Yapay zeka eğitimcisi Kavita Ganesan, işletmenizdeki yapay zeka fırsatlarını ortaya çıkarma hakkında

Yapay zekaya hazır olmak ilk başta göz korkutucu olabilir. Bugünün konuğu, doğru fırsatları yakalamanıza, başarılarını ölçmenize ve sorunsuz bir geçiş için zemin hazırlamanıza yardımcı olan tekrarlanabilir bir çerçeve paylaşıyor.

Geçtiğimiz yıl boyunca, ChatGPT'nin çığır açan lansmanı da dahil olmak üzere üretken yapay zekadaki hızlı ilerlemeler, yapay zekayı herkesin dikkatinin ön sıralarına taşıdı. Bununla birlikte, AI manzarasında gezinmek, nereden başlayacağından emin olmayan iş liderleri için göz korkutucu olabilir. Yapay zekanın çözeceği doğru sorunları seçmekten sağlam bir veri altyapısı oluşturmaya ve ekipleri değişime hazırlamaya kadar geçiş bunaltıcı gelebilir. Kavita Ganesan'ın devreye girdiği yer burasıdır.

Kavita, bir yapay zeka danışmanı, eğitimci ve danışmanlık şirketi Opinosis Analytics'in kurucusudur. Doktora ile Doğal Dil İşleme (NLP), Arama Teknolojileri ve Makine Öğrenimi alanında ve 15 yılı aşkın deneyimiyle Kavita, yapay zekanın gizemini çözmelerine ve iş stratejilerine uygulamalarına yardımcı olmak için kuruluşlarla birlikte çalışır. Geçen yılın baharında - ilginç bir şekilde, tüm vızıltıların başlamasından birkaç ay önce - iş dünyasının liderlerinin sonuçlara yön veren yapay zeka girişimleri başlatmasına yönelik pratik bir rehber olan The Business Case for AI'ı yayınladı.

İçinde Kavita, yüksek etkili AI fırsatlarını belirlemek için bir çerçeve çiziyor, iş hedeflerinizle uyumlu AI çözümlerinin uygulanmasına öncelik vermek için sorunları etkin bir şekilde değerlendirmenin ve çerçevelemenin önemini vurgulamanın yanı sıra her bir AI girişiminin etkisini ve başarısını ölçmenin önemini vurguluyor. .

Bugünkü bölümde, iş dünyasının liderlerinin yapay zekanın dönüştürücü potansiyelini yakalamasına yönelik stratejiler hakkında konuşmak için Kavita ile görüştük.

İşte önemli çıkarımlardan bazıları:

• Tekrarlayan manuel süreçleri optimize ederek ve müşteri geri bildirimi veya diğer iş birimleri aracılığıyla belirlenen verimsizlikleri ele alarak yapay zekayı işinize dahil etmeye başlayın.
• Yüksek etkili fırsatları belirlemek için yapay zekayı devreye almanın nerelerde mantıklı olduğunu değerlendirin ve bunların somut ticari kazançlara dönüşüp dönüşmediğini görün.
• Uygulamadan önce, faydaları, ele aldığınız sorunlu noktaları ve hangi ölçümlerin bunu ölçmenize olanak tanıyacağını daha iyi ifade etmek için bu fırsatları çerçevelendirmeniz gerekir.
• Bir sonraki adım, uygulanabilir olduğundan emin olmak için uzmanları aramaktır. Ancak o zaman tüm bu girişimleri sıralayabilir ve en faydalı olanlara öncelik verebilirsiniz.
• Yapay zeka girişimlerinde başarı üç sütuna dayanır: model performansı, iş etkisi ve kullanıcı memnuniyeti.

