Развертывание успешной стратегии искусственного интеллекта // Часть 2: Экономическое обоснование
Обычно существующие корпоративные данные предлагают настоящее Эльдорадо возможностей для самых разных вариантов использования машинного обучения или искусственного интеллекта.
Итак, с чего начать?
Худший возможный подход — сначала настроить модель ИИ, а затем искать подходящий вариант использования. Лучше сначала узнать о проблемах и потребностях ваших клиентов. Узнайте как можно больше о трудностях, задачах и проблемах вашей целевой аудитории. Чем серьезнее выявленная проблема для вашего клиента, тем легче вам будет убедить его в своем решении. Однако за пределами башни из слоновой кости профессиональная жизнь часто намного сложнее, и понимание потребностей ваших клиентов доступно лишь частично (или, что еще хуже, невозможно). В этих случаях и с точки зрения бизнеса вам нужен план Б, чтобы вы могли начать определять бизнес-кейсы: увеличить доход или снизить затраты (или и то, и другое). Каждой экономически активной организации приходится ежедневно иметь дело с этими двумя показателями, и поэтому они, безусловно, актуальны для них. Исходя из этой отправной точки, вы можете выделить три области бизнес-кейса для своих усилий:
- Разработка новых бизнес-моделей или продуктов и услуг на основе существующих источников данных (увеличение доходов)
- Расширение и оптимизация существующего каталога продуктов и услуг с помощью функций ИИ (увеличение доходов)
- Оптимизация бизнес-процессов (снижение затрат)
После того, как вы определили подходящее экономическое обоснование, вы можете подумать, в какой степени модели ИИ представляют собой решение. Кроме того, проверьте, действительно ли бизнес-кейс требует поддержки ИИ, или это раскалывание ореха кувалдой. ИИ-проекты и ресурсы стоят дорого, а использование ИИ не всегда является самым целевым. В зависимости от отрасли или размера компании идентификация, оценка и классификация вариантов использования являются совместными усилиями бизнес-подразделений и ИТ-специалистов или специалистов по данным и инженеров по данным. Только очень немногим компаниям посчастливится иметь как технические знания, так и опыт работы с данными в одном и том же человеке или организационном подразделении. Поэтому важно, чтобы все направления добивались здесь хорошего результата на равных. Функциональные области должны быть в состоянии продемонстрировать экономическую добавленную стоимость, в то время как жонглеры данными должны оценить осуществимость и любые риски внедрения.
Ключи на вынос
- Какую дополнительную ценность дает вариант использования для моих клиентов или компании?
- Подходит ли решение ИИ для данного варианта использования?
- Если применимо, какие проекты уже должны быть реализованы в вашей компании и каков их вариант использования?
- Какие критерии используются для определения или оценки новых вариантов использования?
Хотите узнать больше? Вернуться к обзору
