7 проблем, которые мешают внедрить ИИ в работу — исследование Salesforce
Всем привет! На связи команда корпоративного мессенджера Compass. Делимся переводом большого исследования про ИИ и базы данных.
Искусственный интеллект уже показал, что умеет много всего полезного и упрощает работу компании. Но у него есть барьеры, которые до сих не дали ИИ захватить мир, а компаниям — внедрить его в процессы. Разбираем эти барьеры и рассказываем, что делать.
Главная проблема: генеративному ИИ нужна диета
Получить ответ на любой запрос, изобрести закон и проанализировать рынок: всего этого недостаточно, чтобы ИИ работал на бизнес.
После бума на искусственный интеллект исследователи поняли: мало вкладываться в технические возможности AI в надежде, что он изменит и оптимизирует работу. Важнее стали проверенные данные. Компании хотят привить AI ценность фактчекинга: вот после этого-то всё и изменится.
Компании так быстро внедряют ИИ, что надежность данных становится все большей ценностью. Чтобы привить эту ценность ИИ, нужно привить ее тем данным, которыми он наполняется. Представьте, что у искусственного интеллекта есть диета: он может питаться фастфудом, а может — проверенными продуктами. Проще говоря, ИИ даст бизнесу реальный профит, только когда будет подпитываться точными данными. Наша аналитика показывает острую необходимость в надежной информации сейчас больше, чем когда-либо.
Wendy Batchelder, Chief Data Officer в Salesforce Но дело не только в надежности данных: есть и другие проблемы, которые тормозят компании. Рассказываем о них ниже. ИТ-инфраструктура компаний не готова к ИИ Базы данных компаний и их техническая структура пока не готовы к искусственному интеллекту. Внутри инфраструктуры пока мало инструментов, которые легко синхронизируются с ИИ: просто потому что ИИ — штука новая, а когда инфраструктура создавалась, у нее не было задачи работать с искусственным интеллектом. Нет единой системы данных Если у вас до сих пор вся инфа хранится в десятках таблицах, документах и приложениях, есть повод задуматься о какой-то единой платформе или продуманной системе хранения. Без организованной системы данных ИИ не даст результат. Неточность данных Искусственный интеллект ограничивается данными компании и открытых источников, поэтому может не давать полной картины или использовать ненадежную информацию. Меньше всего в точности данных уверены отделы продаж и сервис, больше всего — подразделения аналитики. Этические вопросы Во-первых, ИИ не всегда принимает решения исходя из ценности человеческой жизни, хотя иногда ее можно задавать, как условие. Во-вторых, ИИ работает на основе данных из интернета, а там полно неэтичных стереотипов. Например, по запросу «доктор» чаще выпадают мужчины, «учитель» — женщина, «женщина» — домохозяйка и прочее. Получается, ИИ заранее необъективен, потому что работает на основе данных из интернета, а в них есть и стереотипы, и пристрастия. Это называется AI bias — пристрастность ИИ. Нет системного сбора данных и дата-стратегии 41% лидеров говорят, что их дата-стратегия только частично согласована с целями или не согласована вовсе. Это значит, что нет связной аналитики данных о пользователе и рынке. А без этого внедрить ИИ сложно: ему просто будет нечего анализировать. Только 32% руководителей и аналитиков измеряют и изучают ценность монетизации данных. Угрозы безопасности 78% аналитиков, руководителей и айти-лидеров говорят, что им трудно добиваться бизнес-целей из-за проблем с данными: в том числе с их безопасностью. Во-первых, уже появляются прецеденты, где ИИ как бы незаконно анализирует материалы книг, например. Хотя авторы на это согласия не давали. Во-вторых, нет ясности: что будет с загруженным в ИИ данными. Непонятно, станут ли они частью знаний ИИ или нет. А там может быть конфиденциальная инфа и о пользователях, и о компании. Получается конфликт: можно внедрить ИИ и добиваться целей с его помощью, но это угрожает безопасности компании и пользователей. Совет № 1: Инвестируйте в проверенную инфу для ИИ, чтобы получать достоверные выводы на выходе 79% аналитиков и руководителей планируют инвестировать в визуализации данных и ИИ, 75% — в обучение и и развитие искусственного интеллекта с помощью проверенных данных. Чтобы получать проверенную инфу для загрузки в ИИ, вкладывайте в аналитику: на аутсорсе или инхаус. Совет № 2: Меняйте подход к управлению информацией, чтобы снизить гравитацию данных Выше мы уже писали, что без единой системы данных сложно внедрить ИИ. Поэтому руководители организуют информацию так, чтобы ее было проще использовать, а не только хранить. Например, 85% аналитиков и айти-руководителей управляют данными, чтобы контролировать и подтверждать качество информации. Если этого не делать, ИИ начнет потреблять некачественные данные и выдавать некорректные результаты. Получается, что ИИ — стимул навести порядок в том, как компания организует базы данных и как их использует. Более зрелые компании (те, где данными управляют систематически и измеряют их на каждом этапе) чаще видят преимущества от ИИ в демократизации доступа к данным, например. Гравитация данных происходит, когда информация внутри компании разбросана по разным системам или находится в местах, откуда ее трудно экспортировать, объединять и анализировать. Чтобы бороться с гравитацией, руководители и аналитики управляют данными с помощью разных подходов и чаще полагаются на гибридные или on-premise решения. Поэтому 75% аналитиков и айти-компаний уже запустили миграцию хранилищ данных и начали переносить базы на новые платформы. Совет № 3: Ищите новые платформы и бизнес-решения для хранения и анализа данных, чтобы внедрять ИИ 96% руководителей и аналитиков говорят, что ИИ и прочные базы данных ускоряют принятие решений. Основные критерии для новых платформ и баз данных — облачное хранение, возможности ИИ, скорость и простота размещения новых данных, простое юзабилити для пользователей и совместимость с текущим техническим стеком. Совет № 4: Ищите процессы, где ИИ будет полезен, а не внедряйте, только чтобы внедрить На хайпе новостей про ИИ можно сойти с ума и подключать его ко всем процессам подряд, чтобы не упустить возможностей новой эпохи. И это может стать ошибкой — не всем процессам нужен ИИ, не везде он дает результат и не везде он будет упрощать работу. Смотрите на работу компании трезво и анализируйте процессы, чтобы найти точки применения ИИ до того, как его внедрить. Выводы из исследования. Вот, что мешает адекватно внедрить ИИ в работу компании: Кстати, пишите в комментах, внедряете ИИ или нет и что мешает, если нет. И советы, как преодолеть проблемы выше и внедрить ИИ в работу компании:
Еще 6 причин, почему ИИ трудно внедрить
Как внедрять ИИ и решать проблемы выше: 4 совета
То же самое, но в 5 раз короче