Dlaczego projekty AI nie są „normalne”? Zrozumieć cykl życia inicjatyw i dobrze nimi zarządzić
Często jednak, szczególnie jeżeli nie mamy specjalnej obudowy, wpadamy w pułapkę analogii i zakładamy, że takie projekty powinniśmy prowadzić tak samo jak standardowe realizacje IT, gdzie wszystko jest dość oczywiste i niezmienne.
Ot, kolejny projekt z serii wdrożeń. Rzeczywistość jest tymczasem bardziej wielobarwna. I przez to bardziej skomplikowana.
Wiele projektów AI zwyczajnie się nie udaje nie tyle z powodu braku realnego ROI (Return on Investment – zwrot z inwestycji), ale niewłaściwego podejścia i przeprowadzenia z pominięciem kluczowych kroków, które dałyby nam odpowiedzi na wiele pytań i wątpliwości. Strata byłaby z pewnością mniejsza, gdybyśmy tylko rozumieli tę specyfikę.
Produkt AI. Przyjmijmy pewne uproszczenie
Na potrzeby naszych rozważań przyjmiemy, że każda inicjatywa, która ma w sobie komponent AI jest nakierowana na stworzenie produktu AI. Nie oznacza, że musi to być samodzielny produkt, może to być funkcjonalność, którą dodajemy do już istniejącego rozwiązania czy usługi. Dodajemy kolejny klocek w naszej układance, który wymaga jednak szczególnej opieki.
Już samo zdefiniowanie czym jest AI będzie dla nas pewnym wyzwaniem, ale dzisiaj odpuścimy te rozważania, choć będzie to ważne, jeżeli poważnie myślimy o ułożeniu odpowiedniego procesu na później.
Tak czy inaczej, jeżeli przyjmiemy, że mamy tutaj do czynienia z produktem, to sprowadzi nas to do konieczności ujęcia go w pewne ramy i zastosowania uporządkowanego podejścia.
Uwzględnić musimy przy tym nasze wewnętrzne podejście do inicjatyw, przy czym wybór właściwej ścieżki będzie tutaj bardzo istotny. Skierowanie się w niewłaściwą stronę może spowodować, że coś zwyczajnie przeoczymy.
Czytaj także: Shadow AI. Jak w kilku krokach sprawić, aby pracownicy świadomie korzystali z narzędzi AI
Produkt AI. Jak się rozwija?
Marily Nika, Ph.D zaproponowała sensowne, choć warte uzupełnienia, podejście do cyklu rozwoju produktu AI.
Widzi ona to tak:
- faza generowania pomysłów -> nałożenie możliwości AI na matrycę problemów biznesowych,
- identyfikowanie okazji -> weryfikacja czy nasze rozwiązanie pasuje do potrzeb rynkowych,
- stworzenie prototypu, co wcale do łatwych zadań nie należy nawet w erze generatywnej AI,
- testowanie i analiza, które mają wykazać czy dobrze zidentyfikowaliśmy okazję biznesową oraz
wdrożenie produktu AI „dalej”.
To rzecz jasna mocno uproszczone podejście i pomija ono wiele niuansów, ale jest dobrym startem. Startem, bo to wyłącznie produktowa wizja cyklu, która w mniejszym stopniu skupia się na samym procesie wytwórczym i dostarczaniu gotowych rozwiązań na nasze potrzeby.
Rzecz jasna musimy mieć tutaj świadomość, że w każdej organizacji będzie wyglądało to nieco inaczej, ale w większości jest mniej więcej właśnie tak, choć nie zawsze jest to proces uporządkowany i uwzględniający konieczność dokumentowania wszystkiego, czego się nauczymy – a to w sumie cenna wiedza, którą możemy wykorzystać w przyszłości.
Ja widzę to na przykład w taki sposób i jest to proces, który rekomenduje w większości przypadków swoim klientom. Rzecz jasna diabeł tkwi w szczegółach, więc potraktujcie to jako przykład podejścia, a nie gotowe rozwiązanie!
