Manažér závodu sa pýta, prečo kopilot s umelou inteligenciou nedokáže vytvoriť spoľahlivú správu o výnimkách z výroby. Odpoveďou zriedkakedy býva model. Stav objednávky je uložený v jednom systéme, údaje o zásobách v inom, udalosti údržby prichádzajú neskoro a tímy používajú rôzne definície prestojov. Toto je praktický problém, ktorý stojí za rozdielom medzi dátovou základňou a implementáciou umelej inteligencie: podnik nemôže automatizovať ani konzistentne rozširovať rozhodnutia, keď sú podkladové procesy a údaje nekonzistentné.
Pre organizácie s vysokou mierou prevádzky to nie je argument proti umelej inteligencii. Je to argument pre postupné zavádzanie transformačných prác tak, aby investície do umelej inteligencie zlepšili výkon, a nie aby pridali ďalšiu nesúvisiacu vrstvu do technologického balíka.
Data Foundation verzus implementácia umelej inteligencie: Skutočné rozhodnutie
Nesprávna otázka znie: „Mali by sme investovať do dát alebo do umelej inteligencie?“ Väčšina podnikov potrebuje oboje. Užitočnejšia otázka znie: aké obmedzenia v súčasnosti bránia lepším rozhodnutiam, rýchlejšej realizácii a škálovateľnej automatizácii?
Dátová základňa je operačná základňa, ktorá umožňuje prístup k informáciám medzi ľuďmi, procesmi a systémami. Zahŕňa definované obchodné údaje, vlastníctvo, kontroly kvality, integračné vzory, pravidlá prístupu a architektúru potrebnú na sprístupnenie dôveryhodných informácií pri vykonávaní práce. Vyžaduje si tiež dohodu o procese, ktorý generuje údaje. Ak objednávka zmení majiteľa prostredníctvom e-mailu, tabuliek a nesledovaných výnimiek, samotná dátová platforma túto nejednoznačnosť nevyrieši.
Implementácia umelej inteligencie aplikuje strojové učenie, generatívnu umelú inteligenciu, inteligenciu dokumentov alebo funkcie podpory rozhodovania na definovaný obchodný výsledok. Môže klasifikovať faktúry, sumarizovať požiadavky na služby, predpovedať poruchy zariadení, sprevádzať zamestnancov postupmi alebo identifikovať nezvyčajné transakcie. Tieto prípady použitia môžu priniesť zmysluplné zisky, ale ich výsledky závisia od kvality, úplnosti a kontextu vstupov, ktoré prijímajú.
Toto rozlíšenie je dôležité, pretože umelá inteligencia dokáže vytvoriť pôsobivú demonštráciu z obmedzeného súboru údajov, pričom v každodennej prevádzke zlyháva. Riešenie, ktoré funguje dobre pre jednu obchodnú jednotku, sa môže stať nespoľahlivým pri zavedení do viacerých právnych subjektov, inštancií ERP, jazykov, pravidiel schvaľovania a ciest výnimiek.
Prečo je proces dôležitejší ako oboje
Podnikové dáta nevznikajú vo vákuu. Sú produkované pracovnými postupmi: agent zákazníckeho servisu aktualizuje prípad, plánovač mení harmonogram, skladový tím potvrdí príjem alebo finančník vyrieši výnimku. Keď sú tieto pracovné postupy nejasné, neštandardné alebo prevažne manuálne, výsledné dáta budú mať rovnaké slabiny.
Preto by transformácia mala začať preskúmaním celého procesu. Identifikujte, odkiaľ vznikajú transakcie, kde sa prijímajú rozhodnutia, ktoré výnimky si vyžadujú úsudok a kde zamestnanci prekódujú alebo zosúlaďujú informácie. Potom definujte cieľový proces a údaje potrebné na jeho prevádzku.
Zvážte záväzky voči dodávateľom. Organizácia môže chcieť generatívnu umelú inteligenciu na odpovedanie na otázky dodávateľov a na analýzu dokumentov na extrakciu údajov z faktúr. Tieto funkcie môžu pomôcť, ale nie v prípade, ak sú kmeňové údaje dodávateľov duplicitné, stav platby je v systémoch oneskorený a dôvody výnimiek sú poznámky s voľným textom bez konzistentných kategórií. Bezprostrednou príležitosťou môže byť štandardizácia príjmu, definovanie kódov výnimiek, prepojenie relevantných systémov a stanovenie vlastníctva údajov o dodávateľoch. Umelá inteligencia potom musí podporovať stabilný proces.
