会社のAI実装を加速するための5つのヒント

全社的なAI実装の比類のない可能性を知ることはインサイダー情報ではありません。 近年の進歩にもかかわらず、人工知能が何をすることができるかを見始めたばかりのように感じます。

さまざまなタスクやプロセスにAIを使用している、数十のセクターにわたる企業の例は無数にあります。 アルゴリズムは、企業が顧客の行動や購入パターンを予測し、サプライチェーンを最適化し、エクスペリエンスをパーソナライズし、従業員を理解し、さらにはウォーリーを見つけるのに役立ちます。

ただし、一部の企業にとっては、本格的な実装の実装と加速は困難な見通しです。 多くの人が、ベンダー、統合能力、コスト、プライバシーおよび規制の問題について懸念を抱いています。 これらの課題を考えると、ジュースは絞る価値さえありますか？

したがって、AIをプロセスにさらに採用することを検討している場合、または移行を開始してイライラしたり退屈だと感じている場合は、目標をより早く達成するための5つの方法があります。

出典： McKinsey＆Company

1）エグゼクティブスポンサーシップを確保する

その前のSaaSの例のように、AIは、オンプレミスと比べて物事を行うための新しい方法に先導されています。 しかし、変化に伴い、課題が発生します。 Cスイートの賛同を得ることは成功のために重要です。

AIの使用についてより多くの情報と関与があれば、企業全体で採用される可能性が高くなります。 「強力な経営幹部のリーダーシップは、AIの採用の強化と密接に関連しています。

このマッキンゼーグローバルインスティテュートの調査によると、AIテクノロジーの大規模な展開に成功した企業の回答者は、AIテクノロジーを採用していない企業の回答者のほぼ2倍のCスイートサポートを評価する傾向がありました。

AIの移行を主導する立場にあるビジネスリーダーがいない場合は、すでに悪いスタートを切っています。 幹部職の人には、AI統合プログラムのさまざまな側面が課せられていることを確認してください。

また、キャンペーンを成功させるために、キャンペーンの過程で管理を変更することを恐れずに、プロセスを推進するために各ステップに適切なスタッフを配置する必要があります。

主要な利害関係者との毎週の電話会議をスケジュールして、役割が絶えず洗練され、採用状況の観点から全員が常に最新の状態に保たれるようにします。

また、このキャンペーンの責任者であるあなたは、組織全体のリソース、投資、および全体的な戦略を決定できる必要があることも強調する価値があります。 これには、AI戦略、人的およびIT資産、文化的採用のサポートのために周囲の人々を積極的に関与させることが含まれます。

組織のリーダーが変革を継続するために必要な改訂を実行する際に説明責任を負わせることで、文化的採用を優先する場合に役立ちます。 C-suiteは、成功の可能性を高めるために、技術的および文化的な障壁や障害を取り除く必要があります。

C-suiteが目標に一致したら、予算をどのように管理および制御するかを決定する必要があります。 これは、現在の状況が競合する内部分析またはAIの取り組みで構成されている場合に特に当てはまります。

最後に、進捗状況を祝って組織に伝えることを忘れないでください。 これは、経営幹部からのコミットメントを強化するだけでなく、変革への支持を得るのに役立ちます。

出典： McKinsey＆Company

2）データ管理とガバナンスを定義する

よりスマートでアクセスしやすい「セルフサービス」およびチームコラボレーションソフトウェアにより、データ、データソース、およびエンドユーザーの期待が高まります。

その結果、適切なデータガバナンスの需要が不可欠になります。 それがなければ、データは目的もなくデータレイクやウェアハウスに置かれます。 このように見ると、制限のないデータが増えると、企業はより自由になります。

ただし、企業レベルでは、ステップの欠落、非効率的な出力、および見落としを意味する場合があります。 解決策のように感じる前に、より高速な分析が問題になる可能性があります。

幹部の支援を受けてこれに対処することが重要です。 これは、すべての重要な機能にわたってデータ収集、効率、および使用法を管理および強化するための定義済みのリソースを意味します。

さらに、データガバナンスチームは、データポリシー、標準、定義を設定および監視し、データ品質を管理する必要があります。

すべてのデータが等しいわけではないことを忘れないでください。 エグゼクティブコントロールが必要なものと、公開して使用できるデータを定義します。

よりユーザーフレンドリーな分析および視覚化ツールが今日利用可能になったことを考えると、より優れた予測モデルまたは新しいビジネスプロセスを作成するさまざまな方法を作成するために、どのくらいの「セルフサービス」を許可できますか？ これらのデータセットとユースケースを定義できるのは誰ですか？

堅固で保護的であることと柔軟であることの間にはバランスをとる必要があるため、これらは考慮すべき重要な側面です。 これもまた、有用なデータガバナンスモデルの重要性を浮き彫りにします。

制御が多すぎると、プロセスの遅延、応答の欠如、レッドテープ、電子メールの検証などの必要性、ビジネス主導のITソリューションの明白な使用を意味する可能性があります。

柔軟性が高すぎると、真実のバージョンが異なる可能性があり、実際の所有権や責任がなくなり、対立が生じ、生産性が低下します。

出典： KPMG  

AIについて決定を下すとき、データガバナンスプロセスにより、その決定を実装および管理できます。 誰が何にアクセスできるか、どれだけのアクセスが可能か、そしてそのアクセスに何が必要かを含みます。

