Pendidik AI Kavita Ganesan tentang mengungkap peluang AI dalam bisnis Anda

Diterbitkan: 2023-07-14

Menjadi AI-siap pada awalnya bisa menakutkan. Tamu hari ini berbagi kerangka kerja berulang yang membantu Anda memanfaatkan peluang yang tepat, mengukur kesuksesan mereka, dan menyiapkan panggung untuk transisi yang mulus.


Selama setahun terakhir, kemajuan pesat dalam AI generatif, termasuk peluncuran ChatGPT yang inovatif, telah membawa AI ke garis depan perhatian semua orang. Namun, menavigasi lanskap AI dapat mengintimidasi para pemimpin bisnis yang tidak yakin harus mulai dari mana. Transisi dapat terasa luar biasa – mulai dari memilih masalah yang tepat untuk diselesaikan oleh AI, hingga membangun infrastruktur data yang kuat dan mempersiapkan tim untuk menghadapi perubahan. Di sinilah Kavita Ganesan berperan.

Kavita adalah penasihat AI, pendidik, dan pendiri bisnis konsultasi Opinosis Analytics. Dengan gelar Ph.D. dalam Pemrosesan Bahasa Alami (NLP), Teknologi Pencarian, dan Pembelajaran Mesin dan pengalaman lebih dari 15 tahun, Kavita bekerja dengan organisasi untuk membantu mereka mengungkap AI dan menerapkannya ke dalam strategi bisnis mereka. Pada musim semi tahun lalu – cukup aneh, beberapa bulan sebelum semua desas-desus dimulai – dia menerbitkan Kasus Bisnis untuk AI , panduan praktis bagi para pemimpin bisnis untuk meluncurkan inisiatif AI yang mendorong hasil.

Di dalamnya, Kavita menguraikan kerangka kerja untuk mengidentifikasi peluang AI berdampak tinggi, menekankan pentingnya menilai dan membingkai masalah secara efektif untuk memprioritaskan penerapan solusi AI yang selaras dengan tujuan bisnis Anda, serta mengukur dampak dan keberhasilan setiap inisiatif AI .

Dalam episode hari ini, kami bertemu dengan Kavita untuk membicarakan tentang strategi bagi para pemimpin bisnis untuk memanfaatkan potensi transformatif AI.

Berikut adalah beberapa takeaways utama:

  • Mulai gabungkan AI dalam bisnis Anda dengan mengoptimalkan proses manual yang berulang dan mengatasi inefisiensi yang teridentifikasi melalui umpan balik pelanggan atau unit bisnis lainnya.
  • Untuk mengidentifikasi peluang berdampak tinggi, nilai di mana masuk akal untuk menerapkan AI, dan lihat apakah peluang itu diterjemahkan menjadi keuntungan bisnis yang nyata.
  • Sebelum penerapan, Anda harus membingkai peluang tersebut untuk mengartikulasikan manfaat dengan lebih baik, poin kesulitan yang Anda tangani, dan metrik mana yang memungkinkan Anda untuk mengukurnya.
  • Langkah selanjutnya adalah memanggil para ahli untuk memastikannya layak. Hanya dengan begitu Anda dapat memberi peringkat pada semua inisiatif tersebut dan memprioritaskan yang paling menguntungkan.
  • Keberhasilan inisiatif AI bergantung pada tiga pilar: kinerja model, dampak bisnis, dan kepuasan pengguna.

Jika Anda menikmati diskusi kami, lihat lebih banyak episode podcast kami. Anda dapat mengikuti Apple Podcasts, Spotify, YouTube, atau mengambil umpan RSS di pemutar pilihan Anda. Berikut ini adalah transkrip episode yang diedit ringan.


Bug AI

Liam Geraghty: Halo, dan selamat datang di Inside Intercom; Saya Liam Geraghty. Pada acara hari ini, saya bergabung dengan Kavita Ganesan, penulis The Business Case for AI: A Leader's Guide to AI Strategies, Best Practices & Real-World Applications . Dan itulah tepatnya yang akan kita bicarakan hari ini. Kavita, selamat datang di acara ini.

Kavita Ganesan: Liam, terima kasih sudah menerimaku. Saya sangat senang berada di sini.

Liam: Saya tahu Anda telah menghasilkan lebih dari dua lusin inisiatif AI yang sukses untuk berbagai organisasi – dari ukuran menengah hingga Fortune 500. Bagaimana awalnya Anda terlibat dalam ruang AI?

