Mendengar dari CIO, CTO, dan eksekutif tingkat C dan senior lainnya tentang data dan strategi AI di Future of Work Summit 12 Januari 2022 ini. Pelajari lebih lanjut

Kecerdasan buatan (AI), pembelajaran mesin (ML) dan teknologi baru lainnya memiliki potensi untuk memecahkan masalah kompleks bagi organisasi. Namun, meskipun adopsi meningkat selama dua tahun terakhir, hanya sebagian kecil perusahaan yang merasa mendapatkan nilai signifikan dari inisiatif AI mereka. Di mana upaya mereka salah? Kesalahan langkah sederhana dapat menggagalkan inisiatif AI apa pun, tetapi ada cara untuk menghindari kesalahan langkah ini dan mencapai kesuksesan.

Berikut adalah empat kesalahan yang dapat menyebabkan implementasi AI gagal dan apa yang harus Anda lakukan untuk menghindari atau mengatasi masalah ini demi keberhasilan peluncuran AI.

Jangan menyelesaikan masalah yang salah

Saat menentukan di mana menerapkan AI untuk memecahkan masalah, lihat situasi melalui lensa yang tepat dan libatkan kedua sisi organisasi Anda dalam sesi pemikiran desain, karena keduanya tidak bisnis maupun TI memiliki semua jawaban. Para pemimpin bisnis tahu tuas mana yang dapat ditarik untuk mencapai keunggulan kompetitif, sementara para pemimpin teknologi tahu bagaimana menggunakan teknologi untuk mencapai tujuan tersebut. Pemikiran desain dapat membantu menciptakan gambaran lengkap tentang masalah, persyaratan, dan hasil yang diinginkan, serta dapat memprioritaskan perubahan mana yang memiliki dampak operasional dan finansial terbesar.

Satu perusahaan ritel produk konsumen dengan jadwal pemrosesan faktur 36 jam baru-baru ini mengalami masalah ini ketika meminta bantuan untuk mempercepat prosesnya. Bukti konsep mengungkapkan bahwa menerapkan solusi AI/ML dapat mengurangi waktu pemrosesan hingga 30 menit, peningkatan kecepatan 720%. Di atas kertas, peningkatannya tampak hebat. Tetapi proses penyelesaian mingguan perusahaan berarti waktu pemrosesan yang ditingkatkan tidak menjadi masalah. Solusinya tidak pernah beralih ke produksi.

Ketika melihat masalah yang harus dipecahkan, penting untuk mengaitkannya kembali dengan salah satu dari tiga pendorong bisnis bottom-line yang penting: meningkatkan pendapatan, meningkatkan profitabilitas, atau mengurangi risiko. Menghemat waktu tidak selalu berarti meningkatkan pendapatan atau mengurangi biaya. Apa dampak bisnis yang akan dibawa oleh perubahan?

Kualitas data sangat penting untuk kesuksesan

Data dapat berdampak baik pada program AI. Data yang bersih, dapat diandalkan, dan dapat diakses sangat penting untuk mencapai hasil yang akurat. Algoritmenya mungkin bagus dan modelnya efektif, tetapi jika datanya berkualitas buruk atau tidak mudah dan layak untuk dikumpulkan, tidak akan ada jawaban yang jelas. Organisasi harus menentukan data apa yang mereka perlukan untuk dikumpulkan, apakah mereka benar-benar dapat mengumpulkannya, seberapa sulit atau mahal untuk mengumpulkannya, dan apakah itu akan memberikan informasi yang dibutuhkan.

A lembaga keuangan ingin menggunakan AI/ML untuk mengotomatisasi pemrosesan pinjaman, tetapi elemen data yang hilang dalam catatan sumber menciptakan tingkat kesalahan yang tinggi, menyebabkan solusi gagal. Model ML kedua dibuat untuk meninjau setiap record. Mereka yang memenuhi interval kepercayaan yang diperlukan dipindahkan ke depan dalam proses otomatis; mereka yang tidak ditarik untuk intervensi manusia untuk memecahkan masalah kualitas data. Proses multitahap ini sangat mengurangi interaksi manusia yang diperlukan dan memungkinkan institusi mencapai peningkatan efisiensi 85%. Tanpa model ML tambahan untuk mengatasi kualitas data, solusi otomatisasi tidak akan pernah memungkinkan organisasi untuk mencapai hasil yang berarti.

In-house atau pihak ketiga? Masing-masing memiliki tantangannya sendiri

Setiap jenis solusi AI membawa tantangannya sendiri. Solusi yang dibuat sendiri memberikan lebih banyak kontrol karena Anda mengembangkan algoritme, membersihkan data, dan menguji serta memvalidasi model. Tetapi membangun solusi AI Anda sendiri itu rumit, dan kecuali Anda menggunakan open source, Anda akan menghadapi biaya seputar lisensi alat yang digunakan dan biaya yang terkait dengan pengembangan dan pemeliharaan solusi di muka.

Solusi pihak ketiga membawa tantangan mereka sendiri, termasuk:

  • Tidak ada akses ke model atau cara kerjanya

    • Ketidakmampuan untuk mengetahui apakah model melakukan apa yang seharusnya dilakukan

    • Tidak ada akses ke data jika solusinya berbasis SaaS

  • Ketidakmampuan untuk melakukan pengujian regresi atau mengetahui penerimaan palsu atau tingkat kesalahan.

