Hlavní navigace

Jak zjistit, kdy je AI tím správným řešením

24. 3. 2022
Doba čtení: 10 minut

Sdílet

 Autor: Fotolia @ willyam
Obchodní hodnota, tréninková data a kulturní připravenost jsou zásadní pro úspěch AI. Bez všech tří jsou tradiční řešení vaší nejlepší volbou.

Míra přijetí AI je na vzestupu. Podle nedávného průzkumu společnosti McKinsey 55 % společností využívá umělou inteligenci alespoň v jedné funkci a 27 % připisuje AI alespoň 5 % zisku před úroky a zdaněním, z velké části ve formě úspor nákladů.

Jelikož umělá inteligence dramaticky promění téměř každé odvětví, kterého se dotkne, není žádným překvapením, že prodejci a podniky hledají příležitosti k nasazení umělé inteligence všude, kde mohou. Ale ne každý projekt může mít z umělé inteligence prospěch a pokusy o nevhodnou aplikaci umělé inteligence mohou nejen stát čas a peníze, ale také ztratit podporu zaměstnanců, zákazníků a vedoucí představitele společnosti na budoucích projektech umělé inteligence.

Klíčovými faktory pro určení, zda je projekt vhodný pro AI, jsou obchodní hodnota, dostupnost tréninkových dat a kulturní připravenost na změnu. Zde je pohled na to, jak zajistit, aby tato kritéria byla v souladu s vaším navrhovaným projektem AI, než se váš vpád do umělé inteligence stane utopenými náklady.

Začněte s nejjednodušším možným řešením

Zejména datoví vědci tíhnou k přístupu AI na prvním místě, říká Zack Fragoso, manažer datové vědy a AI v pizzerii Domino’s, která má více než 18 000 poboček ve více než 90 zemích po celém světě. Ale AI nemůžete aplikovat všude.

Navzdory tomu, že jde o velmi tradiční obor podnikání, je společnost Domino’s otevřená změnám – zejména během pandemie. Zákazníci mají nyní k dispozici 13 digitálních způsobů, jak si pizzu objednat, a společnost v roce 2020 vygenerovala více než 70 % tržeb prostřednictvím digitálních objednávkových kanálů. To otevřelo spoustu příležitostí, jak využít toho, co AI slibuje.

Pište pro CIO Business World

 

Máte dobré nápady, máte co říct? Chcete se podělit o své znalosti se čtenáři CIO BW?

Je tu ideální příležitost. V redakci neustále hledáme externí autory, kteří rozšíří náš záběr. Nabízíme možnost publikací zajímavých článků nejen na webu, ale také v našem tištěném magazínu. Pokud máte zájem, ozvěte se šéfredaktorovi na e-mail: radan.dolejs@iinfo.cz

Klíčem pro Domino's při používání AI, říká Fragoso, je jednoduchý přístup. „Jednoduché řešení nakonec běží rychleji, funguje lépe a můžeme to vysvětlit našim obchodním partnerům,“ říká.

„Vysvětlitelnost je jeho velkou součástí – čím více lidí rozumí nástrojům a metodám, které používáme, tím snazší je získat podporu.“

Samotný přístup je jednoduchý: Pokud existuje obchodní problém, který je třeba vyřešit, Domino's se podívá na nejjednodušší a nejtradičnější řešení a poté: „Pokud půjdeme odtamtud, potřebujeme přidanou hodnotu ve výkonu modelu,“ říká Fragoso.

Například předpovědět, jak dlouho trvá uvařit pizzu a dát ji do krabice, je jednoduché. „To jsme čerpali přímo z našeho provozního výzkumu. Můžete zapojit časy pečení,“ říká. Existují však některé problémy, které lze vyřešit pouze pomocí AI, dodává, například ty, které vyžadují rozpoznávání obrazu nebo zpracování přirozeného jazyka.

Například v loňském roce provozovala společnost Domino’s věrnostní program, který odměňoval zákazníky za konzumaci pizzy – jakékoli pizzy od jakéhokoli výrobce pizzy. „Postavili jsme klasifikátor pizzy pomocí milionů obrázků různých druhů pizzy a vložili jsme jej do aplikace,“ říká Fragoso.

Tento projekt nabízel dva typy obchodní hodnoty. Za prvé to zlepšilo zákaznickou zkušenost, říká. Zadruhé, vytvořil soubor obrázků pizzy, kterou pak společnost použila k určování kvality a teploty pizzy. „Byl to opravdu skvělý celokruhový projekt umělé inteligence,“ říká.