“Saya menjadi insinyur perangkat lunak, tetapi saya merasa ada sesuatu yang hilang – keseluruhan pengembangan algoritme dan bagian pemecahan masalah”

Kavita: Sejarah saya dengan AI kembali ke tahun 2005 ketika AI tidak terlalu populer, bahkan tidak seksi atau dibutuhkan di industri. Saya tertarik dengan aspek pemecahan masalah AI – meskipun tekniknya mungkin sama, ketika diterapkan pada masalah yang berbeda, cara Anda menyelesaikannya menimbulkan tantangan yang berbeda. Itu menarik bagi saya karena saya pikir, secara inheren, saya adalah seorang pemecah masalah. Jadi saya mempelajari AI lebih dalam dan lebih dalam di program master saya. Di situlah saya terpapar ke seluruh ruang AI.

Saya menjadi insinyur perangkat lunak, tetapi saya merasa ada sesuatu yang hilang – seluruh pengembangan algoritme dan bagian pemecahan masalah. Saat itulah saya memutuskan saya perlu mendapatkan gelar Ph.D. di AI karena saya ingin berspesialisasi dalam hal ini. Dan ketika saya akan lulus, pada tahun 2013, ilmu data mulai lepas landas sebagai sebuah bidang. Saat itulah saya memutuskan bahwa alih-alih pergi ke lembaga akademis atau laboratorium penelitian, saya akan pergi dan menyelesaikan masalah industri. Saya pikir saya adalah orang yang sangat praktis dan terapan, jadi saya ingin melihat algoritme ini digunakan dengan baik. Di situlah segalanya dimulai. Saya menyelesaikan semua proyek ini dan mengerjakan berbagai masalah mulai dari perawatan kesehatan hingga area lain, seperti kode.

“AI Generatif telah menempatkan AI di peta untuk mereka”

Liam: Rasanya seluruh dunia baru saja mengetahui semua hal AI ini dalam beberapa bulan terakhir.

Kavita: Ya, bagi banyak bisnis, AI adalah hal yang sangat baru, terutama untuk usaha kecil yang belum memikirkan AI karena merasa itu tidak relevan bagi mereka. Operasi ukuran menengah telah memikirkan tentang AI untuk sementara waktu, tetapi tidak tahu bagaimana memulainya, dan AI generatif telah menempatkan AI di peta untuk mereka.

Mulai dari mana?

Liam: Mari selami buku Anda, The Business Case for AI . Langsung saja, Anda mengakui kekhawatiran dan kekhawatiran yang dimiliki para pemimpin seputar AI. Kami baru saja merilis laporan tentang Status AI dalam Layanan Pelanggan 2023, tempat kami mensurvei 1.000 profesional dukungan, dan menemukan bahwa 69% pemimpin berencana untuk berinvestasi lebih banyak di AI di tahun mendatang. Namun sejauh ini, hanya 38% pemimpin yang telah melakukannya. Itu pasti menjadi peluang besar bagi pengadopsi awal untuk mendapatkan keunggulan kompetitif yang nyata dengan semua manfaat yang dibawa oleh AI, bukan?

Kavita: Ya, itu benar sekali. Ketika diterapkan pada masalah yang tepat, Anda akan melihat manfaat yang signifikan sejak dini. Saya pikir tantangan yang dihadapi perusahaan sekarang adalah menemukan masalah yang tepat dalam bisnis dan menerapkan AI dengan cara yang akan memberi mereka nilai – bukan enam atau tujuh bulan ke depan, tetapi tiga bulan.

“Ini tentang memahami ruang dari apa yang membentuk AI, di mana Anda dapat menerapkan AI, jenis masalah apa yang dapat Anda terapkan, dan di mana AI generatif menambah nilai”

Liam: Apa yang akan Anda katakan kepada orang-orang tentang cara membingkai pemikiran AI mereka sehingga mereka tidak membayangkan robot mengambil alih dunia, tetapi memikirkan AI, seperti yang Anda katakan, sebagai alat praktis untuk bisnis?

Kavita: Saya pikir langkah pertama adalah memahami binatang apa ini. Sekarang, orang mengira AI adalah AI generatif, tetapi AI generatif hanyalah satu bagian dari teka-teki AI itu. Masih banyak lagi AI. Ada pembelajaran mesin tradisional, NLP, visi komputer. Ini tentang memahami ruang dari apa yang membentuk AI, di mana Anda dapat menerapkan AI, jenis masalah apa yang dapat Anda terapkan, dan di mana AI generatif menambah nilai. Mengatasi gajah di ruangan itu akan membantu mengatur konteks atau memicu ide di mana Anda dapat menerapkan AI dalam bisnis Anda. Saya akan mengatakan pendidikan adalah langkah pertama, ya.

