종단 간 AI 프로젝트 설계의 장애물 극복

S&P Global Market Intelligence의 일부인 451 Research의 최근 연구에 따르면 "AI를 채택한 조직의 90% 이상이 지난 XNUMX년 이내에 첫 번째 AI 프로젝트 개발을 시작했습니다." 초기 단계이지만 AI 지원 솔루션은 우리 주변에서 증가하고 있습니다. 그러나 이러한 이니셔티브 중 다수는 배포에 성공하더라도 여전히 기대치를 충족하지 못하고 있습니다.

성공하려면 리더는 명확한 기대치, 비즈니스 목표에 대한 조정 및 반복을 기반으로 하는 사려 깊은 전략으로 AI 프로젝트를 선택하고 관리해야 합니다. 성공적인 종단 간 AI 프로젝트를 설계할 때 조직이 직면하는 일반적인 장애물과 이를 극복하는 방법을 살펴보겠습니다.

AI 지원 솔루션에 대한 기대 관리

오늘날 실패한 많은 AI 프로젝트는 XNUMX년대 기업용 소프트웨어 프로젝트를 연상시킵니다. 팀이 새로운 기술로 문제를 해결할 것이라는 높은 희망을 품고 개발 프로젝트가 궤도를 이탈했습니다. 그때나 지금이나 주요 함정은 솔루션이 실제로 해결할 수 있는 것에 대한 기대치가 부풀려져 있다는 것입니다.

충분한 데이터를 수집하면 모든 것이 갑자기 투명해질 것이라고 가정하는 것은 위험합니다. 고객 행동을 예측하거나 고객의 요구 사항을 예측하기 위한 완벽한 권장 사항을 제시할 수 있습니다. 불행히도 세상은 사람들이 원하는 것보다 훨씬 예측하기 어렵습니다. 유용한 패턴이 나타나기는 하지만 모든 이벤트가 인과 관계가 있거나 상관 관계가 있는 것은 아닙니다. 노이즈를 생성하는 많은 일이 발생합니다.

동시에 많은 조직은 동료들이 AI 솔루션을 구현하는 것을 보고 따라잡아야 한다는 압박감을 느낍니다. 동료의 성공을 이끄는 요소가 무엇인지 이해하지 못하고 자신의 조직에 도움이 되는지 여부를 이해하지 못하는 경우 단지 "존스를 따라잡기" 위해 AI에 투자하는 것은 역효과를 낼 수 있습니다. 종종 AI 프로젝트에서 유리한 위치에 있는 회사는 데이터 전략 및 비즈니스 프로세스 AI에 적합한 종류의 데이터를 수집하고 활용할 수 있도록 합니다.

궁극적으로 AI 프로젝트에 대한 기대치를 관리하는 것은 AI로 실제로 해결할 수 있는 문제를 명확하게 설명하는 능력에서 시작됩니다.

문제에 적합한 종류의 AI 프로젝트 선택

AI 전략이 비즈니스 목표와 일치합니까? 프로젝트 선택은 아마도 조직이 AI 이니셔티브와 관련하여 직면하는 가장 큰 단일 과제일 것입니다. 대답하려는 질문이 무엇인지, 그 질문에 대답하는 것이 어떻게(그리고 만약) 비즈니스 결과를 향상시킬 것인지, 그리고 당신이 가진 자원이 성공적이고 효율적으로 대답할 수 있는지 여부를 진정으로 이해하는 것이 중요합니다.

예측 모델을 사용하여 고객에게 언제 어떤 종류의 할인을 제공할지 결정한다고 가정해 보겠습니다. 데이터 사이언스 팀을 불러오세요! 그러나 이것은 실제로 예측 모델 문제로 접근하기가 매우 어렵습니다. 우선, 고객이 할인 없이 제품을 구매할지 여부를 알기 어렵습니다. 그리고 유용한 모델을 생성하기 위해 충분한 통계적 엄격함으로 필요한 데이터를 수집하려면 어떤 고객이 할인을 받거나 어떤 영업 담당자가 할인을 제공할 수 있는지 무작위로 지정하는 것과 같이 비즈니스에 부자연스럽게 느껴지는 일부 프로세스가 포함될 수 있습니다. 그것은 상황에 많은 복잡성을 추가합니다.