Praktičtější projekt umělé inteligence, ke kterému v Domino’s přistoupili, byl prediktor zaměřený na zlepšení přesnosti jeho sledování pizzy, protože zákazníci chtějí vědět, kdy přesně si mají přijít do obchodu vyzvednout jídlo nebo kdy očekávat, že dorazí jejich dodávka, říká Fragoso. Přidání strojového učení k tradičnímu kódování if-then v Domino's pizza trackeru vedlo ke 100% zvýšení přesnosti, říká.

Při sestavování modelu se Domino's drželo svého nejjednoduššího principu. „První iterací byl jednoduchý regresní model,“ říká. „To nás dostalo blízko. Pak model rozhodovacího stromu, kde bychom se mohli podívat na více aspektů. Pak jsme ve skutečnosti přešli k neuronové síti, protože jsme mohli zachytit některé ze stejných proměnných jako v rozhodovacím stromě, ale neuronová síť poskytuje odpověď rychleji. Chceme, aby naše zákaznická zkušenost na webu byla opravdu rychlá.“

Existuje místo pro strojové učení, říká Sanjay Srivastava, hlavní digitální ředitel společnosti Genpact, zejména když se společnost snaží budovat procesy, které se neustále zlepšují na základě zkušeností. Někdy ale stačí jen jednoduchá korelace, kterou lze získat ze základního statistického modelování.

„Deset let staré postupy kolem náhodných lesů a dalších sad statistických nástrojů vám mohou poskytnout odpověď mnohem rychleji a mnohem levněji, než když kolem toho budete budovat celý tým MLOps,“ říká Srivastava. „Musíte vědět, kdy se vrátit ke stávajícím technikám, které jsou mnohem jednodušší a mnohem účinnější.“

Jednou z běžných oblastí, kde je umělá inteligence často navržena jako řešení, ale obvykle je přehnaná, jsou chatboti, říká: „V některých scénářích to dává smysl. Ale v 90 % scénářů znáte otázky, které budou položeny, protože se můžete podívat na otázky, které byly položeny za poslední tři roky, a na každou otázku znáte odpověď. Ukázalo se, že 90 % chatbotů si vystačí s jednoduchými dvojicemi otázek a odpovědí.“

Historická data: klíč AI k předpovídání budoucích výsledků

Jakákoli konečná množina dat může být přizpůsobena křivce. Můžete například vzít výherní čísla v loterii z předchozích let a přijít s modelem, který by je všechny dokonale předpověděl. Ale model stále nebude o nic lepší v předpovídání budoucích výher, protože základní mechanismus je zcela náhodný.

Pandemie Covidu-19 byla ukázkovým příkladem toho, jak se to děje v reálném životě. Neexistoval způsob, jak předvídat, kde by lockdowny vedly například k odstavení továren. V důsledku toho společnosti podle průzkumu společnosti McKinsey o stavu umělé inteligence zaznamenaly pokles zisků, které viděly v mnoha oblastech.

Chcete dostávat do mailu týdenní přehled článků z CIO Business Worldu? Objednejte si náš mailový servis a žádná důležitá informace vám neuteče. Objednat si lze také newsletter To hlavní, páteční souhrn nejdůležitějších článků ze všech našich serverů. Newslettery si můžete objednat na této stránce.

Například 73 % respondentů v roce 2020 zaznamenalo nárůst tržeb v oblasti strategie a podnikových financí, zatímco loni to bylo pouze 67 %. Rozdíl byl ještě výraznější v řízení dodavatelského řetězce. V roce 2020 zaznamenalo v této oblasti nárůst tržeb 72 %, ale v roce 2021 pouze 54 %.

„Základní charakteristikou umělé inteligence nebo strojového učení je, že k informování využíváte historii,“ říká Donncha Carroll, partner pro růst tržeb ve společnosti Axiom Consulting Partners. „Jste svázáni a spoutáni historií, jste s ní spjati. Umělá inteligence je dobrá za okolností, kdy se historie pravděpodobně bude opakovat – a jste v pohodě s tím, když se historie opakuje.“

Říká například, že někteří z jeho klientů se pokusili použít AI k předpovědi budoucích příjmů. Příjmy však často ovlivňují faktory, které nelze předvídat, které nelze kontrolovat a pro které společnost nemá žádná data. A pokud některé z těchto faktorů mají vnější dopad na výsledky, může to svrhnout celý model.

