Человеку свойственно ошибаться, но искусственный интеллект это не волнует. Опрошенные порталом InformationWeek эксперты рассказывают, как сделать так, чтобы первый ИИ-проект вашей организации не превратился в большую и дорогостоящую ошибку.

«Тот, кто никогда не ошибался, никогда не пробовал ничего нового», — сказал когда-то Альберт Эйнштейн. Когда дело дойдет до создания вашего первого ИИ-проекта, у вас, безусловно, будет много возможностей поучиться на своих ошибках.

Вот краткое изложение пяти основных ошибок, которые совершают новички в области ИИ, и как их избежать.

1. Недооценка сложности проекта

Новички в области ИИ часто недооценивают сложность интеграции ИИ в свои существующие системы и процессы, говорит Кристобаль Фресно Родригес, BI-аналитик компании по разработке ПО BairesDev: «Они считают, что ИИ может быть быстрым решением или решением „подключи и работай“, но реальность гораздо сложнее».

Недооценка сложности ИИ обычно приводит к тому, что проекты не приносят ожидаемых результатов. «Это может привести к напрасной трате ресурсов, как времени, так и денег, и может создать чувство разочарования в технологиях ИИ в организации, — предупреждает Родригес. — Кроме того, эта неудача может подорвать доверие к ИИ-инициативам и затруднить получение поддержки для будущих проектов».

По его словам, организациям крайне важно подходить к внедрению ИИ со стратегическим и продуманным планом.

2. Непродуманность проекта

Чрезмерно рьяные новички в области ИИ часто делают фальстарт, не будучи в состоянии полностью определить предполагаемую цель своего проекта. «После появления генеративного ИИ (GenAI) мы видели, как фирмы пытались выполнить ряд проверок концепций, но они не доходили до прайм-тайма, поскольку сценарий использования не превращался в бизнес-кейс», — говорит Прасад Санкаран, исполнительный вице-президент ИТ-сервисной и консалтинговой компании Cognizant.

По его словам, GenAI требует пристального внимания к доверию, прозрачности и безопасности, и к нему нужно подходить ответственно. «Это необходимо для масштабирования ИИ и предоставления ценности клиентам», — говорит Санкаран. Он считает, что новички в области ИИ должны подходить к GenAI с четким видением и стратегией, а также соответствующими ограничениями, сдержками и противовесами.

Решите, что вы хотите делать с GenAI и как вы будете измерять успех, рекомендует Санкаран: «Подумайте, какие данные, инструменты, платформы и навыки вам понадобятся, и сколько денег и времени вы сможете потратить. Убедитесь, что вы следуете этическим и безопасным стандартам для ИИ и используете данные и обратную связь для тестирования и улучшения своих ИИ-решений».

3. Вера в то, что ИИ может заменить людей

ИИ может имитировать когнитивные функции человека, такие как обучение и решение проблем, но ключ в том, чтобы использовать эту технологию в качестве дополнения в работе, которую необходимо выполнить, говорит Лорен Саллата, директор по маркетингу компании Ricoh North America, занимающейся управлением информацией и цифровыми услугами. «Обеспечение эффективности — более реалистичная стратегия, чем предположение, что ИИ полностью автоматизирует работу», — отмечает она.

Если ИИ не внедряется продуманно и осторожно, организации рискуют потерять потенциальную выгоду от оптимизации конкретных сценариев использования. «Например, создание структур и процессов вокруг улучшения эффективности поможет небольшим командам повысить продуктивность, сохранив качество, — говорит Саллата. — Лучший план внедрения — сделать людей центральным элементом вашей стратегии».

4. Пренебрежение данными

Распространенная ошибка новичков в области ИИ, особенно тех, кто стремится оптимизировать финансовые операции, — недооценка важности высококачественных структурированных данных. «Многие компании считают, что просто внедрение ИИ-решений решит любую бизнес-проблему, — отмечает Дэн Дреес, президент поставщика ПО для управления кредиторской задолженностью AvidXchange. — Системы ИИ хороши ровно настолько, насколько хороши данные, на которых они обучены. Без чистых, релевантных и хорошо организованных данных ИИ не может работать точно или эффективно».

Типичный результат использования некачественных данных — неточные прогнозы и инсайты. «При эффективном использовании ИИ может, например, помочь финансовым отделам оптимизировать свои процессы и повысить эффективность, одновременно устранив дополнительные шаги, такие как ручное отслеживание и непрерывный мониторинг, — говорит Дреес. — Если ваши системы не используют качественные данные, это может привести к неправильным решениям, пустой трате ресурсов и, в конечном итоге, к худшим результатам, и все это может отнять много времени».

Он рекомендует инвестировать время и ресурсы в подготовку данных перед внедрением ИИ-решения: «Сюда входят очистка и структурирование данных, обеспечение их соответствия проблемам, которые вы хотите решить, а также постоянное обновление и поддержка данных для обеспечения их точности».

5. Глупые, бесполезные проекты

Самая большая ошибка, которую совершают многие новички в области ИИ ИИ, — это оказаться жертвой «синдрома новой блестящей игрушки», говорит Николаус Кимла, генеральный директор компании Pipeliner CRM, занимающейся разработкой ПО CRM. «Они внедряют инструменты ИИ, потому что они звучат заманчиво, не оценивая должным образом их применимость», — объясняет он.

Кимла предупреждает, что внедрение инструментов ИИ просто потому, что, что они звучат великолепно, приводит к потере времени: «Переход от одного блестящего нового инструмента к другому отрицательно влияет на производительность и означает, что ваша команда получает меньше доступа к необходимым решениям».

Он утверждает, что ИИ-решения всегда должны соответствовать бизнес-целям: «ИИ должен расширять возможности человека и улучшать конкретные бизнес-процессы, а не приниматься ради новизны и показухи».