Tartışmamızdan hoşlanıyorsanız, podcast'imizin diğer bölümlerine göz atın. Apple Podcast'lerini, Spotify'ı, YouTube'u takip edebilir veya seçtiğiniz oynatıcıda RSS akışını yakalayabilirsiniz. Aşağıda, bölümün hafifçe düzenlenmiş bir kopyası var.

yapay zeka hatası

Liam Geraghty: Merhaba, Inside Intercom'a hoş geldiniz; Ben Liam Geraghty'yim. Bugünkü programda, The Business Case for AI: A Leader's Guide to AI Strategies, Best Practices & Real-World Applications kitabının yazarı Kavita Ganesan da bana katıldı. Ve bugün tam olarak bunun hakkında konuşacağız. Kavita, gösteriye hoş geldin.

Kavita Ganesan: Liam, beni kabul ettiğin için teşekkürler. Burada olduğum için gerçekten çok mutluyum.

Liam: Orta ölçekliden Fortune 500'lere kadar çok çeşitli kuruluşlar için iki düzineden fazla başarılı yapay zeka girişimi sunduğunuzu biliyorum. İlk etapta AI alanına nasıl dahil oldunuz?

"Yazılım mühendisi oldum ama bir şeyin eksik olduğunu hissettim - tüm algoritma geliştirme ve problem çözme parçası"

Kavita: AI ile geçmişim, AI'nın gerçekten popüler olmadığı, hatta seksi olmadığı veya sektörde ihtiyaç duyulmadığı 2005 yılına kadar uzanıyor. Yapay zekanın problem çözme yönleri ilgimi çekti - teknikler aynı olsa da, farklı bir probleme uygulandığında, onu çözme şekliniz farklı zorluklar ortaya çıkarıyor. Bu bana çekici geldi çünkü doğuştan bir sorun çözücü olduğumu düşünüyorum. Bu yüzden, yüksek lisans programımda AI'da daha da derinleştim. Tüm AI alanına maruz kaldığım yer burası.

Yazılım mühendisi oldum ama bir şeyin eksik olduğunu hissettim - tüm algoritma geliştirme ve problem çözme parçası. İşte o zaman doktora yapmam gerektiğine karar verdim. çünkü bu konuda uzmanlaşmak istiyordum. Ve ben mezun olmak üzereyken, 2013'te veri bilimi bir alan olarak yükselmeye başladı. İşte o zaman akademik kurumlara ya da araştırma laboratuvarlarına gitmek yerine gidip endüstri sorunlarını çözmeye karar verdim. Çok pratik, uygulamalı bir insan olduğumu düşünüyorum, bu yüzden bu algoritmaların iyi bir şekilde kullanıldığını görmek istedim. İşler gerçekten burada başladı. Tüm bu projeleri teslim ettim ve sağlıktan kod gibi diğer alanlara kadar farklı sorunlar üzerinde çalıştım.

"Üretken yapay zeka, yapay zekayı onlar için bir nevi haritaya yerleştirdi"

Liam: Dünyanın geri kalanı son birkaç ayda tüm bu AI şeylerini yakalamış gibi hissediyor olmalı.

Kavita: Evet, birçok işletme için yapay zeka çok yeni bir şey, özellikle de kendileriyle ilgili olmadığını düşündükleri için yapay zekayı düşünmeyen küçük işletmeler için. Orta ölçekli operasyonlar bir süredir AI hakkında düşünüyor, ancak nasıl başlayacaklarını bilmiyorlardı ve üretken AI, AI'yı onlar için bir nevi haritaya koydu.

Nereden başlamalı?

Liam: Şimdi, The Business Case for AI adlı kitabınıza geçelim. Baştan itibaren liderlerin yapay zeka ile ilgili endişelerini ve endişelerini kabul ediyorsunuz. 1.000 destek uzmanıyla anket yaptığımız ve liderlerin %69'unun önümüzdeki yıl yapay zekaya daha fazla yatırım yapmayı planladığını tespit ettiğimiz Müşteri Hizmetleri 2023'te Yapay Zekanın Durumu hakkındaki raporumuzu kısa süre önce yayınladık. Ancak şimdiye kadar liderlerin yalnızca %38'i bunu yaptı. Erken benimseyenler için yapay zekanın getirdiği tüm avantajlarla gerçek bir rekabet avantajı elde etmeleri için bu büyük bir fırsat olmalı, değil mi?

