회사의 AI 구현을 가속화하기 위한 5가지 팁

전사적 AI 구현의 타의 추종을 불허하는 잠재력을 아는 것은 내부 정보가 아닙니다. 최근 몇 년 동안의 모든 발전에도 불구하고 인공 지능이 무엇을 할 수 있는지 보기 시작하는 것처럼 느껴집니다.

다양한 작업과 프로세스에 AI를 사용하는 수십 개 부문의 기업의 사례는 셀 수 없이 많습니다. 알고리즘은 기업이 고객 행동 및 구매 패턴을 예측하고, 공급망을 최적화하고, 경험을 개인화하고, 인력을 이해하고 , Waldo 를 찾는 데 도움이 됩니다.

그러나 일부 기업의 경우 전면적인 구현을 구현하고 가속화하는 것은 어려운 일입니다. 많은 사람들이 공급업체, 통합 능력, 비용, 개인 정보 보호 및 규제 문제에 대해 우려하고 있습니다. 이러한 도전을 감안할 때 주스가 짜낼 가치가 있습니까?

따라서 AI를 프로세스에 추가로 채택할 생각을 하고 있거나 전환을 시작했는데 답답하거나 지루한 경우 목표에 더 빨리 도달할 수 있는 5가지 방법이 있습니다.

출처: McKinsey & Company

1) 경영진 후원 확보

이전의 SaaS 사례 와 마찬가지로 AI는 온프레미스 소프트웨어와 비교하여 새로운 방식으로 작업을 수행하고 있습니다. 그러나 변화에는 도전이 따릅니다. C-suite의 동의를 얻는 것은 성공에 매우 중요합니다.

고위직이 AI 사용에 대해 더 많은 정보를 얻고 참여할수록 기업 전체에 채택될 가능성이 높아집니다. “강력한 경영진 리더십은 AI 채택이 강화됨에 따라 함께 진행됩니다.

대규모 AI 기술을 성공적으로 배포한 기업의 응답자는 AI 기술을 채택하지 않은 기업의 최고 경영진 지원을 거의 두 배나 높게 평가하는 경향이 있었습니다.”라고 McKinsey Global Institute 연구에 따르면

AI 전환을 주도할 비즈니스 리더가 없다면 이미 시작이 좋지 않은 것입니다. 경영진 위치에 있는 사람들이 AI 통합 프로그램의 다양한 측면을 담당하는지 확인하십시오.

또한 각 단계는 성공적인 캠페인 과정에서 경영진을 변경하는 것을 두려워하지 않고 프로세스를 주도할 수 있도록 적절하게 인력을 배치해야 합니다.

주요 이해 관계자와 매주 원격 회의 를 예약하여 역할이 지속적으로 개선되고 모든 사람이 채택 상태 측면에서 루프 상태를 유지할 수 있도록 합니다.

또한 이 캠페인의 수장으로서 조직 전체의 리소스, 투자 및 전체 전략을 지시할 수 있어야 한다는 점을 강조할 가치가 있습니다. 여기에는 AI 전략, 인적 및 IT 자산, 문화적 채택을 지원하기 위해 주변 사람들을 적극적으로 참여시키는 것이 포함됩니다.

조직의 리더가 혁신을 계속하는 데 필요한 수정 사항을 실행할 때 책임을 지도록 하여 문화적 채택을 우선 순위로 설정하면 도움이 될 것입니다. C-suite는 성공 가능성을 높이기 위해 기술적, 문화적 장벽과 장애물을 제거해야 합니다.

C-suite가 목표와 일치하면 예산을 어떻게 관리하고 통제할지 결정해야 합니다. 현재 환경이 경쟁적인 내부 분석 또는 AI 노력으로 구성된 경우 특히 그렇습니다.

마지막으로, 진행 상황을 축하하고 조직에 알리는 것을 잊지 마십시오. 이는 경영진의 헌신을 강화하고 혁신에 대한 지원을 얻는 데 도움이 됩니다.

출처: McKinsey & Company

2) 데이터 관리 및 거버넌스 정의

더 스마트하고 접근하기 쉬운 '셀프 서비스' 및 팀 협업 소프트웨어 는 데이터, 데이터 소스 및 최종 사용자의 기대치를 증가시킵니다.

