人工智能不仅仅是另一个技术项目

 
与任何其他计划不同，人工智能是业务转型的推动者，而不是需要对其进行培训的其他技术系统实现。传统上，企业要么选择线性任务的经典瀑布式方法，要么选择敏捷方法，在这种方法中，团队在测试解决方案时会对其进行评估和评估。
相反，实施AI技术需要完全不同的方法。 AI要求您查看问题，看看是否有办法通过重新定义业务流程本身来解决问题。除了采用10步策略解决问题外，还有没有办法使用现有数据或通过使用未开发的内部或公开可用的新型数据并对其应用AI来将其缩减为6步? IDC去年的一项研究发现，有60%的组织报告其业务模式的变化与采用AI相关。
但是，成功实施AI非常困难-可能部分是因为它需要这种不同的方法。 IDC研究发现，大多数组织在其AI项目中报告了一定程度的失败。由于不切实际的期望，接受调查的组织中有四分之一报告失败率为50%。
为了确保在转型期间取得成功，企业需要包含三个概念。
1.了解人类的影响
引入AI并不像引入新的软件程序。这将影响员工和客户的工作方式，行为方式和决策方式。工作场所的AI技术将为员工提供学习新技能的新机会。员工的领域知识是正确使用AI的关键，并且在AI没有正确响应的正确上下文，能力或参数的极端情况下，员工也很有价值。正确定义成功的AI项目所依赖的人工输入并调整员工角色以提供支持非常重要。
例如，有些医疗呼叫中心旨在对医学试验中的患者做出反应，并劝阻他们停止药物治疗。呼叫中心的员工为经理转录呼叫，以便他们跟进。但是，人工智能中的自然语言处理(NLP)可以转录呼叫并突出显示“问题短语”，表明某个人将停止治疗。
借助这项新的转录技术，企业不再需要可以快速准确地打字的员工。相反，它需要善解人意的工作人员进行干预，并为要停止治疗的患者提供实时指导。这不只是简单地插入一项新技术。它正在改变业务模型，并需要更深入的变更管理。
2.引领设计思维
了解人类的影响只是在AI实现中必须不懈地关注最终用户的开始。公司需要了解他们试图在人员层面上实现的目标，而不仅仅是在业务流程层面上。该应用程序将如何改善员工或客户的个人体验?过去，工程师根据一组要求在自己的办公桌上单独构建新技术。这种线性的发展方式已不再足够。由于AI的复杂性，必须部署一种新的非线性方法。
设计思维是观察，构思，原型设计和测试的迭代过程，可确保最终用户对于与该技术有关的所有决策至关重要。对该产品进行了全面(正式或非正式)测试，这使工程师不仅可以获取给出的明确反馈，还可以了解他们未说的喜好和行为。通过这种设计思考过程，人工智能技术可以无缝，直观地融入用户体验，几乎变得不可见。
在一个示例中，一家云计算公司的服务门户缺乏以人为本的设计，这为其客户带来了糟糕的用户体验。在审核应用程序时，该公司发现该门户网站已过时，并且用户界面不一致，信息体系结构不完整且导航功能不佳。这家云计算公司首先与客户的员工接触，并使用设计思维研讨会为该应用程序提出了以员工为中心的方法，而不是推出针对特定功能的更新应用程序。员工希望获得集中，上下文相关且易于查找的信息。这家云计算公司推出了一个个性化的仪表板，并带有一个AI驱动的虚拟助手，以帮助这些员工快速查找信息。通过从员工的角度重新构想该平台的应用程序，而不仅仅是专注于用户功能，该公司能够确保成功启动和81%的采用率。如果公司推出了功能特定的AI解决方案，则采用率可能不会很高。如果没有人使用新的AI解决方案，投资的重点是什么?
3.学会拥抱失败
传统CRM的实施几乎可以保证是成功的。 AI需要更高的容错能力。公司需要期望失败并从中汲取教训，而不是在新的财政季度之前放弃努力。每一次失败都会带来新的见解，最终为公司创造价值。
这种类型的乐观尤为重要，因为企业在使用AI技术时将使用非结构化数据。非结构化数据看起来很混乱，但它可能是整个企业的机会。例如，在医疗保健领域，使用Medicare的人口是我们社会中最脆弱的部分。目前，医学界仅使用诸如嵌入式便笺之类的结构化数据来跟踪患者的担忧和进展。借助AI，该解决方案可以通过非结构化注释来查找健康状况的社会决定因素，包括获得清洁水，可靠的住所以及通过食物券获得食物。医生不一定要在笔记中追踪社会因素，但AI可以通过抓取从数据中收集的详细信息来做到这一点。之后，AI可以将该信息放回结构化注释中，并提供新的上下文级别。
但是，人工智能需要花费时间来解析非结构化数据并将其组织为对跨业务线的员工有用的集合。将需要工程师和程序员来帮助AI找出如何使这些数据对其他员工有用。这可能需要进行多次集思广益的会议，并且可能不会带来有利或有益的结果。所有股东都必须了解，这些解决方案是探索性和实验性的解决方案，它们可能不会立即产生ROI，但对于为AI革命做准备的业务至关重要。希望在短期内看到结果的高管和股东将感到失望，并极力想将实施项目全部取消。
为了抵御这种冲动，公司需要接受失败并以试验思维方式开始实施。由于AI是一项革命性的技术，因此全面实施对目标来说太具有挑战性。这种实验思维必须从投资者和高管开始，一直到其他员工。
AI失误的一个例子是医疗保健。在AI解决方案的早期应用中，他们为接受治疗的患者提出了不安全的建议。 AI提供的建议是不安全的，因为输入到机器中的大多数数据都是假设的医学数据，而不是真实的患者数据。他们没有将这些早期AI解决方案的不良性能视为失败，而是从中学到的教训是，不能使用假设数据代替真实数据。
对于组织中的每位员工来说，人工智能实施都是一个真正的学习过程。通过理解对人类的影响，以设计思想为主导，并培育一种创新成为主流，接受挫折的文化，组织可以确保AI能够实现其承诺的潜力。