Kavita: Evet, kesinlikle doğru. Doğru problemlere uygulandığında, çok erken dönemde önemli faydalar göreceksiniz. Bence şirketlerin şu anda karşı karşıya olduğu zorluk, işletme içindeki doğru sorunları bulmak ve yapay zekayı onlara değer verecek şekilde uygulamaktır - altı veya yedi ay sonra değil, üç ay sonra.

“Yapay zekayı neyin oluşturduğunu, yapay zekayı nereye uygulayabileceğinizi, onu ne tür sorunlara uygulayabileceğinizi ve üretken yapay zekanın değer kattığı alanı anlamakla ilgili”

Liam: İnsanlara, dünyayı ele geçiren robotları hayal etmemek, sizin de dediğiniz gibi, iş için pratik bir araç olarak yapay zekayı düşünmek için yapay zeka düşüncelerini nasıl çerçeveleyecekleri konusunda insanlara ne söylersiniz?

Kavita: Bence ilk adım bu canavarın ne olduğunu anlamak. Şimdi, insanlar yapay zekanın üretken yapay zeka olduğunu düşünüyor, ancak üretken yapay zeka bu yapay zeka yapbozunun yalnızca bir parçası. AI için çok daha fazlası var. Geleneksel makine öğrenimi, NLP, bilgisayar görüşü var. Bu, AI'yı neyin oluşturduğunu, AI'yı nereye uygulayabileceğinizi, onu ne tür problemlere uygulayabileceğinizi ve üretken AI'nın değer kattığı alanı anlamakla ilgilidir. Odadaki file hitap etmek, bağlamı belirlemenize yardımcı olur veya işinizde yapay zekayı nerede uygulayabileceğiniz konusunda fikir verir. Eğitimin ilk adım olduğunu söyleyebilirim, evet.

Liam: Bu tümseği aştığımızı ve tabiri caizse yapay zeka trenine bindiğimizi söylersek, yapay zekanın şirketinizde mevcut iş süreçlerini iyileştirmek için hangi amaçla kullanılabileceğini nasıl anlarsınız? Bazı örnekler paylaşabilir misiniz?

"Verimsiz olan mevcut süreçleri aramak iyi bir başlangıç ​​noktasıdır"

Kavita: Elbette. Pek çok şirket, manuel olarak çözülen tekrarlayan problemlerle başlayarak değer buluyor. Müşteri hizmetlerinde, bir destek biletini yönlendirmek yinelenen bir görevdir ve bir temsilcinin bileti okuması, bileti hangi ekibe ileteceğini belirlemesi ve sorunu önceliklendirebilmeleri için bu ön verileri ekibe göndermesi önemli ölçüde zaman alır. . Tekrarlayan ve insan düzeyinde düşünmeyi gerektiren bu manuel süreçleri bulmak - bu kilit nokta - AI çözümlerinin kısa vadede gerçekten etki yaratabileceği yerdir çünkü bu sorunlar iyi anlaşılmıştır ve muhtemelen bir yol olarak kullanabileceğiniz metriklere sahiptir. manuel yaklaşıma karşı nasıl performans gösterdiğini ölçün. Verimsiz olan mevcut süreçleri aramak iyi bir başlangıç ​​noktasıdır.

Liam: Her zaman bu listeyi bulabilirsin, ama aynı zamanda ekibinle konuşabilir ve günlük işlerini iyileştirebilecek ne tür engelleyicilere sahip olduklarını görebilirsin.

