa vakavia vahinkoja, mutta tuon pienen osuuden pelko ohjaa sitä, miten kaikki niihin reagoivat. Muutosvastarinta toimii samalla tavalla. Uuden asian käyttöönottoon liittyvä koettu riski ylittää paikalleen jäämisen osoitetun riskin, vaikka laskelmat osoittaisivat päinvastaista.
Useimmiten tekemättä jättämisestä aiheutuu enemmän vahinkoa. He luulevat välttävänsä riskejä, mutta tekemättä jättämiseen liittyy suurempi riski.
Tadaa-hetkeä ei pitäisi koskaan olla
Kun Wright puhuu siitä, mikä todella toimii, hän ei puhu teknologiainvestoinneista. Sen sijaan hän kuvaa, kuinka organisaatiot rakentavat uudelleen oivalluksen ja toiminnan välisen suhteensa.
Aloita päätöksestä, älä työkalusta
Wright puhuu suoraan hallituksen aiheuttamasta paineesta, jossa yritykset julkistavat tekoälyhankkeita nostaakseen osakekurssia ja julkistamisesta tulee tavoite.
"Se on väärä syy ryhtyä tekoälyhankkeeseen", hän sanoi. "On aloitettava todellisesta strategiasta, jossa sanotaan: näin aiomme ratkaista ongelmia, ja saatamme käyttää tekoälyä tai sitten emme.
Kohtaa yritys siellä, missä se on
Tämä on vastoin useimpia digitaalista muutosta koskevia keskusteluja hallitsevaa tavoitteista lähtevää ajattelua. Organisaatiot laativat etenemissuunnitelmia kohti tavoitetilaa ja yrittävät sitten sovittaa nykyiset toimintonsa niihin.
Wrightin näkemys on päinvastainen: ymmärrä, mitä sinulla todella on, ja rakenna tekoälyratkaisuja, jotka hyödyttävät tätä todellisuutta.
Ota sidosryhmät mukaan alusta alkaen
"Mitään tadaa-hetkeä ei pitäisi olla", hän sanoi. Malli, jossa datatiimi työskentelee eristyksissä ja esittelee lopuksi valmiin tuotteen, johtaa luotettavasti sen torjumiseen.
Kun työkalu saavuttaa ihmiset, joiden on käytettävä sitä, he eivät ole osallistuneet lainkaan sen määrittelyyn, mitä se tekee. Vastustus ei ole järjetöntä. Se on ennakoitava seuraus ulkopuolelle jättämisestä.
Hallinnon ongelma
Wright erottaa toisistaan kaksi useimmissa organisaatioissa nykyisin esiintyvää tekoälyn käyttäjätyyppiä: data- ja analytiikkataustaiset, jotka ovat päätyneet tekoälyn pariin karttuneen teknisen osaamisensa kautta, sekä operatiivisista tai toiminnallisista taustoista tulevat, joilla ei usein ole riittävää perustaa tunnistaa, milloin jokin näyttää olevan vialla. Tekoälyvalmiusstrategian kehittäminen edellyttää näiden erilaisten käyttäjätyyppien ymmärtämistä.
Tämä kuilu on hallinnollinen ongelma, ja se kuuluu liiketoimintaa johtaville ihmisille, ei datatiimille. Jos tekoälyn tuotoksia tarkastelemaan määrätyt ihmiset eivät ymmärrä, mitä he tarkastelevat, arviointi on teatteria. Ja kun teatteria toistetaan riittävän monissa hankkeissa, tuloksena on 5 prosentin onnistumisaste.
Wrightin suosittelema ratkaisu on perehdyttäminen, ei uppoutuminen. Operatiivisten toimintojen johtajien ei tarvitse ymmärtää neuroverkkoja. Heidän on ymmärrettävä, miltä vastuullinen käyttö näyttää, mitä suojakaiteet ovat ja miksi ne ovat olemassa.
"Se tekee asioiden mokaamisesta käytännössä mahdotonta", hän sanoi kuvatessaan, miten tämä kehystys yleensä saavuttaa ei-teknisen yleisön. "Ja se pätee meihin kaikkiin."
Useimmat organisaatiot ovat käyttäneet vuosikymmenen datainfrastruktuurin rakentamiseen. Tämän investoinnin ja todellisten liiketoimintapäätösten välinen kuilu on organisatorinen, eikä mikään alustapäivitys umpeuta sitä.
