The post has been translated automatically. Original language: Russian
In my opinion, success is always based on a pragmatic approach. Our company's motto is "don't make AI where AI is not needed." A successful case begins with the question: "What business metric (revenue, margin, cost of attraction, percentage of rejection) do we want to improve?".
Organizationally, the success is greatly facilitated by the support of the implementation of the AI case from the "corporate heavyweight", who acts as an ambassador, lawyer and business angel, who participates throughout the entire life cycle: from idea to operation. Attracting such a heavyweight sends a signal to everyone involved in this process that the business believes in this AI case and relies on it, the level of engagement and motivation becomes higher. Ideally, the top management of the company has an innovative way of thinking, a kind of "technogic of a healthy person."
Understanding the business process is also very important, it is necessary to "remove the wall" between the developers of an AI solution and its consumers, and exchange feedback. In our work, we strongly welcome the involvement of the business customer at all stages of the project lifecycle.
And let's not get tired of repeating, success is impossible without well-established data management processes: catalogs, metadata, quality guarantees, unified reference books. The quality of the solution is 90% determined by the quality of the source data. How many good hypotheses have sunk into the "swamps of data" or have not been developed due to the inability to ensure regular quality on an ongoing basis!
An additional, but mandatory, "cherry on the cake" is often considered by businesses to be the "interpretability" of AI solutions (Explicable AI) - if it's just a black box that is completely unclear how it works and why a particular decision was made - you can often hear "models hallucinate." The customer can be understood, because an AI solution must be integrated into a complex multibillion-dollar business, where there is often still a regulator that can also make similar demands.
На мой взгляд в основе успеха всегда прагматичный подход, девиз нашей компании «не надо делать ИИ там, где не нужен ИИ». Успешный кейс начинается с вопроса: "Какую метрику бизнеса (выручку, маржу, стоимость привлечения, процент брака) мы хотим улучшить?".
Организационно весьма сильно успеху способствует поддержка внедрения ИИ-кейса со стороны «корпоративного тяжеловеса», который выступает как амбассадор, адвокат и бизнес-ангел, который участвует на протяжении всего жизненного цикла: от идеи до эксплуатации. Привлечение подобного тяжеловеса посылает сигнал всем вовлеченным в данный процесс, что бизнес верит в этот ИИ-кейс и делает на него ставку, уровень вовлеченности и мотивации становится выше. Идеально, если топ-менеджмент компании имеет инновационный образ мышления, своего рода «техногик здорового человека».
Понимание бизнес-процесса также очень важно, необходимо "убрать стену" между разработчиками ИИ-решения и ее потребителями, обмениваться обратной связью. В своей работе мы всячески приветствуем вовлечение бизнес-заказчика на всех этапах жизненного цикла проекта.
И не устанем повторять, успех невозможен без налаженных процессов управления данными: каталоги, метаданные, гарантии качества, единые справочники. Качество решения на 90% определяется качеством исходных данных. Сколько хороших гипотез утонуло в «болотах данных» или не получили развития по причине неготовности обеспечить регулярное качество на постоянной основе!
Дополнительной, но при этом обязательной, «вишенкой на торте» бизнес часто считает «интерпретируемость» ответов ИИ-решения (Объяснимый ИИ) - если это просто черный ящик, который совершенно непонятно как работает и почему принято то или иное решение – часто можно услышать «модели галлюцинируют». Заказчика можно понять, ведь ИИ-решение должно быть интегрировано в сложный многомиллиардный бизнес, где зачастую еще есть регулятор, который тоже может предъявлять подобные требования.
Share