3）成功または失敗ではなく、検討およびテストのアプローチを取る

すべてのAIの採用は独自のものであり、独自の課題があります。 したがって、すべてのAIの導入は、「成功または失敗」のアプローチではなく、「テストと改良」の方法で開始する必要があります。

従来、分析手法は変数間の定義された関係を推測します。 片側仮説を試行すると、それが検証または拒否されますが、変数間の隠れた関係は明らかになりません。 なぜ。

各ステップの仮説を作成し、次のステップでこれらの学習と経験を使用することが重要です。 これは、意味のある結果をもたらす実行可能なソリューションがはるかに簡単なプロセスであると感じるまで、AIデプロイメントを改良およびキュレートすることを意味します。

また、このアプローチでは展開の期限が必然的に延長されますが、結果を微調整して、実際に学んだ教訓を組み込むこともできます。

自動チャットボットなどのコンピューター化されたカスタマーサービスにAIを統合する場合、顧客がどこに行っても、答えが待っていることが重要です。 それは特定のポイントまで機能することができません、それは絶対を必要とします。 究極のソリューションは、従業員とエンドユーザーのニーズに合わせて調整されます。

出典： PWC

4）変更管理とトレーニングに時間を費やす

AIAPIをデプロイして新しいデータセットを取り込むのは簡単です。 ただし、今後これらのプロセスを使用するアナリストの管理とトレーニングを変更することは困難です。

AIのほとんどの形式は、「はい」または「いいえ」の自動決定を作成します。 ただし、MLアルゴリズムの統合により、より微妙な応答も可能になる場合がよくあります。 これらの応答は、最良の結果を提供するために既存のプロセスと組み合わせて使用​​できます。

たとえば、AIの決定スコアが、1〜10の適合性スケールでのローン申請である場合、7〜10のスコアは自動的に「はい」になる可能性があります。

ただし、それより低いものは、アプリケーションを許可または拒否するために人間の入力が必要になります。 AIを統合してVoIP通信を介してコールセンターの音声コマンドを分析している場合、「オプション1またはオプション2」よりも深くコマンドを区別するにはどうすればよいでしょうか。

特定のプロセスの使用方法について従業員のトレーニングに時間を費やすのと同じように、AIベースの結果についても同じことが言えます。

人間の従業員は、AIアルゴリズムから返される結果を分析するために数週間を費やす必要があるかもしれません。 それは彼らにスコアを最もよく解釈する方法に関して参照のフレームを与えるでしょう。

AIベンダーを使用している場合は、結果を理解する方法と、従業員が新しいシステムを最大限に活用する方法についてガイドすることができます。 そうでなければ、オンライン学習プラットフォームを作成する方法を学ぶことは、チームメンバーをスピードアップさせるための価値のある投資になる可能性があります。

AIは「魔法」ではありません。 これは、パターンと動作​​を理解して、より正確な結果を提供し、予測を行うための単なる方法です。 AIは、解決すべき問題が定義されており、成功するための適切な指標がある場合にのみ機能します。 解決するためにAIを購入した問題を明確に定義していないと、適切な解決策が得られません。

出典：ハーバードビジネスレビュー

5）自動化を統合および同化する

企業全体でのAIの採用を増やすと、これらのプロセスが将来どのように見えるかは、多数のタイプの自動化の導入によって変化します。 完全な手動プロセスからRPAの採用、さらに高度なAIプロトコルまで。

それはちょうどに最適です（と私はそれだけで大きな知っている）心の中でAIと地上からビジネスプロセスを再発明します。 その後、任意のステップでジョブに最適なツールを適用できます。

確立されたプロセスにRPAまたはAIを挿入するだけでは、その可能性をすべて逃してしまう可能性があります。 さらに統合するときに発生する必要のあるハンドオフについても考慮する必要があります。

これには、人間機械学習または機械機械学習が含まれます。 ハンドオフを合理化し、よりシームレスで信頼性の高いものにすることで、将来のプロセスをさらに強化して、費用効果が高く、競争力があり、俊敏性を高めることができます。

出典：ハーバードビジネスレビュー

AIの実装をスピードアップできます。 ただし、必ずしも賢くなる必要はありません。 それは正しい選択をすることです。 エグゼクティブの賛同を得て、定義されたデータガバナンスチームと組み合わせることが重要です。

データ品質に固執するようになり、管理を変更するために十分な時間を費やし、定義された期待アプローチなしでテストを行うようになりました。

AIプロジェクトに時間がかかりすぎる場合は、しばらくお待ちください。 他の種類のデジタルトランスフォーメーションと同様に、フィニッシュラインに近づいているときに、別のハードルに遭遇する可能性があります。 しかし、それを克服すれば、可能性は無限に広がります。

John Allenは、グローバルUCaaS、VoIP、およびビデオ会議ソリューションプロバイダーであるRingCentralのグローバルSEOディレクターです。 彼は14年以上の経験があり、デジタルマーケティングプログラムの構築と最適化に幅広いバックグラウンドを持っています。 彼はHubspotやBambooHRなどのWebサイト向けに執筆しています。