„Pak nemá smysl volit AI,“ říká. „Chystáte se investovat stovky tisíc dolarů do řešení, které se změnou jedné proměnné může okamžitě stát irelevantním?“

Umělá inteligence zde stále může hrát roli, říká, při pomoci modelování různých scénářů nebo při objevování poznatků, které by jinak nemusely být zřejmé. „Vaše pravděpodobnost úspěchu se zvyšuje, pokud je vaše zaměření užší.“

Umělá inteligence bude také nedostatečná, pokud samotná přítomnost umělé inteligence změní chování systému. Pokud se například AI používá k odfiltrování nenávistných projevů, lidé se rychle naučí, jaké vzorce AI hledá a slova upraví tak, takže filtry projdou.

„Nejlepší mozky na světě se pokoušely vyřešit tyto problémy a nebyly úspěšné,“ říká Carroll.

Partner společnosti Kearney Bharath Thota kdysi spolupracoval s globálním konglomerátem spotřebních produktů a zboží s tržbami více než 30 miliard dolarů. Vedoucí tým finančních ředitelů chtěl mít lepší přehled o finančních metrikách konglomerátu, aby mohli vidět, zda jejich růst stoupá nebo klesá. Stávající proces spočíval v tom, že dostávali zprávy ve formátu PDF 30 dní po uzavření vykazovaného období.

Tým datové vědy využil AI k předpovědi, jak budou tato čísla vypadat. „Měli dobrý úmysl,“ říká Thota. „Chtěli poskytnout vedení futuristický pohled.“

Chyba, kterou udělali, byla ve finančních datech, která vkládali do algoritmu. Finanční analytici, kteří vkládali tato data do systému, museli vytvořit mnoho předpokladů, a tak soubor dat skončil tím, že obsahoval spoustu individuálních zkreslení.

„Vedení bylo nadšené,“ říká Thota. "Měli něco, co směřovalo dopředu, ne dozadu. Ale když čtvrtletí skončilo a oni se podívali zpět na ty předpovědi, byly úplně mimo.“

Celý projekt trval měsíce, říká Thota. „Museli přijít na to, jak tuto věc postavit, vytvořit architekturu, zkoumat platformy umělé inteligence, dát vše dohromady.“

Když takový projekt selže, lidé ztratí zájem a důvěru v AI, říká. Pro tuto konkrétní společnost bylo řešením jednoduše postavit vedoucímu týmu CFO finanční dashboard, který jim poskytl metriky, které potřebovali, když je potřebovali.

Nakonec, říká Thota, byla použita také určitá umělá inteligence, ve formě generování přirozeného jazyka a k automatickému poskytování klíčových vhledů do dat vedoucím pracovníkům v jednoduché angličtině.

„Byl to problém s viditelností,“ říká. „A existovalo jednoduché řešení, jak tuto viditelnost zajistit.“

Výzva jménem data

Většina projektů AI vyžaduje data. Dobrá data, relevantní data, data, která jsou správně označena a bez zkreslení, která by překroutila výsledky.

Například společnost, která chce držet kočky mimo kurník, by se mohla rozhodnout nainstalovat kameru a technologii rozpoznávání obrazu, aby odhalila přicházející kočky. Úspěch však závisí na adekvátní tréninkové sadě.

„Budete muset mít spoustu obrázků a ty obrázky budou muset mít štítky, zda na nich jsou kočky, nebo ne,“ říká analytik společnosti Gartner Whit Andrews a dodává, že shromažďování těchto dat je časově náročné a nákladné. A jakmile bude vše shromážděno, bude společnost schopna znovu použít stejný soubor dat pro jiné projekty?

Ale co když se ukáže, že podnik skutečně potřebuje vědět, kolik koček přichází do kurníku? Pak bude potřeba původní datový soubor obrázků znovu označit počtem koček na každém obrázku.

„Možná, že jedna kočka není tak drahá, ale tlupa koček je problém,“ říká Andrews.

Navíc, pokud pouze malé procento obrázků obsahuje více koček, pak bude získání přesného modelu podstatně obtížnější.

Tato situace nastává často v marketingových aplikacích, kdy se společnosti snaží segmentovat trh do té míry, že soubory dat jsou nekonečně malé.

