L'éducatrice en IA Kavita Ganesan sur la découverte d'opportunités d'IA dans votre entreprise

Devenir prêt pour l'IA peut être intimidant au début. L'invité d'aujourd'hui partage un cadre reproductible qui vous aide à saisir les bonnes opportunités, à mesurer leur succès et à préparer le terrain pour une transition en douceur.

Au cours de l'année écoulée, les progrès rapides de l'IA générative, y compris le lancement révolutionnaire de ChatGPT, ont placé l'IA au premier plan de l'attention de tous. Cependant, naviguer dans le paysage de l'IA peut être intimidant pour les chefs d'entreprise qui ne savent pas par où commencer. La transition peut sembler écrasante - du choix des bons problèmes à résoudre par l'IA à la construction d'une infrastructure de données robuste et à la préparation des équipes au changement. C'est là qu'intervient Kavita Ganesan.

Kavita est conseillère en intelligence artificielle, éducatrice et fondatrice de la société de conseil Opinosis Analytics. Avec un doctorat. en traitement du langage naturel (TAL), technologies de recherche et apprentissage automatique et plus de 15 ans d'expérience, Kavita travaille avec des organisations pour les aider à démystifier l'IA et à la mettre en œuvre dans leurs stratégies commerciales. Au printemps de l'année dernière – curieusement, quelques mois avant que tout le buzz ne commence – elle a publié The Business Case for AI , un guide pratique destiné aux chefs d'entreprise pour lancer des initiatives d'IA qui génèrent des résultats.

Dans ce document, Kavita décrit un cadre pour identifier les opportunités d'IA à fort impact, soulignant l'importance d'évaluer et de cadrer efficacement les problèmes afin de prioriser la mise en œuvre de solutions d'IA alignées sur vos objectifs commerciaux, ainsi que de mesurer l'impact et le succès de chaque initiative d'IA. .

Dans l'épisode d'aujourd'hui, nous avons rencontré Kavita pour parler des stratégies permettant aux chefs d'entreprise de saisir le potentiel de transformation de l'IA.

Voici quelques-uns des principaux plats à emporter :

• Commencez à intégrer l'IA dans votre entreprise en optimisant les processus manuels répétitifs et en corrigeant les inefficacités identifiées par les commentaires des clients ou d'autres unités commerciales.
• Pour identifier les opportunités à fort impact, évaluez où il est logique de déployer l'IA et voyez si elles se traduisent par des gains commerciaux tangibles.
• Avant la mise en œuvre, vous devrez encadrer ces opportunités pour mieux articuler les avantages, les points faibles auxquels vous vous adressez et les paramètres qui vous permettront de les mesurer.
• La prochaine étape consiste à faire appel à des experts pour s'assurer que c'est faisable. Ce n'est qu'alors que vous pourrez classer toutes ces initiatives et hiérarchiser les plus bénéfiques.
• Le succès des initiatives d'IA repose sur trois piliers : la performance du modèle, l'impact sur l'entreprise et la satisfaction des utilisateurs.

Si vous aimez notre discussion, consultez d'autres épisodes de notre podcast. Vous pouvez suivre sur Apple Podcasts, Spotify, YouTube ou récupérer le flux RSS dans le lecteur de votre choix. Ce qui suit est une transcription légèrement modifiée de l'épisode.

Le bogue de l'IA

Liam Geraghty : Bonjour et bienvenue sur Inside Intercom ; Je suis Liam Geraghty. Dans l'émission d'aujourd'hui, je suis accompagné de Kavita Ganesan, l'auteur de The Business Case for AI: A Leader's Guide to AI Strategies, Best Practices & Real-World Applications . Et c'est exactement ce dont nous allons parler aujourd'hui. Kavita, vous êtes le bienvenu dans l'émission.

Kavita Ganesan : Liam, merci de m'avoir invité. Je suis vraiment content d'être ici.

Liam : Je sais que vous avez livré plus de deux douzaines d'initiatives d'IA réussies pour un large éventail d'organisations, des entreprises de taille moyenne aux Fortune 500. Comment vous êtes-vous impliqué dans l'espace de l'IA en premier lieu ?