Liam: Jika kami mengatakan bahwa kami telah mengatasi masalah itu dan kami berada di atas kereta AI, jadi untuk berbicara, bagaimana Anda mengetahui apa yang dapat digunakan AI di perusahaan Anda untuk meningkatkan proses bisnis yang ada? Bisakah Anda membagikan beberapa contoh?

“Mencari proses yang ada yang tidak efisien adalah titik awal yang baik”

Kavita: Tentu. Banyak perusahaan menemukan nilai dengan memulai dengan masalah berulang yang diselesaikan secara manual. Dalam layanan pelanggan, merutekan tiket dukungan adalah tugas berulang, dan memerlukan waktu yang signifikan bagi agen untuk membaca tiket, menentukan tim mana yang akan meneruskan tiket, dan mengirimkan data awal tersebut ke tim sehingga mereka dapat melakukan triase masalah. . Menemukan proses manual yang berulang dan membutuhkan pemikiran tingkat manusia – itulah poin kuncinya – di mana solusi AI benar-benar dapat memberikan dampak dalam jangka pendek karena masalah tersebut dipahami dengan baik dan kemungkinan besar memiliki metrik yang dapat Anda gunakan sebagai cara untuk mengukur kinerjanya terhadap pendekatan manual. Mencari proses yang ada yang tidak efisien adalah titik awal yang baik.

Liam: Anda selalu dapat membuat daftar itu, tetapi Anda juga dapat berbicara dengan tim Anda dan melihat pemblokir seperti apa yang mereka miliki yang dapat meningkatkan kinerja mereka sehari-hari.

Kavita: Ya, hanya berbicara dengan unit bisnis yang berbeda, memahami tantangan mereka, dan memahami umpan balik pelanggan yang mereka dapatkan. Anda akan mendeteksi inefisiensi dan tantangan bahkan dengan menganalisis umpan balik pelanggan. Itu adalah area di mana AI mungkin bisa membantu. Katakanlah pelanggan kesulitan mendapatkan bantuan yang mereka butuhkan karena solusi dukungan Anda tidak efektif. Itu akan memberi Anda kesan, "Hei, mungkin kita harus memiliki fungsi pencarian yang lebih baik yang mengatasi masalah pelanggan sehingga mereka tidak harus melalui sistem tiket kita."

Menemukan peluang bisnis yang tepat

Liam: Nasihat apa yang akan Anda berikan kepada orang-orang yang ingin mempersiapkan AI, menjadi perusahaan yang mendukung AI, dan menerapkan pengetahuan tersebut?

“Membingkai setiap peluang akan memunculkan mana yang paling menguntungkan dan mana yang menawarkan keuntungan kecil yang dapat Anda kesampingkan untuk saat ini”

Kavita: Mempersiapkan AI memiliki dua bagian. Salah satunya adalah memahami di mana peluang Anda berada di dalam perusahaan Anda. Jika Anda adalah operasi skala menengah, ini tentang berbicara dengan berbagai fungsi bisnis, memahami tantangan mereka, dan mengidentifikasi serta membingkai peluang tersebut. Apakah dalam penjualan? Apakah di SDM? Itu akan memberi Anda gambaran tentang area mana yang bisa menjadi keunggulan kompetitif Anda. Bagian kedua adalah bagian dasar yang diperlukan untuk AI, yang membentuk infrastruktur data Anda. Mungkin Anda tidak mengumpulkan data secara agresif, sehingga perlu dimulai, atau Anda sedang mengumpulkan data tetapi penyimpanan data Anda berada dalam silo dan tidak ada cara bagi karyawan untuk mengaksesnya secara menyeluruh. Mengidentifikasi celah tersebut dan menggabungkannya dengan peluang akan memberi Anda cara jangka panjang untuk memasukkan AI ke dalam perusahaan.

Liam: Sepertinya sejak ChatGPT hadir, setiap produk atau bisnis telah memasang AI di akhir nama mereka. Di tengah lautan semua ini, bagaimana para pemimpin menemukan peluang AI tersebut? Bagaimana Anda menyingkirkan yang tidak berguna?

