5 pogrešaka koje tvrtke rade pri integraciji AI-ja

Prema Gartneru, više od 85% AI projekata ne ispuni ono što je obećano. To je poražavajuće visoka stopa neuspjeha za tehnologiju koja obećava transformaciju poslovanja. No kada se pogleda zašto ti projekti propadaju, pojavljuje se jasan obrazac. Uvijek se ponavljaju iste pogreške.

Radeći s tvrtkama diljem Europe na projektima AI integracije, izdvojili smo pet najčešćih i najskupljih pogrešaka. Još važnije, pokazat ćemo vam kako ih izbjeći.

Pogreška 1: Kretanje od tehnologije umjesto od poslovnog problema

Ovo je najčešća i najskuplja pogreška. Tvrtka čuje za ChatGPT, computer vision ili prediktivnu analitiku i zaključi: "To nam treba." Ulaže u tehnologiju, a da prije toga nije pitala: "Koji konkretan problem to rješava i je li AI doista najbolje rješenje?"

Kako to izgleda u praksi

Proizvodna tvrtka znatno ulaže u prilagođenu AI platformu jer je konkurent spomenuo AI u godišnjem izvješću. Šest mjeseci poslije imaju sofisticiran sustav koji nitko ne koristi jer ne rješava nijedan konkretan problem s kojim se zaposlenici svakodnevno susreću.

Kako to izbjeći

• Krenite od bolnih točaka: Razgovarajte s dionicima u svim odjelima. Koji su procesi spori, skloni pogreškama ili skupi? Gdje zaposlenici troše vrijeme na ponavljajuće zadatke?
• Kvantificirajte problem: "Korisnička podrška predugo traje" postaje "Prosječno vrijeme odgovora iznosi 4 sata, što dovodi do mjerljivog gubitka kupaca i nižih ocjena zadovoljstva."
• Razmotrite sva rješenja: Ponekad jednostavan alat za automatizaciju, bolji upit nad bazom podataka ili redizajn procesa riješe problem i bez AI-ja.
• Koristite AI samo kada je AI najbolji alat: Prepoznavanje obrazaca u nestrukturiranim podacima, predviđanja na temelju složenih varijabli i razumijevanje prirodnog jezika područja su u kojima AI stvarno prednjači.

Pogreška 2: Podcjenjivanje zahtjeva za podacima

AI pokreću podaci. Svaki AI sustav dobar je onoliko koliko su dobri podaci iz kojih uči. Ipak, tvrtke redovito podcjenjuju što znače "dobri podaci" i koliko je posla potrebno da se do njih dođe.

Kako to izgleda u praksi

Trgovački lanac želi predviđanje potražnje uz pomoć AI-ja. Kreće u izradu modela i tek tada otkriva da povijesni podaci o prodaji imaju rupe, da su šifre proizvoda nedosljedne među sustavima i da sezonski obrasci nikada nisu bilježeni. Tri mjeseca od početka projekta shvate da najprije moraju srediti podatke.

Kako to izbjeći

• Najprije provedite reviziju podataka: Prije bilo kakvog razvoja AI-ja procijenite kojim podacima raspolažete, kakve su kvalitete i što nedostaje. Naš vodič o tome je li vaše poslovanje spremno za AI pokazuje na što treba paziti. To obično traje 1 do 2 tjedna, a poslije ušteđuje mjesece.
• Predvidite vrijeme za pripremu podataka: Čišćenje i priprema podataka obično zauzmu 60-80% vremena projekta. Ako plan obuhvaća samo izradu modela, probit ćete okvire.
• Uvedite upravljanje podacima: Postavite standarde za prikupljanje, pohranu i kvalitetu podataka. To je ulaganje koje se isplati kroz sve buduće AI projekte.
• Počnite prikupljati odmah: Čak i ako danas niste spremni za AI, već sada bilježite podatke koji će vam trebati sutra. Svaki mjesec kvalitetnog prikupljanja poboljšava buduću izvedbu modela.

Pogreška 3: Izrada proof-of-concept rješenja koje se ne može prenijeti u produkciju

Data scientist izradi dojmljivu demonstraciju u Jupyter notebooku. Model postiže 95% točnosti na testnim podacima. Svi su oduševljeni. Onda projekt zastane jer demonstracija iz notebooka ne podnosi stvarne količine podataka, ne povezuje se s postojećim sustavima i ne radi pouzdano 24 sata dnevno.

Kako to izgleda u praksi

Financijska tvrtka četiri mjeseca gradi model za otkrivanje prijevara koji izvrsno radi na povijesnim podacima. No radi na prijenosnom računalu jednog data scientista, obrađuje podatke skupno umjesto u stvarnom vremenu i nema ni nadzor ni sustav upozorenja. Prijenos u produkciju znači gradnju gotovo ispočetka.

Kako to izbjeći

• Planirajte produkciju od početka: Prije pisanja koda odredite kako će model biti postavljen, integriran i nadziran.
• Koristite alate spremne za produkciju: Odaberite framework i infrastrukturu koji podržavaju i eksperimentiranje i rad u produkciji.
• Uključite MLOps u opseg projekta: Posluživanje modela, nadzor, verzioniranje i cjevovodi za ponovno treniranje nisu neobavezni dodaci. To su ključne komponente.
• Uključite inženjere rano: Data scientisti grade dobre modele. Software inženjeri grade pouzdane sustave. Trebate oboje od početka, a ne tek na kraju.

Pogreška 4: Zanemarivanje upravljanja promjenama

AI mijenja način na koji ljudi rade. Novi AI sustav može automatizirati zadatke koje zaposlenici obavljaju godinama, promijeniti način odlučivanja ili uvesti nepoznate workflowe. Bez ozbiljnog upravljanja promjenama i najbolji AI sustav naići će na otpor i slabu prihvaćenost.