"Je suis devenu ingénieur logiciel, mais j'ai senti qu'il manquait quelque chose - tout le développement d'algorithmes et la résolution de problèmes"

Kavita : Mon histoire avec l'IA remonte à 2005, lorsque l'IA n'était pas vraiment populaire, ni même sexy ou nécessaire dans l'industrie. J'ai été intrigué par les aspects de résolution de problèmes de l'IA - même si les techniques peuvent être les mêmes, lorsqu'elles sont appliquées à un problème différent, la façon dont vous le résoudriez pose des défis différents. Cela m'attirait parce que je pense, par nature, que je suis un résolveur de problèmes. J'ai donc approfondi de plus en plus l'IA dans mon programme de maîtrise. C'est là que j'ai été exposé à tout l'espace de l'IA.

Je suis devenu ingénieur logiciel, mais j'ai senti qu'il manquait quelque chose – tout le développement d'algorithmes et la résolution de problèmes. C'est à ce moment-là que j'ai décidé que je devais obtenir un doctorat. en IA parce que je voulais me spécialiser là-dedans. Et alors que j'étais sur le point d'obtenir mon diplôme, en 2013, la science des données a commencé à décoller en tant que domaine. C'est à ce moment-là que j'ai décidé qu'au lieu d'aller dans des institutions universitaires ou des laboratoires de recherche, j'irais simplement résoudre les problèmes de l'industrie. Je pense que je suis une personne très pratique et appliquée, donc je voulais voir ces algorithmes être utilisés à bon escient. C'est là que les choses ont vraiment commencé. J'ai livré tous ces projets et travaillé sur différents problèmes allant de la santé à d'autres domaines, comme le code.

"L'IA générative a en quelque sorte mis l'IA sur la carte pour eux"

Liam : On doit avoir l'impression que le reste du monde vient de rattraper tout ce truc d'IA au cours des deux derniers mois.

Kavita : Oui, pour de nombreuses entreprises, l'IA est une chose très nouvelle, en particulier pour les petites entreprises qui n'y ont pas pensé parce qu'elles estimaient que ce n'était pas pertinent pour elles. Les opérations de taille moyenne ont pensé à l'IA pendant un certain temps, mais ne savaient pas par où commencer, et l'IA générative a en quelque sorte mis l'IA sur la carte pour elles.

Où commencer?

Liam : Plongeons-nous dans votre livre, The Business Case for AI . Dès le départ, vous reconnaissez les inquiétudes et les préoccupations des dirigeants concernant l'IA. Nous venons de publier notre rapport sur l'état de l'IA dans le service client 2023, dans lequel nous avons interrogé 1 000 professionnels de l'assistance et constaté que 69 % des dirigeants prévoient d'investir davantage dans l'IA au cours de l'année à venir. Mais jusqu'à présent, seuls 38% des dirigeants l'ont déjà fait. Cela doit être une énorme opportunité pour les premiers utilisateurs d'acquérir un véritable avantage concurrentiel avec tous les avantages que l'IA apporte, n'est-ce pas ?

Kavita : Oui, c'est tout à fait vrai. Lorsqu'il est appliqué aux bons problèmes, vous constaterez très tôt des avantages significatifs. Je pense que le défi auquel les entreprises sont actuellement confrontées est de trouver les bons problèmes au sein de l'entreprise et d'appliquer l'IA d'une manière qui va leur donner de la valeur - pas six ou sept mois plus tard, mais trois mois.

"Il s'agit de comprendre l'espace de ce qui constitue l'IA, où vous pouvez appliquer l'IA, à quel type de problèmes vous pouvez l'appliquer et où l'IA générative ajoute de la valeur"

Liam : Que diriez-vous aux gens sur la façon de cadrer leur réflexion sur l'IA afin qu'ils n'imaginent pas des robots conquérir le monde, mais qu'ils pensent à l'IA, comme vous le dites, comme un outil pratique pour les entreprises ?

Kavita : Je pense que la première étape consiste à comprendre ce qu'est cette bête. Aujourd'hui, les gens pensent que l'IA est une IA générative, mais l'IA générative n'est qu'une pièce du puzzle de l'IA. Il y a beaucoup plus dans l'IA. Il y a l'apprentissage automatique traditionnel, la PNL, la vision par ordinateur. Il s'agit de comprendre l'espace de ce qui constitue l'IA, où vous pouvez appliquer l'IA, à quel type de problèmes vous pouvez l'appliquer et où l'IA générative ajoute de la valeur. S'adresser à cet éléphant dans la pièce aidera à définir le contexte ou à susciter des idées sur les endroits où vous pouvez appliquer l'IA dans votre entreprise. Je dirais que l'éducation est la première étape, oui.