Kavita: Ya, itu terjadi ketika Anda menemukan peluang itu dan membingkainya – Anda pada dasarnya mengartikulasikan manfaat peluang dan metrik apa yang akan Anda gunakan untuk mengukur bagaimana Anda saat ini memecahkan masalah. Pembingkaian setiap peluang akan memunculkan mana yang paling menguntungkan dan mana yang menawarkan keuntungan marjinal yang dapat Anda kesampingkan untuk saat ini. Bagian artikulasi itu sangat kritis, dan ini adalah langkah kedua dari "Kerangka Penemuan AI Berdampak Tinggi" saya (dibahas dalam buku). Pertama, Anda punya ide, atau ada potensi peluang AI. Dan langkah kedua adalah membingkai.

“Apakah memperkenalkan AI atau otomatisasi perangkat lunak apa pun akan memberikan manfaat nyata dalam situasi khusus itu? Apakah itu juga masuk akal secara bisnis?”

Liam: Bisakah Anda berbicara lebih banyak tentang kerangka kerja?

Kavita: Kerangka kerja ini adalah proses berulang untuk mengidentifikasi peluang AI berdampak tinggi, dan memiliki empat langkah utama. Yang pertama adalah memikirkan terlebih dahulu apakah ini peluang AI yang menjanjikan. Peluang AI sering memecahkan masalah pengambilan keputusan yang rumit, dan itu masuk akal bagi AI. Tetapi itu juga harus masuk akal secara bisnis bagi Anda untuk melangkah lebih jauh. Saat itulah Anda melihat beban kerja. Akankah memperkenalkan AI atau otomatisasi perangkat lunak apa pun memberikan manfaat nyata dalam situasi khusus itu? Apakah itu juga masuk akal secara bisnis? Dan kemudian, apakah itu memiliki blok bangunan dasar? Katakanlah Anda telah melakukan proses ini secara manual. Jika memenuhi ketiga hal ini, ini adalah peluang AI yang potensial, tetapi itu sendiri tidak berarti Anda harus menerapkannya.

Di situlah langkah kedua masuk, di mana Anda membingkai peluang itu. Intinya, Anda menambahkan lebih banyak detail pada peluang. Mengartikulasikan manfaat, masalah yang Anda tangani, dan metrik apa yang akan Anda gunakan untuk mengukurnya. Begitulah cara Anda mengetahui bahwa Anda mencapai kesuksesan bisnis dan ketersediaan data. Tetapi sekali lagi, ini tidak berarti Anda langsung menerapkannya. Anda masih perlu memastikan itu layak. Di situlah ahli Anda masuk – langkah ketiga. Anda akan membawanya ke pakar Anda dan berkata, “Hei, saya punya kesempatan ini. Bagaimana menurutmu? Bisakah itu diterapkan?” Di situlah mereka akan melihat semua peringatan seperti, "Anda memiliki data, tetapi volumenya tidak cukup", atau, "Ini terlalu futuristik untuk diterapkan sekarang". Di situlah mereka akan mengerem dan memberi Anda lebih banyak informasi. Setelah Anda memiliki semua informasi itu, Anda dapat memberi peringkat pada inisiatif tersebut dan memilih inisiatif teratas, yang merupakan langkah keempat – memberi peringkat dan memprioritaskan. Ini adalah proses yang sangat berulang, dan saya ingin ini menjadi bagian besar dari buku ini karena menurut saya orang saat ini tidak memiliki cara untuk melakukannya secara sistematis.

“Model itu sendiri bukanlah akhir. Model adalah sarana untuk memecahkan masalah bisnis. Di situlah kesuksesan bisnis datang”

Liam: Anda menyebutkannya di sana, tetapi saya ingin berbicara tentang apa yang terjadi jika seorang pemimpin mengatasi masalah ini dan menerapkan strategi AI mereka. Pendekatan apa yang akan Anda rekomendasikan untuk mengevaluasi keberhasilan inisiatif AI mereka?

Kavita: Saat ini, kesuksesan tidak jelas bagi sebagian besar perusahaan karena para pemimpin mengharapkan ROI keuangan, dan pakar AI hanya ingin melihat model dengan akurasi tinggi. Dalam buku saya, saya berbicara tentang tiga pilar kesuksesan. Salah satunya adalah kesuksesan model. Model harus memiliki kinerja minimum yang dapat diterima. Jika tidak, itu tidak benar-benar menyelesaikan masalah. Jika memiliki akurasi 50%, itu hanya acak. Anda ingin memastikan itu melakukan tugas dan bekerja dengan cukup baik. Tapi model itu sendiri bukanlah akhir. Model adalah sarana untuk memecahkan masalah bisnis. Di situlah kesuksesan bisnis masuk. Dan ini terkait langsung dengan titik sakit Anda. Apa yang ingin Anda tingkatkan? Apakah mencoba menganalisis tiket dukungan? Apakah ini mencoba meningkatkan keseimbangan kehidupan kerja bagi karyawan Anda? Ada cara tidak langsung untuk mengukur semua ini. Itulah yang perlu Anda lacak untuk kesuksesan bisnis.