Tento prístup tiež zabraňuje bežnému spôsobu zlyhania: automatizácii nefunkčného procesu pri vyššej rýchlosti. Rýchlejšie smerovanie nejasných schválení alebo rýchlejšie presúvanie do nekontrolovaného pracovného postupu nevytvára efektivitu. Zvyšuje objem práce, ktorá si stále vyžaduje opravu.
Ako vyzerá použiteľná dátová nadácia
Dátová základňa nevyžaduje viacročný program predtým, ako sa objaví akákoľvek obchodná hodnota. Vyžaduje si disciplinovaný rozsah viazaný na prioritné procesy. Cieľom nie je centralizovať každý dostupný záznam. Cieľom je zabezpečiť, aby boli údaje potrebné pre hodnotné operačné rozhodnutie dôveryhodné, včasné a riadené.
Pre daný prípad použitia by mali vedúci predstavitelia stanoviť jasný dátový produkt: definovaný súbor informácií, metrík, vlastníctva, očakávaní kvality a pravidiel prístupu, od ktorých je tím alebo automatizácia závislá. Napríklad dátový produkt pre vybavenie objednávok môže kombinovať riadky objednávok, dostupné zásoby, stav dodávky, prioritu zákazníka a dôvody výnimiek. Každé pole potrebuje dohodnutú definíciu a zodpovedného vlastníka.
Praktický základ sa zaoberá aj integráciou a načasovaním. Prehľad založený na údajoch z predchádzajúceho dňa môže byť postačujúci na mesačné plánovanie kapacity, ale nedostatočný na obnovenie objednávok v ten istý deň. Podobne asistent s umelou inteligenciou, ktorý odporúča ďalšie kroky, potrebuje prístup k aktuálnym dokumentom o politike, aktuálnemu stavu transakcie a kontextu príslušného zákazníka alebo aktíva. Architektúra by mala odrážať rýchlosť a spoľahlivosť požadovanú obchodným procesom, nie všeobecnú technologickú preferenciu.
Riadenie je rovnako funkčné. Znamená to, že niekto môže odpovedať na jednoduché, ale dôležité otázky: Kto vlastní toto pole? Čo sa stane, keď neprejde overením? Ktorý systém je zdrojom záznamov? Kto môže použiť údaje pre prípad použitia umelej inteligencie? Ako sú chránené citlivé informácie? Tieto kontroly znižujú záťaž údržby, ktorá sa často objavuje po úspešnom vyhlásení počiatočného pilotného projektu.
Kedy môže umelá inteligencia začať pred dokončením základov
„Na prvom mieste základy“ by sa nemalo stať výhovorkou na odkladanie užitočnej práce na neurčito. Niektoré iniciatívy v oblasti umelej inteligencie sa môžu začať skôr, keď je proces ohraničený, riziko zvládnuteľné a vstupné údaje sú kontrolované.
Asistent znalostí pre interné politiky môže byť rozumným skorým prípadom použitia, ak čerpá zo schválených dokumentov, má jasné povolenia a smeruje zamestnancov k zdrojovým materiálom, keď je dôvera nízka. Klasifikácia dokumentov môže tiež dobre fungovať, keď sú typy dokumentov obmedzené a ľudia kontrolujú neisté výstupy. Tieto projekty pomáhajú tímom budovať postupy zavádzania, riadenia a merania, zatiaľ čo pokračujú rozsiahlejšie vylepšenia údajov.
Kompromisom je rozsah. Včasné projekty umelej inteligencie by nemali robiť rozhodnutia s vysokým dopadom bez spoľahlivých údajov, auditovateľnosti a eskalačných postupov. Asistent môže navrhnúť odpoveď dodávateľovi. Nemal by autonómne meniť platobné podmienky na základe neúplných záznamov. Prognostický model dokáže označiť pravdepodobné problémy so zásobami. Nemal by nahradiť plánovací úsudok, kým jeho výkonnosť nebude otestovaná v rámci bežnej variability, období špičky a okrajových prípadov.
Správne poradie závisí od štyroch podmienok:
- Obchodný proces má definovaného vlastníka a merateľný výsledok.
- Požadované údaje sú k dispozícii v dostatočnej kvalite pre zamýšľané rozhodnutie.
- Výnimky je možné smerovať na osobu alebo riadený pracovný postup.
