3 warunki opłacalności sztucznej inteligencji w firmie produkcyjnej

Jak pokazują dotychczasowe badania, wiele projektów związanych z implementacją rozwiązań AI kończy się niepowodzeniem. W 2019 roku aż 40 proc. organizacji, które poczyniły znaczące inwestycje w ten obszar, nie odnotowało z tego tytułu żadnych zysków biznesowych. Dlaczego tak się dzieje?

Jak dowodzą eksperci w świeżo opublikowanym raporcie MIT Center for Information Systems Research, istnieją trzy kluczowe warunki, które muszą być spełnione, aby inwestycje w sztuczną inteligencję stały się opłacalne z biznesowego punktu widzenia – także w firmie produkcyjnej.

Warunek 1: zgodność pomiędzy modelem AI i rzeczywistością (scientific consistency)

Programy sztucznej inteligencji muszą być „trenowane” w zakresie dokładnego odzwierciedlania rzeczywistości. Aby spełnić ten warunek, warto porównywać wyniki modeli AI z wynikami badań empirycznych prowadzonych w rzeczywistości, np. w fabryce. Takie działanie jest pomocne w korygowaniu modelu w taki sposób, aby sztuczna inteligencja działała dokładniej.

Case study:

Zespół ds. środowiska, zdrowia i bezpieczeństwa firmy General Electric opracował oparty o sztuczną inteligencję system oceny kontrahentów współpracujących z firmą. Zespół ten przeszedł przez pracochłonny proces tworzenia zbioru danych, który był podstawą do uczenia się maszynowego. Jednocześnie wyniki, jakie uzyskano dzięki zastosowaniu sztucznej inteligencji, zostały zweryfikowane przez grupę recenzentów. To pozwoliło skorygować działanie modelu i zwiększyć jego zgodność z rzeczywistością.

Warunek 2: zgodność pomiędzy modelem AI a wdrożeniem (application consistency)

Model sztucznej inteligencji musi być nie tylko dokładny, ale także osiągać zamierzone cele bez niepożądanych skutków ubocznych. Wdrożenie sztucznej inteligencji w firmie produkcyjnej wymaga przeanalizowania wszystkich konsekwencji działania modelu.

Case study:

Australijski urząd podatkowy wdrożył oparty na sztucznej inteligencji program, który zachęcał użytkowników do sprawdzania poprawności wniosków składanych online. Celem było zwiększenie poprawności wniosków i zredukowanie liczby zachowań niezgodnych z przepisami. Jednak niepożądanym skutkiem ubocznym działania programu mogłoby być ściganie niektórych podatników, co całkowicie pozbawiałoby projekt sensu. Dlatego też zaprojektowano program w taki sposób, aby jego działanie nie prowadziło jedynie do wykrywania niezgodności z przepisami, ale w subtelny sposób sugerowało pożądane zachowania.

Warunek 3: zgodność pomiędzy modelem AI a potrzebami interesariuszy (stakeholder consistency)

Programy AI powinny przynosić korzyści wszystkim interesariuszom: pracownikom, menedżerom, inwestorom, klientom. Dlatego kluczowym celem powinno być tworzenie wartości, którą wszyscy ci interesariusze rozumieją, wspierają i czerpią z niej korzyści. Firmy produkcyjne powinny angażować się właśnie w tego typu działania, gdyż inne mogą zakończyć się niepowodzeniem ze względu na brak poparcia dla realizacji projektu.

Case study:

Firma Satellogic (z siedzibą w Buenos Aires w Argentynie) łączy zastrzeżone dane satelitarne i zaawansowane techniki analityczne w celu rozwiązywania problemów, takich jak np. potrzeba zwiększenia produkcji żywności lub wydajności wytwarzania energii. Firma podjęła współpracę z chilijskim holdingiem HoldCo. Celem projektu było typowanie najlepszych lokalizacji dla upraw na podstawie zdjęć satelitarnych.

Specjaliści z HoldCo byli jednak bardzo sceptycznie nastawieni do tego pomysłu. Dlatego też Satellogic poprosił ich o pomoc w procesie uczenia się modelu. Pracownicy HoldCo pokierowali też zespołem Satellogic w zakresie etykietowania obrazów satelitarnych, „trenowania modelu” i sprawdzania wyników. Dzięki temu zaangażowaniu mogli oni dostrzec wartość zastosowania innowacyjnych rozwiązań.