Kavita: Evet, sadece farklı iş birimleriyle konuşmak, yaşadıkları zorlukları anlamak ve müşterilerden ne tür geri bildirimler aldıklarını anlamak yeterli. Müşteri geri bildirimlerini analiz ederek bile verimsizlikleri ve zorlukları tespit edeceksiniz. Bunlar yapay zekanın yardımcı olabileceği alanlardır. Diyelim ki müşterileriniz, destek çözümünüz etkili olmadığı için ihtiyaç duydukları yardımı alma konusunda sorun yaşıyor. Bu size, "Hey, belki de müşterinin bilet sistemimizden geçmek zorunda kalmaması için müşterinin sorunlarını ele alan daha iyi bir arama işlevine sahip olmalıyız" duygusu verecektir.

Doğru iş fırsatını tespit etmek

Liam: Yapay zekaya hazırlanmak, yapay zekaya hazır bir şirket olmak ve bu bilgiyi eyleme geçirmek isteyen insanlara ne tavsiye edersin?

"Her fırsatın çerçevesi, hangilerinin en faydalı olduğunu ve hangilerinin şimdilik rafa kaldırabileceğiniz marjinal bir fayda sağladığını ortaya çıkaracaktır"

Kavita: AI için hazır olmak iki bölümden oluşur. Birincisi, şirketinizdeki fırsatların nerede olduğunu anlamaktır. Orta ölçekli bir operasyonsanız, bu, farklı iş fonksiyonlarıyla konuşmak, karşılaştıkları zorlukları anlamak ve bu fırsatları belirleyip çerçevelemekle ilgilidir. Satışta mı? İK'da mı? Bu size hangi alanın rekabet avantajınız olabileceği konusunda bir fikir verecektir. İkinci kısım, veri altyapınızı şekillendiren yapay zeka için gerekli olan temel parçadır. Belki agresif bir şekilde veri toplamıyorsunuz, bu nedenle bunun başlaması gerekiyor veya veri topluyorsunuz ancak veri depolarınız silolar halinde ve çalışanların bunlara bütünsel bir şekilde erişmesinin bir yolu yok. Bu boşlukları tespit etmek ve bunu fırsatlarla birleştirmek, yapay zekayı şirkete dahil etmeniz için size uzun vadeli bir yol sağlayacaktır.

Liam: Görünüşe göre ChatGPT sahneye çıktığından beri her ürün veya işletme, adlarının sonuna yapay zeka yazmış. Tüm bunlardan oluşan bir denizde, liderler bu yapay zeka fırsatlarını nasıl buluyor? İşe yaramayanları nasıl ayıklarsınız?

Kavita: Evet, bu fırsatları bulduğunuzda ve çerçevelendirdiğinizde bu oluyor – temelde fırsatın faydalarını ve şu anda sorunu nasıl çözdüğünüzü ölçmek için hangi ölçümleri kullanacağınızı ifade ediyorsunuz. Her fırsatın çerçevesi, hangilerinin en faydalı olduğunu ve hangilerinin şimdilik rafa kaldırabileceğiniz marjinal bir fayda sağladığını ortaya çıkaracaktır. Bu artikülasyon parçası çok kritik ve benim "Yüksek Etkili Yapay Zeka Keşif Çerçevemin" (kitapta tartışılan) ikinci adımı. İlk olarak, bir fikriniz var veya potansiyel bir yapay zeka fırsatı var. Ve ikinci adım çerçeveleme.

"Yapay zekayı veya herhangi bir yazılım otomasyonunu tanıtmak, bu belirli durumda somut bir fayda sağlayacak mı? İş açısından da mantıklı mı?

Liam: Çerçeve hakkında biraz daha konuşabilir misin?

Kavita: Bu çerçeve, yüksek etkili yapay zeka fırsatlarını belirlemek için tekrarlanabilir bir süreçtir ve dört temel adımı vardır. Birincisi, bunun gelecek vaat eden bir yapay zeka fırsatı olup olmadığını düşünmek. Yapay zeka fırsatları genellikle karmaşık karar verme sorunlarını çözer ve bu da yapay zekayı mantıklı kılar. Ancak daha ileri gitmeniz için ticari anlamda mantıklı olması da gerekir. İşte o zaman iş yüküne bakıyorsunuz. Yapay zeka veya herhangi bir yazılım otomasyonunun tanıtılması, bu özel durumda somut bir fayda sağlayacak mı? İş açısından da mantıklı mı? Ve sonra, temel yapı taşlarına sahip mi? Diyelim ki bu işlemi manuel olarak yapıyorsunuz. Bu üç şeyi karşılıyorsa, bu potansiyel bir yapay zeka fırsatıdır, ancak bu tek başına uygulamaya geçmeniz gerektiği anlamına gelmez.