- Požiadavky na bezpečnosť, prístup a zodpovednosť sú jasné.
Ak sú tieto podmienky splnené, prípad použitia umelej inteligencie môže priniesť hodnotu a zároveň odhaliť presne oblasti, v ktorých dátová základňa potrebuje ďalšiu prácu.
Merajte obchodný výsledok, nie modelovú aktivitu
Programy implementácie umelej inteligencie často hlásia metriky aktivity: povolení používatelia, odoslané výzvy, spracované dokumenty alebo nasadené modely. Tieto ukazujú prijatie, ale nestanovujú prevádzkovú hodnotu.
Vedúci predstavitelia podnikov by mali prepojiť každú iniciatívu s procesnými opatreniami. Vo financiách to môže znamenať mieru bezkontaktného spracovania, čas riešenia výnimiek, náklady na faktúru alebo včasné platby. V oblasti prevádzky zákazníkov to môže znamenať riešenie pri prvom kontakte, čas spracovania, nevybavené prípady a dodržiavanie úrovne služieb. Vo výrobe môžu relevantné opatrenia zahŕňať stabilitu harmonogramu, neplánované prestoje, nepodarky a čas na riešenie problémov s kvalitou.
Východiskový bod je nevyhnutný. Bez neho tím nedokáže rozlíšiť skutočný zisk od sezónnych zmien objemu, zmien v obsadení zamestnancov alebo dočasných riešení. Mal by tiež sledovať ukazovatele kvality spolu s rýchlosťou. Rýchlejší proces klasifikácie, ktorý posiela viac nesprávnych prípadov ďalej, nevedie k zvýšeniu produktivity.
Tu je dôležitá integrovaná dodávka. Redizajn procesov, správa údajov, automatizácia, umelá inteligencia, dashboardy a riadenie zmien by sa mali navzájom posilňovať. Keď každú vrstvu vlastnia rôzni dodávatelia bez zdieľaného operačného modelu, podniky často zdedia fragmentovanú zodpovednosť a drahé odovzdávanie úloh. Jeden transformačný plán zviditeľňuje závislosti a pomáha tímom uprednostňovať prácu, ktorá prináša merateľné výsledky.
Praktická postupnosť pre vedúcich pracovníkov podnikov
Začnite s jedným alebo dvoma procesmi, kde je vysoký objem transakcií, manuálna námaha, oneskorenia pri rozhodovaní alebo riziko súladu s predpismi. Zmapujte aktuálny pracovný postup naprieč funkciami a systémami. Kvantifikujte prepracovanie, čakaciu dobu, objem výnimiek a náklady spojené so slabou viditeľnosťou.
Ďalej definujte cieľový operačný proces a údaje potrebné na jeho riadenie. Štandardizujte definície, stanovte vlastníctvo a prepojte systémy, ktoré obsahujú relevantné záznamy. Automatizujte predvídateľné kroky tam, kde sú pravidlá stabilné. To často vytvára okamžitú hodnotu ešte pred zavedením pokročilej umelej inteligencie.
Potom aplikujte umelú inteligenciu tam, kde zlepšuje konkrétne rozhodovanie, interakciu alebo úlohu s neštruktúrovanými dátami. Navrhujte s ohľadom na ľudské posúdenie tam, kde je vysoké riziko alebo neistota, a monitorujte výsledky po nasadení. Rozširujte ju až po prvej implementácii, ktorá preukáže, že kvalita, riadenie a ekonomika sú v reálnych prevádzkových podmienkach obstojné.
Spoločnosť Ective pristupuje k tejto postupnosti ako k vykonávacej disciplíne: organizuje pracovný postup, štruktúruje dáta, automatizuje opakovateľnú prácu a aplikuje umelú inteligenciu tam, kde to podstatne zlepšuje výkon. Výsledkom nie je izolovaný pilotný projekt. Je to prevádzková schopnosť, ktorú je možné rozšíriť naprieč funkciami a obchodnými jednotkami.
Najsilnejšie programy umelej inteligencie nezačínajú výberom modelu. Začínajú obchodným procesom, ktorý si zaslúži lepšie fungovanie, údajmi, ktoré môžu podporiť dôveryhodné rozhodnutie, a jasným štandardom pre to, ako vyzerá lepší výkon. Stavajte na tom a každá ďalšia investícia do umelej inteligencie má oveľa väčšiu šancu stať sa súčasťou každodenných operácií, než ďalšou sľubnou demonštráciou.
