Uzyskiwanie wartości biznesowej ze sztucznej inteligencji: zrozumienie problemu biznesowego

Odniesienie rozwiązania AI z powrotem do potrzeb biznesowych jest często miejscem, w którym AI upada i nie spełnia swojego celu, jakim jest dodanie wartości do tego biznesu. Biorąc za przykład uczenie maszynowe, w abstrakcji może być możliwe zbudowanie bardzo dobrych modeli, które mogą przewidywać prawdopodobieństwo rezygnacji klientów (porzucenia usługi lub subskrypcji). Problem może jednak polegać na tym, że firma nie ma sposobu na wykorzystanie tych prognoz lub wartość, którą zapewniają, może być dostępna łatwiej, taniej lub skuteczniej z innego źródła. Modele ML (to samo dotyczy innych odmian sztucznej inteligencji, w tym Gen AI) prawdopodobnie nie będą same w sobie stanowić wartości dodanej tylko dlatego, że istnieją. Muszą one raczej być w stanie rozwiązać rzeczywisty problem biznesowy.

Aby temu zaradzić, do wczesnych etapów projektu należy podejść jak do pracy detektywistycznej: istnieje ślad dowodów z dokumentacji i danych, a także wywiadów z różnymi osobami, które razem wskazują na to, jaki może być problem. Mogą istnieć różne punkty widzenia na postrzegany problem, z podobnie zróżnicowanymi poglądami odzwierciedlonymi w pomysłach na to, jakie powinno być rozwiązanie. W tym miejscu my, jako eksperci, powinniśmy pomóc projektowi w poruszaniu się w tej sytuacji w celu znalezienia odpowiedniego rozwiązania.

Ale zanim to zrobimy, musimy założyć nasze detektywistyczne kapelusze i przygotować nasze lupy, aby zrozumieć problem biznesowy. Jak wygląda ten proces? Nigdy nie jest dokładnie taki sam, ale ilustrację tego, jak zazwyczaj może wyglądać, przedstawiono na rysunku 1.

Na powyższym rysunku pierwsze dwa kroki poświęcone są na zbadanie przestrzeni problemu, a mianowicie "Zrozumienie problemu biznesowego" i "Zrozumienie kontekstu".

Jeśli chodzi o "Zrozumienie problemu biznesowego": tutaj celem jest próba zrozumienia problemu tak bardzo, jak to tylko możliwe, i kontynuowanie tego do momentu, aż poczujesz, że rozumiesz go od podszewki.

Prawdopodobnie zaczyna się to na dość wysokim poziomie z interesariuszami biznesowymi wyższego szczebla (tj. najprawdopodobniej tymi, którzy kontrolują budżet i proponują projekt). Następnie należy spodziewać się przejścia do bardziej szczegółowego zrozumienia problemu podczas rozmów z ewentualnymi użytkownikami tego, co ma zostać zbudowane, a także z odpowiednimi wykwalifikowanymi specjalistami. Proces ten powinien pomóc w poznaniu bolączek różnych osób w firmie.

Pogląd ten jest następnie weryfikowany z szerszym gronem interesariuszy i zbierane są pomysły na fantastyczny stan "to-be". Interesującym pytaniem, które można zadać interesariuszom, jest "jakie chcieliby mieć rozwiązanie, gdyby mogli machnąć magiczną różdżką".

Kluczowym aspektem jest tutaj zawsze weryfikacja tego, co zostało powiedziane; świetnym sposobem walidacji jest uczenie się od badaczy etnograficznych i obserwowanie tego, co faktycznie dzieje się w tych kontekstach biznesowych. Po uwzględnieniu różnych perspektyw, pomaga to ominąć wszelkie potencjalne uprzedzenia.

Zrozumienie problemu biznesowego z różnych perspektyw biznesowych to tylko jeden aspekt. Należy również zrozumieć praktyczne ograniczenia związane z danymi i inżynierią, co można zrobić równolegle. Na najprostszym poziomie chodzi o ustalenie, jakie dane są dostępne i zrozumienie istniejących systemów, do których przewidywane rozwiązanie musiałoby pasować.