결과적으로 적절한 데이터 거버넌스에 대한 요구가 필수적입니다. 이것이 없으면 데이터는 데이터 레이크나 웨어하우스에 목적 없이 보관됩니다. 이렇게 보면 제한 없이 더 많은 데이터가 기업에 더 많은 자유를 줄 수 있습니다.

그러나 엔터프라이즈 수준에서는 누락된 단계, 비효율적인 출력 및 실수를 의미할 수 있습니다. 더 빠른 분석은 솔루션처럼 느껴지기도 전에 문제가 될 수 있습니다.

경영진의 지원을 받아 이 문제를 해결하는 것이 중요합니다. 이는 모든 중요한 기능에서 데이터 수집, 효율성 및 사용을 관리하고 향상시키기 위해 정의된 리소스를 의미합니다.

또한 데이터 거버넌스 팀은 데이터 정책, 표준, 정의를 설정 및 감독하고 데이터 품질을 관리해야 합니다.

모든 데이터가 동일한 것은 아닙니다. 집행 통제가 필요한 것과 공개적으로 사용할 수 있는 데이터를 정의합니다.

오늘날 더 사용자 친화적인 분석 및 시각화 도구를 사용할 수 있다는 점을 감안할 때 더 나은 예측 모델을 생성하거나 새로운 비즈니스 프로세스를 생성하는 다양한 방법을 생성하기 위해 '셀프 서비스'가 얼마나 허용될 수 있습니까? 누가 이러한 데이터 세트와 사용 사례를 정의할 수 있습니까?

엄격함과 보호함, 유연함 사이에 균형을 맞춰야 하기 때문에 고려해야 할 중요한 측면입니다. 이것은 다시 한 번 유용한 데이터 거버넌스 모델의 중요성을 강조합니다.

너무 많은 통제는 느린 프로세스, 응답 부족, 형식적인 절차, 이메일 확인 과 같은 요구 사항 , 비즈니스 주도 IT 솔루션의 노골적인 사용을 의미할 수 있습니다 .

너무 많은 유연성은 진실의 다른 버전을 의미할 수 있으며, 이는 진정한 소유권이나 책임이 없고 갈등을 일으키고 생산성을 감소시킵니다.

출처: KPMG  

AI에 대한 결정을 내릴 때 데이터 거버넌스 프로세스를 통해 해당 결정을 구현하고 관리할 수 있습니다. 누가 무엇에 액세스할 수 있는지, 얼마나 많은 액세스 권한이 있는지, 액세스에 수반되는 사항을 포함합니다.

3) 성공 또는 실패와 반대로 고려하고 테스트 접근

모든 AI 채택은 고유하며 고유한 과제를 제시합니다. 따라서 모든 AI 도입은 '성공 또는 실패' 접근 방식이 아닌 '테스트 및 개선' 방식으로 시작해야 합니다.

일반적으로 분석 방법은 변수 간의 정의된 관계를 추론합니다. 단측 가설을 시도하면 이를 검증하거나 거부하지만 변수 간의 숨겨진 연결을 밝혀내지는 못합니다. 왜 '.

각 단계에 대한 가설을 만들고 다음 단계를 통해 이러한 학습과 경험을 사용하는 것이 중요합니다. 의미 있는 결과를 제공하는 실행 가능한 솔루션처럼 느껴질 때까지 AI 배포를 수정하고 조정하는 것이 훨씬 쉬운 프로세스임을 의미합니다.

그리고 이 접근 방식을 사용하면 배포 기한이 불가피하게 연장되지만 결과를 미세 조정하여 실제 학습 내용을 통합할 수도 있습니다.

AI를 자동화된 챗봇과 같은 컴퓨터화된 고객 서비스에 통합 하는 경우 고객이 어디를 가든지 고객을 기다리는 답변이 있는 것이 중요합니다. 특정 시점까지는 작동하지 않으며 절대값이 필요합니다. 그러면 궁극적인 솔루션이 직원과 최종 사용자의 요구 사항에 맞춰 조정됩니다.

출처: PWC

4) 변경 관리 및 교육에 시간을 할애하십시오.

새 데이터 세트를 수집하기 위해 AI API를 배포하는 것은 간단합니다. 그러나 앞으로 이러한 프로세스를 사용할 분석가를 위한 관리 및 교육을 변경하는 것은 어려운 일입니다.

