Şirketinizde Yapay Zekayı Uygulamak: Adım Adım Bir Çerçeve

Artık üç farklı şirkette yapay zeka yaygınlaştırması yürüttüm ve başarısızlık kalıbı her zaman aynı: liderlik bir demoya hayran kalır, bir "dönüşüm" girişimine para döker ve altı ay sonra gerçekte üretime hiçbir şey geçmemiş olur. Sorun hiçbir zaman teknoloji olmadı. Sorun, yapılandırılmış bir uygulama sürecinin yokluğuydu.

Bu makale, artık her seferinde kullandığım çerçevedir; kimsenin artık okumadığı bir Slack kanalında sessizce ölen pahalı pilotları izledikten sonra inceltilmiştir.

Adım 1: Bir Modelle Değil, Bir İş Problemiyle Başlayın

Kurucuların ve yöneticilerin yaptığını gördüğüm en büyük tek hata, teknolojiyle başlamaktır. "Yapay zeka kullanmalıyız" bir proje değildir, bir ruh halidir. Yönettiğim her başarılı uygulama, bunun yerine belirli, ölçülebilir bir iş problemiyle başladı: destek taleplerinin çözülmesinin çok uzun sürmesi, satış temsilcilerinin manuel veri girişine saatler harcaması, finansın defterleri üç gün gecikmeyle kapatması.

Problemi bir sayıya bağlı tek bir cümleyle yazın. "Ortalama destek çözüm süresini 14 saatten 4 saatin altına indirmek" bir projedir. "Müşteri hizmetini yapay zeka ile iyileştirmek" değildir. Problemi bir metrikle ifade edemiyorsanız, henüz hiçbir şeyi uygulamaya hazır değilsiniz.

Adım 2: Araçlarınızı Denetlemeden Önce Verinizi Denetleyin

Her tedarikçi size etkileyici bir demo gösterecektir. Bu demoların hiçbiri sizin dağınık, tutarsız, kısmen tekrarlanmış iç verinizde çalışmaz. Herhangi bir yapay zeka aracını değerlendirmeden önce bir veri denetimi yapıyorum: ilgili bilgi nerede yaşıyor, ne kadar temiz, kime ait ve çevresinde hangi izinler var.

Şirketlerimden birinde, bir kişiselleştirme motoru için kullanmak istediğimiz müşteri verisinin dört farklı sistemde, "aktif müşteri" için üç farklı tanımla dağılmış olduğunu keşfettik. Tek bir satır entegrasyon kodu yazmadan önce bunu uzlaştırmak için altı hafta harcadık. O altı hafta, bizi güvenle yanlış cevaplar üretecek bir temel üzerine sistem kurmaktan kurtardı.

Adım 3: Uygulanabilir En Küçük Pilotu Seçin

Bütün bir departmanı bir kerede dönüştürme dürtüsüne karşı durun. Bir iş akışı, bir ekip ve bir net başarı metriği seçin. Dört ila altı hafta içinde değerlendirilebilecek pilotları severim, çünkü daha uzun süren her şey organizasyonel ilgiyi ve bütçe sabrını kaybeder.

İyi bir pilotun bir kontrol grubu veya net bir "önceki" temel çizgisi, sonuçtan sorumlu tek bir sahibi ve açık bir durdurma kriteri vardır. Pilot hedefine ulaşmazsa, önceden ayarlayıp ayarlamayacağınızı, uzatıp uzatmayacağınızı veya iptal edip etmeyeceğinizi bilmeniz gerekir. Bunu sonradan kararlaştırmak her zaman veriye dayalı bir karar olmaktan çıkıp politik bir pazarlığa dönüşür.

Adım 4: İnsan İş Akışını Yapay Zekanın Etrafında Kurun, Tersini Değil

Teknik entegrasyon artık nadiren zor kısım oluyor. Zor kısım, yapay zeka çıktısı ortaya çıktığında insanların gerçekte nasıl çalıştığını yeniden tasarlamaktır. Bir model dolandırıcılık işlemlerini işaretlerse, işaretleri kim, hangi takvimde inceler ve model hata yaptığında ne olur? Bu iş akışını açıkça tasarlamazsanız, ekibiniz bunu kendi başına gayriresmi olarak tasarlayacaktır, genellikle yapay zeka çıktısını uygunsuz olduğunda sessizce göz ardı ederek.

Şimdi her pilotun lansmandan önce tek sayfalık bir "döngüde insan" diyagramı içermesini şart koşuyorum: çıktıyı kim görüyor, hangi kararı veriyorlar ve sonraki inceleme için ne kaydediliyor. Bu tek belge, ek model ayarlamasından daha çok başarısız yaygınlaştırmayı önlüyor.

Adım 5: Durmadan Ölçün ve İş Terimleriyle Raporlayın

Teknik ekipler model doğruluğunu raporlamayı sever. Yöneticiler kazanılan saatleri, korunan geliri veya düşürülen maliyeti önemser. Bir yönetim kurulu sunumuna ulaşmadan önce her metriği bir dolar veya zaman rakamına çevirin. "%92 kesinlik" bir CFO için hiçbir şey ifade etmez. "Şimdi önceden gözden kaçırdığımız ayda 40.000 dolar değerinde dolandırıcılık kaybını yakalıyoruz" bir sonraki aşama için bütçe onayını alır.

Panoları pilotun başarılı olduğunu kanıtladıktan sonra değil, ilk gününden kurun. Ekiplerin, yapay zeka aracı devreye girmeden önce kimsenin yakalamayı düşünmediği için temel metrikleri sonradan yeniden inşa etmek için çabaladığını gördüm, bu da pilotun tamamını dürüstçe değerlendirmeyi imkansız kılıyor.

Adım 6: Sadece Gerçeklikle Karşılaşıp Hayatta Kalanı Ölçeklendirin

Bir pilot kendini kanıtladığında, her yerde bir kerede ölçeklendirme dürtüsüne karşı durun. En yakın komşu ekibe veya iş akışına ölçeklendirin ve yeniden ölçün. Pilotun başarılı olmasını sağlayan koşullar — özellikle ilgili bir ekip lideri, alışılmadık derecede temiz veri, hoşgörülü bir kullanım durumu — her zaman aktarılmaz. Bir bölgesel ofiste son derece başarılı olan bir pilotun, şirket çapında yaygınlaştırıldığında tamamen başarısız olduğunu gördüm, çünkü orijinal ekip liderinin manuel kalite kontrolleri gerçek işin yarısını sessizce yapıyordu.

Asıl Ders

Yapay zeka uygulaması bir teknoloji projesi değildir. Tesadüfen bir model içeren bir değişim yönetimi projesidir. Yapay zeka ile başarılı olduğunu gördüğüm her şirket, bunu ilk günden böyle ele aldı: net problem tanımı, dürüst veri denetimi, küçük pilot, açık insan iş akışı, acımasız ölçüm ve dikkatli ölçeklendirme. Başarısız olan her şirket, aracı satın alıp açmaktan daha yavaş geldiği için bu adımlardan en az birini atladı.

Zentria Flow'un ilk maliyet tahmini modellerini kurarken kullandığım çerçeve tam olarak bu: bir ticaret rotasıyla başla, doğruluğu dürüstçe ölç, pilot kendini kanıtladıktan sonra genişlet.