Iwwerwannen Hürden am End-To-End AI Project Design

No enger rezenter Etude vun 451 Research, Deel vun S&P Global Market Intelligence, "méi wéi 90% vun Organisatiounen, déi AI adoptéiert hunn, hunn d'Entwécklung op hiren éischten AI Projet an de leschte fënnef Joer ugefaang." Och wann néierens, sinn AI-aktivéiert Léisunge ronderëm eis eropgaang. Wéi och ëmmer, vill vun dësen Initiativen entspriechen nach ëmmer net d'Erwaardungen - wa se iwwerhaapt op d'Deployment kommen.

Fir Erfolleg ze hunn, sollten d'Leader AI Projeten auswielen a verwalten mat enger Duerchduechte Strategie gedriwwen duerch kloer Erwaardungen, Ausriichtung zu Geschäftsziler, an Iteratioun. Loosst eis déi gemeinsam Hürden kucken, déi Organisatiounen konfrontéieren wann se erfollegräich end-to-end AI Projeten designen, a wéi se se iwwerwannen.

Gestioun vun Erwaardungen fir AI-aktivéiert Léisungen

Vill vun den haitegen versoen AI Projeten haut erënneren un Enterprise Software Projeten an den XNUMXer Joeren, wou Entwécklungsprojeten aus de Schinne gaange sinn wéi Teams héich Hoffnungen hunn datt nei Technologien hir Probleemer fixéieren. Souwuel deemools wéi och elo, e grousse Fall ass d'Erwaardunge vun deem wat Är Léisung tatsächlech léise kann.

Et ass geféierlech fir unzehuelen datt wann Dir genuch Daten sammelt, alles op eemol transparent ass; datt Dir Clientsverhalen viraussoe kënnt oder perfekt Empfehlungen maache fir hir Bedierfnesser virzegoen. Leider ass d'Welt vill manner prévisibel wéi d'Leit et wëllen. Wärend hëllefräich Mustere entstinn, sinn net all Eventer kausal oder souguer korreléiert - vill Saache passéieren déi just Kaméidi generéieren.

Zur selwechter Zäit gesinn vill Organisatiounen hir Kollegen AI-Léisungen implementéieren a fille den Drock fir matzemaachen. Investéieren an AI just fir "mat de Joneses ze halen" kann zréckkommen wann Dir net versteet wat Är Kollegen Erfolleger dréit an ob et fir Är eegen Organisatioun funktionnéiert oder net. Oft hunn Firmen mat engem Been an hiren AI Projeten daten Strategien a Betrib Prozesser op der Plaz, déi et hinnen erlaben déi richteg Aarte vun Daten fir AI ze sammelen an ze profitéieren.

Schlussendlech fänkt d'Gestioun vun Erwaardungen fir AI Projeten un mat der Fäegkeet ze artikuléieren wéi eng vun Äre Probleemer wierklech mat AI geléist kënne ginn.

Wielt déi richteg Aarte vun AI Projete fir Är Probleemer

Ass Är AI Strategie mat Äre Geschäftsziler ausgeriicht? Projet Auswiel ass méiglecherweis déi eenzeg gréissten Erausfuerderung déi Organisatiounen mat hiren AI Initiativen stellen. Et ass wichteg d'Fro wierklech ze verstoen, déi Dir probéiert ze beäntweren, wéi (a wann) dës Fro äntweren verbessert Geschäftsresultater liwwert, an ob d'Ressourcen déi Dir hutt et erfollegräich an effizient beäntweren oder net.

Loosst eis soen datt Dir e prévisive Modell benotze wëllt fir ze bestëmmen wéini a wéi eng Remise fir e Client ze bidden. Bréngt d'Datenwëssenschaftsteam an! Awer dëst ass tatsächlech ganz Erausfuerderung fir als prévisive Modellproblem unzegoen. Als éischt ass et schwéier ze wëssen ob Äre Client de Produit ouni Remise géif kafen oder net. A sammelen déi néideg Donnéeën mat genuch statistescher Rigoritéit fir en nëtzlechen Modell ze produzéieren, géif méiglecherweis e puer Prozesser involvéieren, déi onnatierlech fir d'Geschäft fillen - wéi randomiséieren wéi eng Clientë Remise kréien oder wéi eng Verkeefer Vertrieder Remise kënne ginn. Dat füügt vill Komplexitéit zu der Situatioun.

E bessere Wee fir dëse Problem mat AI unzegoen ass vläicht Simulatiounsmodeller vum Clientverhalen ze entdecken, deen Dir ënner verschiddene Discountregimer erwaart. Anstatt de System ze torturéieren fir zu enger präzis Prognose ze kommen, Simulatioun an Szenario Planung kënnen d'Leit hëllefen ze entdecken wéi eng Variabelen sensibel sinn openee wa se Geschäftsentscheedungen huelen. Frot Iech selwer: wéi eng Äntwert vum Client brauche mir fir datt dës Remise Sënn mécht? Dës Zort Übung fir potenziell Resultater z'erklären ass vill méi effektiv a sécher vill méi einfach wéi e komplexen Datewëssenschaftsexperiment opzebauen.