    • Dalam industri yang sangat diatur, masalah ini menjadi lebih menantang karena regulator akan mengajukan pertanyaan tentang topik ini.

    Sebuah perusahaan jasa keuangan sedang mencari untuk memvalidasi solusi SaaS yang menggunakan AI untuk mengidentifikasi aktivitas mencurigakan. Perusahaan tidak memiliki akses ke model atau data yang mendasarinya dan tidak ada detail tentang bagaimana model menentukan aktivitas apa yang mencurigakan. Bagaimana perusahaan bisa melakukan uji tuntas dan memverifikasi alat itu efektif?

    Dalam hal ini, perusahaan menemukan satu-satunya pilihan adalah melakukan simulasi aktivitas mencurigakan atau jahat yang coba dilakukan mendeteksi. Bahkan metode validasi ini memiliki tantangan, seperti memastikan pengujian tidak akan berdampak negatif, menciptakan kondisi penolakan layanan, atau memengaruhi ketersediaan layanan. Perusahaan memutuskan untuk menjalankan simulasi di lingkungan pengujian untuk meminimalkan risiko dampak produksi. Jika perusahaan memilih untuk memanfaatkan metode validasi ini, mereka harus meninjau perjanjian layanan untuk memverifikasi bahwa mereka memiliki wewenang untuk melakukan jenis pengujian ini dan harus mempertimbangkan kebutuhan untuk mendapatkan izin dari pihak ketiga yang berpotensi terkena dampak.

    Undang semua orang yang tepat ke pesta

    Saat mempertimbangkan untuk mengembangkan solusi AI, penting untuk menyertakan semua pengambil keputusan yang relevan di awal, termasuk pemangku kepentingan bisnis, TI, kepatuhan, dan audit internal. Ini memastikan semua informasi penting tentang persyaratan dikumpulkan sebelum perencanaan dan pekerjaan dimulai.

    Perusahaan perhotelan ingin mengotomatiskan prosesnya untuk menanggapi permintaan akses subjek data (DSAR) seperti yang dipersyaratkan oleh Peraturan Perlindungan Data Umum (GDPR), undang-undang perlindungan data yang ketat di Eropa. DSAR mengharuskan organisasi untuk memberikan, atas permintaan, salinan data pribadi apa pun yang disimpan perusahaan untuk pemohon dan tujuan penggunaannya. Perusahaan melibatkan penyedia luar untuk mengembangkan solusi AI untuk mengotomatisasi elemen proses DSAR tetapi tidak melibatkan TI dalam prosesnya. Definisi persyaratan yang dihasilkan gagal untuk menyelaraskan dengan solusi teknologi yang didukung perusahaan. Sementara bukti konsep memverifikasi solusi akan menghasilkan lebih dari 200% peningkatan kecepatan dan efisiensi, solusi tidak beralih ke produksi karena TI khawatir bahwa biaya jangka panjang untuk mempertahankan solusi baru ini akan melebihi penghematan.

    Dalam contoh serupa, organisasi jasa keuangan tidak melibatkan tim kepatuhannya dalam mengembangkan definisi persyaratan. Solusi AI yang dikembangkan tidak memenuhi standar kepatuhan organisasi, proses provabilitas belum didokumentasikan, dan solusi tidak menggunakan standar manajemen akses dan identitas (IAM) yang sama seperti yang dibutuhkan perusahaan. Kepatuhan memblokir solusi saat solusi tersebut hanya sebagian melalui tahap proof-of-concept.

    Penting bahwa semua suara yang relevan ada di meja lebih awal saat mengembangkan atau mengimplementasikan AI/ML larutan. Ini akan memastikan definisi persyaratan benar dan lengkap dan bahwa solusi memenuhi standar yang diperlukan serta mencapai tujuan bisnis yang diinginkan.

    Ketika mempertimbangkan AI atau teknologi baru lainnya, organisasi perlu mengambil tindakan yang tepat di awal proses untuk memastikan keberhasilan. Di atas segalanya, mereka harus memastikan bahwa 1) solusi yang mereka kejar memenuhi salah satu dari tiga tujuan utama — meningkatkan pendapatan, meningkatkan profitabilitas, atau mengurangi risiko, 2) mereka memiliki proses untuk mendapatkan data yang diperlukan, 3) membangun vs. keputusan pembelian cukup beralasan, dan 4) mereka melibatkan semua pemangku kepentingan yang tepat sejak awal.

    Scott Laliberte adalah Managing Director dari Emerging Technology Group di Protiviti.

    VentureBeat

    Misi VentureBeat adalah menjadi alun-alun kota digital bagi para pengambil keputusan teknis untuk memperoleh pengetahuan tentang teknologi dan transaksi transformatif. Situs kami memberikan informasi penting tentang teknologi data dan strategi untuk memandu Anda saat Anda memimpin organisasi Anda. Kami mengundang Anda untuk menjadi anggota komunitas kami, untuk mengakses:

    • informasi terkini tentang topik yang Anda minati

      • buletin kami

    • konten pemimpin pemikiran yang terjaga keamanannya dan akses diskon ke acara berharga kami, seperti Transform 2021: Belajarlah lagi
    • fitur jaringan, dan lagi

    Menjadi anggota