Podczas zbierania i przyswajania tych informacji, dobrym pomysłem jest również rozpoczęcie mapowania tych wniosków do projektu prototypowego rozwiązania. Niektóre z pytań, które mogą być przydatne do rozważenia na tym etapie, mogą być następujące:

• W jaki sposób można zbudować elementy przy użyciu istniejących lub powszechnie rozumianych (generatywnych) modeli lub podejść AI?
• Jakie przetwarzanie lub logika musiałyby zostać zastosowane do tych wyników algorytmu, aby były użyteczne?
• W jaki sposób można połączyć różne źródła danych lub wyniki modeli, aby ulepszyć rozwiązanie?

W tym momencie, przy lepszym zrozumieniu kontekstu, przydatne może być również zwrócenie się do niektórych interesariuszy biznesowych z praktycznymi pytaniami dotyczącymi sposobu, w jaki wykonują swoje zadania, co pomogłoby w rozwiązaniu, np:

• Jakie założenia przyjmują wykwalifikowani praktycy w swoich rolach wykonując takie zadania?
• Czy istnieją jakieś praktyczne zasady, których wykwalifikowani praktycy używają do wykonywania swojej pracy?

Rozwój rozwiązania będzie bez wątpienia procesem iteracyjnym, z aktualizacjami dodawanymi w miarę pojawiania się nowych informacji. Dobrym pomysłem jest jednak zaprezentowanie czegoś kluczowym interesariuszom na tak wczesnym etapie, jak to tylko możliwe, aby zidentyfikować wszelkie nieporozumienia i zapewnić zebranie informacji zwrotnych - konstruktywnych lub nie. To właśnie w momencie posiadania jakiegoś konkretnego projektu, którym można podzielić się z interesariuszami, można ujawnić niektóre z rzeczywistych i praktycznych informacji zwrotnych (i oczywistych "gotchas").

Wraz z kolejnymi iteracjami i po stworzeniu bardziej dojrzałej wersji rozwiązania, następuje formalny krok kontrolny w celu uzyskania informacji zwrotnej na temat aktualnie proponowanego rozwiązania ("Walidacja wartości rozwiązania"), przy czym kluczowym elementem jest walidacja wartości, jaką oferuje to rozwiązanie.

Sposób pomiaru wartości będzie zależał od przypadku użycia, ale zasadniczo odnosi się to do:

1. czy rozwiązanie skutecznie rozwiązuje dany problem biznesowy?
2. czy wydajność jest akceptowalna?
3. jaki jest koszt w stosunku do istniejącego podejścia?
4. czy można to zrobić łatwiej, taniej lub skuteczniej przy użyciu innych metod?

W oparciu o tę ocenę możemy podjąć decyzję o korzyściach biznesowych wynikających z dalszej iteracji proponowanego rozwiązania ("Pomysł i rozwój rozwiązania") lub o tym, czy wymagana jest dalsza iteracja w celu zrozumienia systemów i danych lub problemu biznesowego ("Zrozumienie problemu biznesowego" i "Zrozumienie kontekstu"). Kroki wspomniane w tej sekcji wiążą się z potrzebą ścisłej współpracy z interesariuszami, ponieważ bez nich dotarcie tak daleko byłoby praktycznie niemożliwe. Jest to coś, co omówimy bardziej szczegółowo w następnym artykule.

Aby móc zacząć czerpać wartość biznesową ze sztucznej inteligencji, musimy najpierw zrozumieć, na czym dokładnie polega problem biznesowy, który próbujemy rozwiązać, a korzystając z tego i informacji o kontekście biznesowym, możemy następnie zaprojektować możliwe rozwiązania. W tym artykule zidentyfikowaliśmy przykłady wymaganych kroków, a także przydatne pytania, które pomogą nam w tej podróży.

W tym artykule zidentyfikowaliśmy przykłady wymaganych kroków, a także przydatne pytania, które pomogą nam w tej podróży.