AI로 이 문제에 접근하는 더 좋은 방법은 다양한 할인 체계에서 기대하는 고객 행동의 시뮬레이션 모델을 탐색하는 것일 수 있습니다. 정확한 예측에 도달하기 위해 시스템을 괴롭히는 대신 시뮬레이션 및 시나리오 계획은 사람들이 비즈니스 결정을 내릴 때 어떤 변수가 서로 민감한지 알아내는 데 도움이 될 수 있습니다. 스스로에게 물어보십시오. 이 할인을 이해하려면 어떤 고객 응답이 필요합니까? 잠재적인 결과를 탐색하는 이런 종류의 연습은 복잡한 데이터 과학 실험을 구축하는 것보다 훨씬 더 효과적이고 확실히 훨씬 쉽습니다.

성공을 위한 팀 설정

데이터에 대한 모든 종류의 AI 활동을 수행하려면 데이터가 무엇을 위해 수집되고 선별되었는지, 과거에 어떻게 사용되었는지, 미래에 어떻게 사용될 것인지를 이해하는 것이 중요합니다. 완전하고 개입하는 순간에 실제 세계에서 사용 가능한 것을 나타내는 데이터로 모델을 교육하는 것이 중요합니다. 예를 들어 거래 파이프라인에 여러 단계가 있고 XNUMX단계에서 거래가 성사될 가능성을 예측하려는 경우 XNUMX단계 또는 XNUMX단계의 거래에 대해 모델을 실행하고 유용한 결과를 기대할 수 없습니다.

데이터 과학자는 종종 데이터가 나타내는 것과 데이터가 생성되는 방식의 뉘앙스를 이해하는 데 차이가 있습니다. 데이터를 생성하는 데 어떤 인간 및 기술 프로세스가 역할을 하며 비즈니스 맥락에서 데이터가 정확히 무엇을 의미합니까? 여기에서 데이터와 이를 통해 해결하려는 문제에 가까운 분석가 및 비즈니스 사용자가 매우 중요합니다. 우리는 ~하기 좋아해 AI를 팀 스포츠로 생각하다 성공하려면 데이터 및 모델 활용 능력의 기준과 더불어 비즈니스 컨텍스트가 필요하기 때문입니다.

마지막으로 조직이 데이터나 기술에 너무 집중하면 간과할 수 있는 프로젝트 성공의 인간 중심적 측면이 있습니다. 종종 AI는 예측을 할 수 있지만 이를 권장 조치로 전환하는 방법을 결정하는 것은 누군가에게 달려 있습니다. 제안이 명확한 조치를 제공하는 데 유용하고 사람들이 기꺼이 따를 것입니까? 이러한 제안을 효과적으로 받을 수 있는 환경을 만들고 있습니까?

무언가를 예측하는 것은 때때로 유용합니다. 가격, 제품 수량 또는 인력을 조정하거나 제품 라인을 변경할 의향이 있습니까? 사람들이 새로운 솔루션을 수용하고 기존의 행동과 프로세스를 발전시키려면 어떤 수준의 변경 관리가 필요합니까? 신뢰는 일관된 행동 패턴과 계속해서 비즈니스를 교육하려는 의지에서 나옵니다. 사람들이 업무를 수행하는 방식에 근본적으로 영향을 미치려면 사람들이 이에 동참해야 합니다.

작게 시작하고 반복

고객과 함께 작업하는 동안 본 내용을 기반으로 몇 가지 지침을 마무리하겠습니다.

종종 최고의 첫 번째 AI 프로젝트는 가장 덜 복잡한 변경 관리로 운영하고 프로덕션에 들어가는 것이 가장 쉬운 프로젝트입니다. 아주 작은 점진적인 개선이라 할지라도 가능한 한 빨리 가치를 제공하는 무언가를 구축하려고 노력하십시오. 또한 고객, 비즈니스 사용자 및 이해 관계자가 개발 프로세스에 최대한 가깝게 유지하십시오. 모델을 반복적으로 개선하기 위해 더 많은 데이터를 수집하고 프로젝트와 그 결과를 개선하기 위해 이해 관계자의 의견을 반영한다는 의미에서 좋은 피드백 환경을 만드는 것을 목표로 합니다.

AI를 사용하면 솔루션이 누락되는 극단적인 경우가 항상 있을 것입니다. 그러나 소수의 맞춤형 사용 사례에서만 작동하는 정말 화려한 개념 증명을 개발하는 대신 대부분의 고객 또는 직원에게 작동하는 솔루션을 찾는 것이 좋습니다. 결국 AI는 마찰을 줄이고 사람들이 보다 쉽게 ​​업무를 수행하고 정보에 입각한 결정을 내릴 수 있도록 해야 합니다.

Tableau AI 분석에 대해 자세히 알아보려면 다음 사이트를 방문하십시오. tableau.com/ai.