Liam : Si nous disons que nous avons surmonté cette difficulté et que nous sommes à bord du train de l'IA, pour ainsi dire, comment déterminez-vous à quoi l'IA pourrait être utilisée dans votre entreprise pour améliorer les processus métier existants ? Pourriez-vous partager quelques exemples ?

"Rechercher des processus existants qui sont inefficaces est un bon point de départ"

Kavita : Bien sûr. De nombreuses entreprises trouvent de la valeur en commençant par des problèmes répétitifs qui sont résolus manuellement. Dans le service client, l'acheminement d'un ticket d'assistance est une tâche répétitive, et il faut beaucoup de temps à un agent pour lire le ticket, déterminer à quelle équipe transmettre le ticket et envoyer ces données préliminaires à l'équipe afin qu'elle puisse trier le problème. . Trouver ces processus manuels qui sont répétitifs et nécessitent une réflexion au niveau humain - c'est un point clé - est l'endroit où les solutions d'IA peuvent vraiment avoir un impact à court terme, car ces problèmes sont bien compris et ont probablement des mesures que vous pouvez utiliser comme moyen de mesurer ses performances par rapport à l'approche manuelle. La recherche de processus existants qui sont inefficaces est un bon point de départ.

Liam : Vous pouvez toujours dresser cette liste, mais vous pouvez également parler à votre équipe et voir quel type de bloqueurs ils ont qui peuvent améliorer leur quotidien.

Kavita : Oui, il suffit de parler à différentes unités commerciales, de comprendre leurs défis et de comprendre les commentaires des clients qu'ils reçoivent. Vous détecterez les inefficacités et les défis même en analysant les commentaires des clients. Ce sont des domaines où l'IA peut peut-être aider. Supposons que les clients rencontrent des difficultés pour obtenir l'aide dont ils ont besoin car votre solution d'assistance n'est pas efficace. Cela vous donnera une idée de "Hé, peut-être devrions-nous avoir une meilleure fonctionnalité de recherche qui résout les problèmes du client afin qu'il n'ait pas à passer par notre système de billetterie."

Repérer la bonne opportunité commerciale

Liam : Quels conseils donneriez-vous aux personnes souhaitant se préparer à l'IA, devenir une entreprise prête pour l'IA et mettre ces connaissances en pratique ?

"Le cadrage de chaque opportunité fera ressortir celles qui sont les plus bénéfiques et celles qui offrent un avantage marginal que vous pouvez mettre de côté pour l'instant"

Kavita : Se préparer pour l'IA comporte deux parties. L'une consiste à comprendre où se trouvent vos opportunités au sein de votre entreprise. Si vous êtes une entreprise de taille moyenne, il s'agit de parler aux différentes fonctions commerciales, de comprendre leurs défis, d'identifier et de cadrer ces opportunités. C'est dans les soldes ? C'est dans les RH ? Cela vous donnera une idée de quel domaine peut être votre avantage concurrentiel. La deuxième partie est l'élément fondamental requis pour l'IA, qui met en forme votre infrastructure de données. Peut-être que vous ne collectez pas de données de manière agressive, donc cela doit commencer, ou vous collectez des données mais vos magasins de données sont en silos et il n'y a aucun moyen pour les employés d'y accéder de manière holistique. Identifier ces lacunes et les combiner avec les opportunités vous donnera un moyen à long terme d'intégrer l'IA dans l'entreprise.

Liam : Il semble que depuis l'arrivée de ChatGPT, chaque produit ou entreprise a giflé l'IA à la fin de son nom. Dans une mer de tout cela, comment les dirigeants trouvent-ils ces opportunités d'IA ? Comment éliminer ceux qui ne sont pas utiles ?