Bu fırsatları çerçevelendirdiğiniz ikinci adımın geldiği yer burasıdır. Esasen, fırsata çok daha fazla ayrıntı eklersiniz. Faydaları, ele aldığınız sorunlu noktayı ve bunu ölçmek için hangi ölçümleri kullanacağınızı ifade edin. İş başarısına ve veri kullanılabilirliğine ulaştığınızı bu şekilde bileceksiniz. Ancak bu, doğrudan uygulamaya geçeceğiniz anlamına gelmez. Yine de uygulanabilir olduğundan emin olmanız gerekir. Uzmanlarınızın devreye girdiği yer burasıdır - üçüncü adım. Bunu uzmanlarınıza götürecek ve “Hey, bu fırsatım var. Ne düşünüyorsun? Uygulanabilir mi?” "Verileriniz var, ancak hacim yeterli değil" veya "Bu, şu anda uygulanamayacak kadar fütürist" gibi tüm tehlike işaretlerini burada fark edecekler. İşte burada frene basacaklar ve size daha fazla bilgi verecekler. Tüm bu bilgilere sahip olduğunuzda, bu girişimleri sıralayabilir ve dördüncü adım olan sıralama ve önceliklendirme olan en önemli girişimleri seçebilirsiniz. Bu çok tekrarlanabilir bir süreç ve bunun kitabın büyük bir parçası olmasını istedim çünkü şu anda insanların bunu sistematik olarak yapmanın bir yolu olmadığını düşünüyorum.

“Modelin kendisi son değil. Model, bir iş problemini çözmek için bir araçtır. İşte iş başarısı burada devreye giriyor”

Liam: Orada bahsettiniz, ancak bir lider bu sorunları ele aldığında ve yapay zeka stratejilerini uyguladığında neler olduğu hakkında konuşmayı çok isterim. AI girişimlerinin başarısını değerlendirmek için hangi yaklaşımı önerirsiniz?

Kavita: Şu anda çoğu şirket için başarı belirsiz çünkü liderler finansal bir yatırım getirisi bekliyor ve yapay zeka uzmanları yalnızca yüksek doğruluklu modeller görmek istiyor. Kitabımda, başarının üç ayağından bahsediyorum. Biri model başarısıdır. Model minimum kabul edilebilir bir performansa sahip olmalıdır. Aksi takdirde, sorunu gerçekten çözmüyor. %50 doğruluğa sahipse, sadece rastgeledir. Görevi yaptığından ve makul derecede iyi performans gösterdiğinden emin olmak istersiniz. Ancak modelin kendisi son değil. Model, bir iş problemini çözmek için bir araçtır. İş başarısının geldiği yer burasıdır. Ve bu, doğrudan sorunlu noktanızla bağlantılıdır. Neyi geliştirmek istiyorsunuz? Bir destek biletini analiz etmeye mi çalışıyor? Çalışanlarınız için iş-yaşam dengesini iyileştirmeye mi çalışıyor? Tüm bunları ölçmenin dolaylı yolları var. İş başarısı için izlemeniz gereken şey budur.

Ancak model başarısı ve iş başarısı tek başına yeterli değildir çünkü sonuçta etkilenecek olan kullanıcıdır. Yapay zeka çözümünün kullanıcılarıyla da konuşmak istiyorsunuz. Satıcılarınız veya çalışanlarınız olabilir - yapay zeka çıktısını tüketen herkes. Onlara çözümün doğruluğu, kullanım kolaylığı ve modelde veya iş akışında sorunları ortaya çıkarabilecek her şey hakkında ne düşündüklerini sormak istersiniz çünkü bu, benimseme sorunlarını vurgulayabilir. Çözümü beğenmezlerse, eski yöntemlerine geri dönebilirler. Doğru olmasına ve iş başarısı elde etmesine rağmen yapay zeka çözümünüzü kullanmak istemeyebilirler.