Namun kesuksesan model dan kesuksesan bisnis saja tidak cukup karena, pada akhirnya, penggunalah yang akan terkena dampaknya. Anda juga ingin berbicara dengan pengguna solusi AI. Bisa jadi vendor atau karyawan Anda – siapa pun yang mengonsumsi keluaran AI. Anda ingin menanyakan pendapat mereka tentang keakuratan solusi, kemudahan penggunaan, dan apa pun yang dapat memunculkan masalah, baik dalam model maupun alur kerja, karena ini dapat menyoroti masalah adopsi. Jika mereka tidak menyukai solusinya, mereka mungkin kembali ke cara lama dalam melakukan sesuatu. Mereka mungkin tidak ingin menggunakan solusi AI Anda meskipun akurat dan mencapai kesuksesan bisnis.

Manusia dalam lingkaran

Liam: Apa yang akan Anda katakan kepada pimpinan dukungan pelanggan yang berpikir untuk mengimplementasikan AI yang sedikit gugup atau khawatir atau khawatir? Apa yang akan Anda katakan untuk membantu mereka mengatasi itu?

Kavita: Satu tema yang saya lihat di antara para pemimpin adalah bahwa sistem AI akan mengambil alih banyak pekerjaan, bahkan pekerjaan mereka sendiri. Sedihnya, ini benar, tetapi menurut saya sistem AI lebih cenderung menambah alur kerja daripada sekadar mengganti pekerjaan karena kita masih memerlukan lapisan jaminan kualitas tempat manusia masuk. Sistem AI dapat membantu dengan tiket dukungan pelanggan, tetapi bagaimana jika tidak dapat menyelesaikannya sebuah isu? Manusia harus ada. Dan bagaimana sistem AI belajar? Mereka belajar dari data. Dan siapa yang menghasilkan data ini? Manusia. Kami adalah bagian besar dari sistem AI ini, jadi kami sangat siap untuk QA, pembuatan data, dan memecahkan masalah yang lebih sulit.

Itu salah satu aspek. Cara lainnya adalah menetapkan ekspektasi Anda dengan benar untuk setiap masalah dan memikirkan risikonya. Jika saya menjadikan AI sebagai satu-satunya pembuat keputusan dalam skenario ini, apa risikonya? Memahami risiko akan membantu mengatasi beberapa penolakan terhadap penerapan AI dalam skenario tersebut. Mungkin dalam skenario ini, ini terlalu berisiko, jadi Anda ingin manusia selalu memantau apa yang telah dilakukan AI.

Liam: Saya pikir kita sudah melihatnya, tetapi dengan pekerjaan yang mungkin dikhawatirkan orang akan hilang, AI sebenarnya menciptakan pekerjaan dan peran baru – orang memantau AI atau, dalam kasus kami, desainer chatbot. Ini tidak semua malapetaka dan kesuraman.

Kavita: Ya. Saya pikir peran dapat beralih dari melakukan pekerjaan tingkat rendah menjadi melakukan pekerjaan tingkat tinggi. Anda akan lebih menjadi manajer QA. Jadi ya, peran pada akhirnya akan berubah.

Liam: Dan Kavita, satu hal apa yang Anda ingin orang ketahui tentang AI dan kerja sama bisnis?

Kavita: AI dan bisnis, pertanyaan bagus. Di dunia penelitian, Anda sering melihat satu solusi AI memecahkan masalah. Namun dalam bisnis, satu solusi AI mungkin tidak cukup. Anda akan membutuhkan solusi hybrid. Ini bisa berupa kombinasi dari sistem AI, sistem berbasis aturan untuk kasus tepi, dan mungkin juga manusia. Jadi, solusi bisnis seringkali kurang elegan dan lebih kompleks daripada sistem penelitian.

Liam: Terakhir, ke mana orang bisa mengikuti Anda dan pekerjaan Anda?

Kavita: Tempat pertama yang akan dikunjungi adalah situs web saya, kavita-ganesan.com. Di situlah Anda dapat belajar tentang buku saya. Ini juga akan membawa Anda ke halaman konsultasi saya dan beberapa podcast lain yang telah saya buat.

Liam: Sempurna. Kavita, terima kasih banyak sudah bergabung denganku hari ini.

Kavita: Liam, terima kasih sudah menerimaku.

Peluncuran sirip CTA horizontal