По мере того, как все больше компаний включают искусственный интеллект (ИИ) и машинное обучение (МО) в свои стратегии по снижению затрат и созданию более качественных продуктов, они получают конкурентное преимущество по сравнению с теми, кто придерживается традиционных методов работы. В основном это связано со страхом перед неизвестными затратами и возможностью невозвратных инвестиций. При эффективном использовании искусственный интеллект и машинное обучение обеспечат высокую прибыль для компаний. Если вы хотите внедрить ИИ в свою бизнес-стратегию, как выбрать наиболее эффективные бизнес-кейсы? Как измерить эмпирическую ценность?

Инвестиционные затраты необходимо взвесить, чтобы определить ценность AI и ML. Но каковы инвестиционные затраты на внедрение AI/ML в ваш бизнес?

Установление показателей

Чтобы определить, какая задача лучше всего подходит для применения ИИ, и определить рентабельность инвестиций после внедрения, сначала необходимо установить показатели. Это сделает две вещи. ROI обычно понимается как совокупная сумма, поэтому разбивка данных до точки, где исключаются смешанные переменные, обеспечит точную основу для расчета инвестиционных затрат. Это также даст представление о том, где можно применить экономичную автоматизацию или оптимизацию. Тщательный анализ стоимости и времени внутренних процессов, предоставление продуктов и исследования и разработки продуктов — вот некоторые примеры областей, на которых следует сосредоточиться при создании показателей.

Идентификация задачи

Оценивая метрики, где автоматизация или оптимизация принесут наибольшую пользу? Наилучший вариант для внедрения ИИ должен быть получен на основе метрических данных, обеспечивающих наименьшие альтернативные издержки. Возможно, ваши производственные процессы требуют большого количества человеческого взаимодействия, или ваш продукт представляет собой услугу, основанную на программном обеспечении, и для создания персонализированного контента требуется большой штат сотрудников, или определение рыночных тенденций требует от вас инвестиций в дорогостоящих экспертов в данной области. Любой из них был бы подходящим местом для использования решения ИИ.

Измеримые одноцелевые процессы лучше всего подходят для алгоритмов ИИ. Например, алгоритм предоставления «наилучшей» конфигурации продукта на основе рыночных тенденций может быть слишком сложным для одного алгоритма, и его лучше разделить на три отдельные задачи: определение рыночных тенденций, оптимизация конфигурации продукта и тестирование продукта. Цель состоит в том, чтобы изолировать самую дорогостоящую задачу, чтобы максимизировать рентабельность инвестиций.

Выбор правильного решения

После того, как задача определена, необходимо определить правильное решение для работы. В предыдущем примере были указаны три задачи. Из задач, скажем, оптимизация конфигурации продукта представляет собой самую большую стоимость в вашем процессе исследований и разработок. Что можно сделать, чтобы снизить стоимость? ИИ лучше всего занимается оптимизацией и автоматизацией мощностей. В случае определения «лучшей» конфигурации продукта необходимо иметь возможность использовать данные анализа рыночных тенденций, а также результаты тестирования. Объединив данные из этих источников, необходимо будет рассчитать наилучшую конфигурацию и автоматически предоставить результаты системе тестирования.

Создание решения

Следующим шагом в реализации ИИ является создание решения, удовлетворяющего выдвинутым ранее требованиям. Поскольку это будет зависеть от данных исследования рынка и тестирования, данные должны быть предоставлены в стандартизированном формате и очищены от ошибок. Точное и гибкое моделирование данных имеет решающее значение для успеха решения ИИ. Как говорится, «мусор на входе, мусор на выходе». Вторым компонентом в этом решении будет алгоритм расчета. Хотя предоставление точных данных является, безусловно, самым важным шагом, это представляет собой самый большой источник проб и ошибок во время разработки, поскольку алгоритм должен быть спроектирован так, чтобы он функционировал вместо человека. Последним компонентом является интеграция системы тестирования. Здесь может потребоваться модификация системы тестирования для обеспечения автоматического ввода.

Оптимизация рабочего процесса

После определения метрик, определения задачи и создания решения последний шаг — настроить решение и процесс для получения благоприятных результатов. После запуска может быть обнаружен недостаток в процессе исследования рынка, может потребоваться добавить дополнительные шаги в систему тестирования или теперь можно удалить избыточные шаги. Возможно, сам алгоритм работает так, как задумано, но должен быть более предсказуемым. Важно наметить различия в стоимости процесса во время этой оптимизации, чтобы определить дальнейшие изменения, которые необходимо внести. Метрики являются стандартом для оценки ценности нового автоматизированного процесса.

Расплачиваться

Если были произведены и поддержаны подробные метрики, была определена важная/дорогостоящая задача, данные, предоставленные для решения ИИ, точны, и решение было хорошо настроено, то мало причин для того, чтобы оно не было прибыльным. Анализируя метрики и исторические данные, можно легко определить окупаемость решения путем сравнения текущих затрат/выходов с периодом до внедрения нового решения. Фактор рассчитанной стоимости внедрения решения ИИ и эмпирическое значение будут получены для его рентабельности.

В зависимости от решения, правда, стоимость разработки необходимо будет тщательно оценить, чтобы определить ее ценность. Стоит ли инвестиция прибыльного прогноза? По мере того, как все больше компаний обращаются к решениям в области искусственного интеллекта и машинного обучения, чтобы обеспечить ценность для своих клиентов и сократить расходы, все больше становится вопросом экономического выживания и долговечности. Может ли ваша текущая стратегия противостоять стратегиям других компаний, внедряющих эти новые технологии?

Liquid Analytics работает с клиентами над принятием решений в области ИИ, обеспечивающих высокую рентабельность бизнес-инициатив. Свяжитесь с нами, чтобы начать сегодня.

Первоначально опубликовано на https://www.liquidanalytics.com 27 июня 2019 г.