Setzt Är Teams op Erfolleg

Verstoen fir wat Är Donnéeë gesammelt a curéiert goufen, wéi se an der Vergaangenheet benotzt goufen a wéi se an Zukunft benotzt gi sinn ass kritesch fir all Zort vun AI Aktivitéit op den Donnéeën ze maachen. Et ass wichteg e Modell op Daten ze trainéieren déi komplett sinn an dat duerstellt wat an der realer Welt verfügbar ass am Moment wou Dir d'Interventioun maacht. Zum Beispill, wann Dir e puer Etappen an Ärer Deal Pipeline hutt an Dir wëllt d'Wahrscheinlechkeet virauszesoen datt en Deal während der fënnefter Stuf ofschléisst, kënnt Dir dann de Modell op Deals an de Phasen dräi oder véier net lafen an nëtzlech Resultater erwaarden.

Datewëssenschaftler hunn dacks e Lück am Verständnis vun den Nuancen vun deem wat Daten duerstellen a wéi se generéiert ginn. Wéi eng mënschlech an technologesch Prozesser spillen eng Roll bei der Schafung vun den Donnéeën, a wat bedeiten d'Donnéeë genee am Kontext vun Ärem Geschäft? Dëst ass wou Analysten a Geschäftsbenotzer, déi no bei den Donnéeën sinn - an d'Problemer déi Dir probéiert domat ze léisen - onheemlech wäertvoll sinn. Mir gären denkt un AI als Teamsport well Erfolleg erfuerdert Geschäftskontext zousätzlech zu enger Baseline vun Daten a Model Alphabetiséierung.

Schlussendlech sinn et mënschlech zentréiert Aspekter vum Projet Erfolleg, déi Organisatiounen iwwersinn kënnen wa se zevill op d'Donnéeën oder d'Technologie fokusséiert sinn. Dacks kann AI eng Prognose maachen, awer et ass un engem fir ze entscheeden wéi et an eng recommandéiert Handlung ëmgewandelt gëtt. Ass de Virschlag nëtzlech fir eng kloer Handlung ze liwweren, an eng déi d'Leit gewëllt sinn ze verfollegen? Schafft Dir en Ëmfeld wou dës Virschléi effektiv opgeholl ginn?

Eppes virauszesoen ass nëmmen heiansdo nëtzlech. Sidd Dir gewëllt Präisser, Volumen vum Produkt oder Personal unzepassen, oder souguer Är Produktlinn z'änneren? Wéi en Niveau vun der Verännerungsmanagement ass gebraucht fir datt d'Leit déi nei Léisung ëmfaassen an hir etabléiert Verhalen a Prozesser entwéckelen? Vertrauen kënnt aus engem Muster vu konsequent Verhalen an e Wëllen fir d'Geschäft weider ze educéieren; Wann Dir radikal beaflosst wéi d'Leit hir Aarbecht maachen, da musse se mat derbäi sinn.

Kleng ufänken an iteréieren

Loosst eis e puer Orientéierung zoumaachen baséiert op deem wat mir gesinn hunn wärend mir mat Clienten schaffen.

Oft ass dee beschten éischten AI-Projet deen deen am einfachsten ass ze operationaliséieren an an d'Produktioun mat der mannst komplexer Changementmanagement ze kommen. Probéiert eppes ze bauen dat Wäert esou séier wéi méiglech liwwert, och wann dat eng ganz kleng inkrementell Verbesserung ass. An haalt Är Clienten, Geschäftsbenotzer an Akteuren sou no wéi méiglech un dem Entwécklungsprozess. Zil fir en Ëmfeld vu gudde Feedback ze kreéieren - souwuel am Sënn fir méi Daten ze sammelen fir de Modell iterativ ze verbesseren, an Input vun de Akteuren fir de Projet a seng Resultater ze verbesseren.

Mat AI ginn et ëmmer Rand Fäll wou d'Léisung e Verpasst ass. Awer et ass besser Léisungen ze fannen, déi fir d'Majoritéit vun Äre Clienten oder Mataarbechter funktionnéieren, amplaz e wierklech flaache Beweis vu Konzept z'entwéckelen, deen nëmme fir e puer speziell Benotzungsfäll funktionnéiert. Um Enn vum Dag soll AI Reibung reduzéieren an et méi einfach maachen fir d'Leit hir Aarbecht ze maachen an informéiert Entscheedungen ze treffen.

Fir méi iwwer Tableau AI Analyse ze léieren, besicht tableau.com/ai.