Kavita : Oui, cela se produit lorsque vous trouvez ces opportunités et que vous les encadrez - vous articulez essentiellement les avantages de l'opportunité et les mesures que vous utiliserez pour mesurer la façon dont vous résolvez actuellement le problème. Le cadrage de chaque opportunité fera apparaître celles qui sont les plus bénéfiques et celles qui offrent un avantage marginal que vous pouvez mettre de côté pour le moment. Cette pièce d'articulation est très critique, et c'est la deuxième étape de mon «cadre de découverte de l'IA à fort impact» (discuté dans le livre). Tout d'abord, vous avez une idée, ou il existe une opportunité potentielle d'IA. Et la deuxième étape est le cadrage.

"L'introduction de l'IA ou de toute automatisation logicielle apportera-t-elle un avantage tangible dans cette situation spécifique ? Cela a-t-il également un sens commercial ? »

Liam : Pourriez-vous nous en dire un peu plus sur le cadre ?

Kavita : Ce cadre est un processus reproductible pour identifier les opportunités d'IA à fort impact, et il comporte quatre étapes clés. La première consiste à se demander s'il s'agit d'une opportunité prometteuse en matière d'IA. Les opportunités d'IA résolvent souvent des problèmes de prise de décision complexes, et cela a du sens pour l'IA. Mais cela doit aussi avoir un sens commercial pour que vous puissiez aller plus loin. C'est là que vous regardez la charge de travail. L'introduction de l'IA ou de toute automatisation logicielle apportera-t-elle un avantage tangible dans cette situation spécifique ? Cela a-t-il également un sens commercial ? Et puis, a-t-il les éléments de base ? Disons que vous avez fait ce processus manuellement. Si cela satisfait ces trois choses, c'est une opportunité potentielle d'IA, mais cela ne signifie pas en soi que vous devriez passer à la mise en œuvre.

C'est là qu'intervient la deuxième étape, où vous encadrez ces opportunités. Essentiellement, vous ajoutez beaucoup plus de détails à l'opportunité. Articuler les avantages, le problème auquel vous vous adressez et les mesures que vous utiliserez pour le mesurer. C'est ainsi que vous saurez que vous réussissez et que vos données sont disponibles. Mais encore une fois, cela ne signifie pas que vous passez directement à la mise en œuvre. Encore faut-il s'assurer que c'est faisable. C'est là qu'interviennent vos experts – la troisième étape. Vous l'apporterez à vos experts et direz : « Hé, j'ai cette opportunité. Qu'en penses-tu? Peut-il être mis en œuvre ? C'est là qu'ils repèreront tous les signaux d'alarme tels que "Vous avez des données, mais le volume n'est pas suffisant" ou "C'est trop futuriste pour être mis en œuvre maintenant". C'est là qu'ils mettront les freins et vous donneront plus d'informations. Une fois que vous avez toutes ces informations, vous pouvez classer ces initiatives et sélectionner les meilleures initiatives, ce qui est la quatrième étape - classement et hiérarchisation. C'est un processus très reproductible, et je voulais que ce soit une grande partie du livre parce que je pense que les gens n'ont actuellement pas de moyen de le faire systématiquement.

« Le modèle lui-même n'est pas la fin. Le modèle est un moyen de résoudre un problème métier. C'est là que le succès commercial entre en jeu »

Liam : Vous l'avez mentionné ici, mais j'aimerais parler de ce qui se passe lorsqu'un leader s'est attaqué à ces problèmes et a mis en œuvre ses stratégies d'IA. Quelle approche recommanderiez-vous pour évaluer le succès de leurs initiatives d'IA ?

Kavita : À l'heure actuelle, le succès est flou pour la plupart des entreprises, car les dirigeants s'attendent à un retour sur investissement financier, et les experts en intelligence artificielle veulent simplement voir des modèles de haute précision. Dans mon livre, je parle de trois piliers du succès. L'un est le succès modèle. Le modèle doit avoir une performance minimale acceptable. Sinon, ça ne résout pas vraiment le problème. S'il a une précision de 50%, c'est juste aléatoire. Vous voulez vous assurer qu'il accomplit la tâche et fonctionne raisonnablement bien. Mais le modèle lui-même n'est pas la fin. Le modèle est un moyen de résoudre un problème métier. C'est là que le succès commercial entre en jeu. Et cela est directement lié à votre problème. Que cherchez-vous à améliorer ? Essaie-t-il d'analyser un ticket d'assistance ? Cherche-t-il à améliorer l'équilibre travail-vie personnelle de vos employés ? Il existe des moyens indirects de mesurer tout cela. C'est ce que vous devez suivre pour réussir en affaires.