Kako to izgleda u praksi

Logistička tvrtka uvodi sustav optimizacije ruta zasnovan na AI-ju. Sustav stvara bolje rute od ručnog postupka i štedi procijenjenih 15% troškova goriva. No vozači ignoriraju preporuke jer tijekom razvoja nitko nije tražio njihovo mišljenje, ne vjeruju AI-ju i radije se drže uhodanih ruta.

Kako to izbjeći

• Uključite krajnje korisnike od prvog dana: Ljudi koji će koristiti AI sustav trebaju sudjelovati u definiranju zahtjeva, testirati prototipove i davati povratne informacije tijekom cijelog razvoja.
• Komunicirajte otvoreno: Objasnite što AI radi, zašto se uvodi i kako će utjecati na uloge. Iskreno se osvrnite na strahove od gubitka radnih mjesta.
• Osigurajte edukaciju: Nije dovoljno uvesti sustav i otići dalje. Uložite u edukaciju koja zaposlenicima pomaže razumjeti novi sustav i učinkovito ga koristiti.
• Počnite s nadopunom, a ne zamjenom: Predstavite AI kao alat koji zaposlenicima pomaže da bolje rade svoj posao, a ne kao zamjenu za njih. Najbolje AI implementacije proširuju ljudske sposobnosti umjesto da ih zamjenjuju.

Pogreška 5: Nedostatak jasnih mjerila uspjeha i okvira za ocjenu

Ako uspjeh ne možete izmjeriti, ne možete ni dokazati vrijednost. Bez jasnih pokazatelja AI projekti se raspliniju: opseg raste, rokovi se rastežu i nitko ne može pouzdano reći je li se ulaganje isplatilo.

Kako to izgleda u praksi

Tvrtka pokreće chatbot za korisničku podršku zasnovan na AI-ju. Nakon šest mjeseci uprava pita: "Funkcionira li ovo?" Nitko ne zna odgovoriti jer nikada nije definirano što "funkcionira" znači. Radi li se o smanjenju broja upita? O većem zadovoljstvu kupaca? O kraćem vremenu odgovora? O uštedi novca? Bez jasnih pokazatelja projekt se ocjenjuje po dojmu, a ne po činjenicama.

Kako to izbjeći

• Definirajte KPI-jeve prije početka razvoja: Koji se konkretni pokazatelji trebaju poboljšati? Za koliko? U kojem razdoblju? Benchmarci iz teksta o tome što očekivati od povrata ulaganja u machine learning korisna su provjera brojki na koje se obvezujete.
• Utvrdite polazne vrijednosti: Izmjerite trenutačnu izvedbu prije uvođenja AI-ja. Bez polazne točke nema načina da dokažete poboljšanje.
• Izradite nadzorne ploče: Uvid u izvedbu AI sustava u stvarnom vremenu drži tim odgovornim i omogućuje brze ispravke smjera.
• Odredite točke provjere: Zakažite redovite evaluacije 30, 90 i 180 dana nakon uvođenja. Izvedbu ocjenjujte podacima, a ne mišljenjima.

Zajednički nazivnik: planiranje i komunikacija

Svih pet pogrešaka ima isti korijen: nedovoljno planiranja i nedovoljno komunikacije. AI projekti ne propadaju zato što tehnologija ne radi, nego zato što poslovni kontekst oko te tehnologije nije kako treba razrađen.

Uspješna AI integracija traži:

• Jasnu definiciju problema usklađenu s poslovnim ciljevima
• Iskrenu procjenu spremnosti podataka
• Razvoj koji od početka misli na produkciju i počiva na stvarnoj AI integraciji, a ne na demonstraciji u notebooku
• Upravljanje promjenama usmjereno na ljude
• Mjerljive kriterije uspjeha od prvog dana

U Sitnik AI ta smo načela ugradili u vlastitu metodologiju. Svaki projekt počinje usklađivanjem s poslovanjem i procjenom podataka, slijedi inženjerske prakse spremne za produkciju, uključuje komunikaciju s dionicima i postavlja jasna mjerila uspjeha. Nije glamurozno, ali upravo to razdvaja 15% AI projekata koji uspiju od 85% onih koji ne uspiju.

Česta pitanja

Koja je od pet pogrešaka najskuplja za kasni popravak?

Izrada proof of concepta koji se ne može skalirati. Pretpostavke o podacima i mjere uspjeha mogu se uz trud ispraviti usred projekta, ali prototip građen oko ručno izrađenog izvoza i pokretanja na prijenosniku obično se mora graditi iznova, i to nakon što je budžet opravdan demonstracijom.

Kako prepoznati da se upravljanje promjenom podcjenjuje?

Nitko izvan projektnog tima nije promijenio način rada, niti je od njega to zatraženo. Ako ljudi čiji radni tok sustav dodiruje nisu ga vidjeli, osporili ni bili pitani o iznimkama, problem prihvaćanja već postoji, samo još nije vidljiv.

Koja je realna mjera uspjeha za prvu AI integraciju?

Jedan broj koji tvrtka već prati, s pragom dogovorenim prije rezultata, mjeren prema polaznoj vrijednosti uzetoj unaprijed. Točnost modela je instrument. Ako je jedina mjera koju itko zna navesti točnost, projekt još nema definiciju uspjeha.

Mogu li se te pogreške izbjeći bez usporavanja projekta?

Uglavnom, jer su popravci na početku jeftini, a poslije skupi. Zapisati odluku, polaznu vrijednost i prag traje danima. Otkriti usred izgradnje da put podataka ne postoji ili da nitko neće koristiti izlaz košta mjesecima.