대부분의 AI는 "예" 또는 "아니오"와 같은 자동화된 결정을 내립니다. 그러나 ML 알고리즘을 통합하면 더 미묘한 응답도 허용할 수 있는 경우가 많습니다. 이러한 응답은 최상의 결과를 제공하기 위해 기존 프로세스와 함께 사용될 수 있습니다.

예를 들어 AI 의사결정 점수가 1-10의 적합성 척도에서 대출 신청이라고 말하면 7-10의 점수는 자동으로 예를 산출할 수 있습니다.

그러나 더 낮은 것은 여전히 ​​사람의 입력이 필요하므로 응용 프로그램을 승인하거나 거부해야 합니다. VoIP 통신을 통해 콜 센터에서 음성 명령을 분석하기 위해 AI를 통합하는 경우 "옵션 1 또는 옵션 2"보다 더 깊은 명령을 어떻게 구별할 수 있습니까?

특정 프로세스를 사용하는 방법에 대해 직원을 교육하는 데 시간을 할애하는 것처럼 AI 기반 결과에서도 마찬가지입니다.

인간 직원은 AI 알고리즘에서 나오는 결과를 분석하는 데 몇 주를 소비해야 할 수 있습니다. 그러면 점수를 가장 잘 해석하는 방법에 대한 참조 프레임이 제공됩니다.

AI 공급업체를 사용하는 경우 결과를 이해하는 방법과 직원이 새 시스템을 최대한 활용할 수 있는 방법에 대해 안내할 수 있습니다. 그렇지 않으면 온라인 학습 플랫폼을 만드는 방법을 배우는 것이 팀원들이 속도를 높이도록 하는 데 가치 있는 투자가 될 수 있습니다.

AI는 '마법'이 아니다. 패턴과 동작을 이해하여 보다 정확한 결과를 제공하고 예측하는 방법일 뿐입니다. AI는 해결해야 할 정의된 문제와 성공을 위한 올바른 지표가 있는 경우에만 작동합니다. 해결하기 위해 AI를 구입한 문제를 명확하게 정의하지 않으면 올바른 솔루션을 얻을 수 없습니다.

출처: 하버드 비즈니스 리뷰

5) 자동화 통합 및 동화

전사적 AI 채택을 확대함에 따라 다양한 유형의 자동화가 도입됨에 따라 이러한 프로세스의 미래 모습이 바뀔 것입니다. 완전한 수동 프로세스에서 RPA 채택, 더욱 발전된 AI 프로토콜에 이르기까지.

그냥하는 것이 가장 좋습니다 (난 그냥 큰 알고) 마음에 AI와 함께 처음부터 비즈니스 프로세스를 재 발명. 그런 다음 주어진 단계에서 작업에 가장 적합한 도구를 적용할 수 있습니다.

RPA 또는 AI를 기존 프로세스에 삽입하는 것만으로는 모든 잠재력을 놓치게 될 수 있습니다. 추가로 통합할 때 발생해야 하는 핸드오프도 고려해야 합니다.

여기에는 인간-기계 또는 기계-기계 학습이 포함됩니다. 핸드오프를 간소화하고 더 원활하고 안정적으로 만들어 미래 프로세스를 비용 효율적이고 경쟁력 있고 민첩하게 개선할 수 있습니다.

출처: 하버드 비즈니스 리뷰

AI 구현 속도를 높일 수 있습니다. 그러나 반드시 똑똑해지는 것은 아닙니다. 올바른 선택을 하는 것입니다. 정의된 데이터 거버넌스 팀과 함께 경영진의 동의를 얻는 것이 중요합니다.

데이터 품질에 고착화되면서 관리를 변경하는 데 충분한 시간을 할애하고 정의된 기대치 접근 방식 없이 테스트를 수행합니다.

AI 프로젝트에 너무 많은 시간이 걸린다고 생각되면 인내심을 가지세요. 모든 종류의 디지털 혁신과 마찬가지로 결승선에 가까워지면 또 다른 장애물에 부딪히게 될 것입니다. 하지만 그것을 극복하고 가능성은 무한합니다.

John Allen은 글로벌 UCaaS, VoIP 및 화상 회의 솔루션 제공업체인 RingCentral의 글로벌 SEO 이사입니다. 그는 14년 이상의 경험과 디지털 마케팅 프로그램 구축 및 최적화에 대한 광범위한 배경 지식을 보유하고 있습니다. 그는 Hubspot 및 BambooHR과 같은 웹사이트에 글을 썼습니다.