Döngüdeki insan

Liam: Yapay zekayı uygulamayı düşünen, biraz gergin, endişeli veya ilgili müşteri destek liderlerine ne söylersiniz? Bunu aşmalarına yardımcı olmak için ne söylersin?

Kavita: Liderler arasında gördüğüm bir tema, yapay zeka sistemlerinin birçok işi, hatta kendi işlerini bile devralacak olmasıdır. Ne yazık ki bu doğru, ancak yapay zeka sistemlerinin işleri değiştirmek yerine iş akışlarını artırma olasılığının daha yüksek olduğunu düşünüyorum çünkü insanların devreye girdiği kalite güvence katmanına hâlâ ihtiyacımız var. Bir yapay zeka sistemi müşteri destek biletleri konusunda yardımcı olabilir, ancak ya sorunu çözemezse sorun? İnsanların orada olması gerekiyor. Yapay zeka sistemleri nasıl öğreniyor? Verilerden öğrenirler. Ve bu verileri kim üretiyor? insanlar. Bu AI sisteminin büyük bir parçasıyız, bu nedenle kalite güvencesi, veri üretimi ve daha zor sorunları çözme döngüsü içindeyiz.

Bu bir yönü. Diğeri ise her problem için beklentilerinizi doğru belirlemek ve riskleri iyi düşünmektir. Bu senaryoda AI'yı tek karar verici yaparsam, riskler nelerdir? Riski anlamak, bu senaryoda yapay zekanın benimsenmesine yönelik direncin bir kısmının ele alınmasına yardımcı olacaktır. Belki bu senaryoda, çok risklidir, bu yüzden yapay zekanın ne yaptığını gözden geçirmek için insanların döngüye girmesini istersiniz.

Liam: Sanırım bunu zaten görüyoruz, ancak insanların kaybedeceğinden korkabilecekleri işlerle, yapay zeka aslında yeni işler ve roller yaratıyor - yapay zekayı izleyen insanlar veya bizim durumumuzda, sohbet robotu tasarımcıları. Her şey kıyamet ve kasvet değil.

Kavita: Evet. Rollerin gerçekten düşük seviyeli işler yapmaktan yüksek seviyeli işler yapmaya geçiş yapabileceğini düşünüyorum. Daha çok bir KG yöneticisi olacaksınız. Yani evet, roller sonunda değişecek.

Liam: Ve Kavita, yapay zeka ve iş dünyasının birlikte çalışması hakkında insanların bilmesini isteyeceğin tek şey nedir?

Kavita: AI ve iş, güzel soru. Araştırma dünyasında, genellikle bir sorunu çözen bir yapay zeka çözümü görürsünüz. Ancak iş dünyasında tek bir yapay zeka çözümü yeterli olmayabilir. Hibrit bir çözüme ihtiyacınız olacak. Bir yapay zeka sisteminin, uç vakalar için kurallara dayalı bir sistemin ve belki de insanların bir kombinasyonu olabilir. Bu nedenle, iş çözümleri genellikle araştırma sistemlerinden daha az zarif ve daha karmaşıktır.

Liam: Son olarak, insanlar size ve işinize ayak uydurmak için nereye gidebilir?

Kavita: İlk gidilecek yer web sitem olacak, kavita-ganesan.com. Kitabımı buradan öğrenebilirsiniz. Ayrıca sizi danışmanlık sayfama ve yaptığım diğer bazı podcast'lere götürecektir.

Liam: Mükemmel. Kavita, bugün bana katıldığın için çok teşekkür ederim.

Kavita: Liam, beni kabul ettiğin için teşekkürler.