„Téměř každá společnost, o které vím, používá segmentaci pro cílení na zákazníky,“ říká Anand Rao, partner a globální lídr v oblasti umělé inteligence ve společnosti PwC.

Pokud shromažďují data s očekáváním, že budou použita pro jeden účel, a nakonec je použijí pro jiný, soubory dat nemusejí splňovat nové požadavky.

Umělá inteligence
Autor: Depositphotos

Umělá inteligence

Pokud je například shromažďování dat nastaveno tak, že existuje rovnováha datových bodů z každého regionu Spojených států, ale obchodní otázka se nakonec týká potřeb velmi úzkého demografického segmentu, budou všechny závěry k ničemu. Řekněme například, pokud se společnost zajímá o nákupní zvyklosti Američanek asijského původu v určitém věkovém rozmezí a ve vzorku jich je jen pár.

„Ujasněte si, jaké rozhodnutí chcete se segmentací učinit,“ říká Rao. „Snažte se ujistit, že vzorkování, které děláte, je reprezentativní, ale také zachycuje vaše otázky.“

Problém se vzorky se vyskytuje v jakémkoli systému, který se pokouší předvídat vzácné události. Pokud například společnost hledá příklady podvodného chování, v souboru údajů o milionu transakcí je několik známých podvodných transakcí – a stejný nebo větší počet podvodných transakcí, které byly opomenuty.

„To není pro vyvozování příliš užitečné,“ říká Rao a dodává, že se to často stává při automatizaci obchodních procesů, kdy má společnost mnoho lidí, kteří každý den dělají konkrétní úkoly, ale nezachycuje data o tom, jak jsou tyto úkoly prováděny, nebo nezachycuje ta správná data nezbytná k výcviku AI v tom, jak to udělat.

„V takových případech byste měli jít a vybudovat systém, který tyto informace zachytí,“ říká. „Pak se o několik měsíců později vraťte a postavte model.“

A pro projekty, které nepotřebují data, není AI tou správnou cestou. Například některé obchodní procesy, jako jsou pojištění a podepisování, jsou založeny na pravidlech, říká Rao. „Můžete vytvořit systém založený na pravidlech tak, že budete dělat pohovory s odborníky a spojíte tradiční vzorce. Ale pokud to dokážete pomocí pravidel a skriptů, nepotřebujete AI. Bylo by to přehnané.“

Použití AI pro takový projekt může vyžadovat více času a přesnost nemusí být o nic lepší, nebo jen o něco lepší – nebo možná lepší výkon nebudete potřebovat.

„Nebudete mít návratnost investic, protože trávíte čas problémem, který jste již mohli vyřešit,“ říká.

AI chyba za 300 milionů dolarů

V listopadu realitní společnost Zillow oznámila, že odepisuje domy v hodnotě 304 milionů dolarů, které koupila na základě doporučení své služby Zillow Offers využívající umělou inteligenci.

Společnost také možná bude muset v příštím čtvrtletí odepsat dalších 240 až 265 milionů dolarů – kromě toho, že propustí čtvrtinu své pracovní síly.

„Během našeho krátkého působení v Zillow Offers jsme zažili řadu mimořádných událostí: globální pandemii, dočasné zmrazení trhu s bydlením a poté nerovnováhu mezi nabídkou a poptávkou, která vedla k růstu cen domů rychlostí, která neměla precedent,“ řekl generální ředitel Zillow Rich Barton v konferenčním hovoru s investory. „Nebyli jsme schopni přesně předpovědět budoucí ceny domů. … Mohli bychom tuto nadměrnou volatilitu vinit z exogenních událostí, ‚černých labutí‘, vyladit naše modely na základě toho, co jsme se naučili, a pokračovat. Ale na základě našich dosavadních zkušeností by bylo naivní předpokládat, že nepředvídatelné předpovědi cen a narušení nenastanou i v budoucnu.“

Umělá inteligence se učí z minulosti, říká Tim Fountaine, senior partner ve společnosti McKinsey. „Pokud se něco nestalo v minulosti, pak je nemožné, aby to algoritmus předpověděl.“

A AI nemají zdravý rozum, dodává. „Algoritmus umělé inteligence navržený tak, aby předpovídal výkon továrny, která nikdy předtím nezažila požár, nepředpovídá, že by výkon poklesl, pokud dojde k požáru.“

Předpovídání cen nemovitostí je zajímavé využití AI, říká. „Ale můžete vidět, že se všichni stávají trochu vystrašenými z tohoto typu aplikace.“