Mais le succès du modèle et le succès de l'entreprise ne suffisent pas à eux seuls car, au final, c'est l'utilisateur qui sera impacté. Vous voulez également parler aux utilisateurs de la solution d'IA. Il peut s'agir de vos fournisseurs ou de vos employés - toute personne consommant la sortie de l'IA. Vous souhaitez leur demander ce qu'ils pensent de la précision de la solution, de la facilité d'utilisation et de tout ce qui peut faire apparaître des problèmes, que ce soit dans le modèle ou dans le flux de travail, car cela peut mettre en évidence des problèmes d'adoption. S'ils n'aiment pas la solution, ils peuvent revenir à l'ancienne façon de faire les choses. Ils ne voudront peut-être pas utiliser votre solution d'IA bien qu'elle soit précise et qu'elle réussisse.

Humain dans la boucle

Liam : Que diriez-vous aux responsables du support client qui envisagent de mettre en œuvre l'IA et qui sont un peu nerveux ou inquiets ? Que diriez-vous pour les aider à surmonter cela ?

Kavita : Un thème que j'ai vu parmi les dirigeants est que les systèmes d'IA vont prendre en charge de nombreux emplois, même les leurs. Malheureusement, c'est vrai, mais je pense que les systèmes d'IA sont plus susceptibles d'augmenter les flux de travail que de simplement remplacer les emplois, car nous avons toujours besoin de la couche d'assurance qualité où les humains interviennent. Un système d'IA peut aider avec les tickets de support client, mais que se passe-t-il s'il ne peut pas résoudre un problème? Les humains doivent être là. Et comment les systèmes d'IA apprennent-ils ? Ils apprennent des données. Et qui génère ces données ? Humains. Nous sommes une grande partie de ce système d'IA, nous sommes donc tout à fait au courant de l'assurance qualité, de la génération de données et de la résolution de problèmes plus difficiles.

C'est un aspect. L'autre consiste à définir correctement vos attentes pour chaque problème et à réfléchir aux risques. Si je fais de l'IA le seul décideur dans ce scénario, quels sont les risques ? Comprendre le risque aidera à résoudre une partie de la résistance à l'adoption de l'IA dans ce scénario. Peut-être que dans ce scénario, c'est trop risqué, vous voulez donc que les humains soient au courant pour examiner ce que l'IA a fait.

Liam : Je pense que nous le voyons déjà, mais avec des emplois dont les gens pourraient craindre qu'ils soient perdus, l'IA crée en fait de nouveaux emplois et rôles - des personnes surveillant l'IA ou, dans notre cas, des concepteurs de chatbot. Tout n'est pas catastrophique.

Kavita : Oui. Je pense que les rôles peuvent passer d'un travail de très bas niveau à un travail de haut niveau. Vous serez davantage un responsable de l'assurance qualité. Alors oui, les rôles finiront par changer.

Liam : Et Kavita, quelle est la seule chose que vous voudriez que les gens sachent à propos de l'IA et des entreprises travaillant ensemble ?

Kavita : IA et business, bonne question. Dans le monde de la recherche, vous voyez souvent une solution d'IA résoudre un problème. Mais en entreprise, une seule solution d'IA peut ne pas suffire. Vous aurez besoin d'une solution hybride. Il peut s'agir d'une combinaison d'un système d'IA, d'un système basé sur des règles pour les cas extrêmes, et peut-être aussi d'humains. Ainsi, les solutions métiers sont souvent moins élégantes et plus complexes que les systèmes de recherche.

Liam : Enfin, où les gens peuvent-ils aller pour vous suivre et suivre votre travail ?

Kavita : Le premier endroit où aller sera mon site Web, kavita-ganesan.com. C'est là que vous pourrez découvrir mon livre. Cela vous mènera également à ma page de consultation et à d'autres podcasts que j'ai réalisés.

Liam : Parfait. Kavita, merci beaucoup de m'avoir rejoint aujourd'hui.

Kavita : Liam, merci de m'avoir invité.