Zacznijmy więc od fazy generowania pomysłów
Faza ta wydaje się dość prosta. Wpadamy na jakiś pomysł i – eureka – mamy rozwiązanie! Banalne, możemy przejść do realizacji.
No dobra, nie tak to wygląda. Widzimy jakiś problem biznesowy, np. nieefektywne rozwiązywanie reklamacji czy zgłoszeń, które przytłaczają naszych konsultantów czy działy wsparcia technicznego. Widzimy, że nasza sprzedaż produktów wyraźnie spada, ale nie do końca wiemy – pomimo dostępności danych – dlaczego. Nasze systemy rekomendacyjne często chybiają, wywołując raczej śmiech klientów niż wzrost sprzedaży.
Mamy więc jakiś problem biznesowy, który trzeba rozwiązać. Nie oznacza to jeszcze, że musimy do tego wykorzystywać AI. Dlaczego? Dlatego, że sztuczna inteligencja nie sprawdzi się w każdym przypadku.
Najbardziej typowe zastosowania to:
Sztuczna inteligencja czasem zwyczajnie się nie sprawdzi lub dane zastosowanie zwyczajnie nie będzie uzasadnione ekonomicznie. Stąd też tak ważne, aby mieć świadomość kosztów, które różne rozwiązania mogą generować. Spójrzmy na przykład.
Wiemy, że jednym z naszych problemów jest nieefektywny sposób rozpatrywania reklamacji. Wiele ze zgłoszeń jest prosta i powtarzalna, a więc może być rozwiązywana z użyciem np. chatbota. Decydujemy się wykorzystać rozwiązanie w modelu chmurowym, gdzie do modelu znajdującego się na infrastrukturze dostawcy trafiają zapytania. Każde zapytanie i odpowiedź na nie kosztuje X.
Wdrażamy takie rozwiązanie, ale nie wprowadzamy jednocześnie odpowiednich filtrów, blokad i ograniczeń, a okazuje się, że nasi niezadowoleni klienci postanawiają się na nas mścić i zadają głupie pytania, bawią się z naszym asystentem.
Z czasem ilość tego typu sytuacji dramatycznie rośnie i założony przez nas budżet szybko się wyczerpuje.
Z kolei w innym przypadku moglibyśmy próbować użyć młota na miarę nordyckiego boga Thora do wbicia maleńkiego gwoździa, którym może być jakiś prosty problem do rozwiązania z wykorzystaniem automatyzacji.
Jak więc widać – w pierwszej fazie musimy przyłożyć się do zidentyfikowania problemu biznesowego, ale też nie możemy ulegać magii AI.
Dlatego istotne jest zrozumienie, że m.in.:
- technologia ma swoje ograniczenia, np. w kontekście dostępności wysokiej jakości danych, halucynacji czy niedokładności,
- rozwiązanie może w jakiś sposób generować ryzyka w obszarze danych osobowych i prywatności,
- AI wiąże się z konkretnymi ryzykami, które identyfikujemy jako inne niż te dla tradycyjnego oprogramowania,
- rozwiązania oparte na AI trzeba nieustannie monitorować i sprawdzać pod kątem jakości,
- nad działaniem „tego wszystkiego” nadzór musi sprawować człowiek, który ma odpowiednie kompetencje i narzędzia.
Dopiero wtedy możemy realnie myśleć o przejściu do kolejnej fazy. Naszym celem jest realizacja projektu i zapewnienie korzyści nam i naszej organizacji, a nie zabawa w AI.
Kolejna faza to identyfikowanie okazji…
… która będzie od nas wymagała większej pracy research’owej i analizy rynku. Jej zaliczenie pozwoli nam na przejście do fazy budowania prototypu.
W kolejnym felietonie opowiem także o tym, jak wspomóc się w tym procesie i jak zabezpieczyć się wewnątrz organizacji przed ewentualnymi ryzykami związanymi z shadow AI. Nie będę Was zanudzał – będzie to tylko zahaczenie o temat.
