Kämpfen Sie mit dem ROI in der KI? Eine Lektion in Skalierung von KI-Führungskräften
Es gibt viele Einflussfaktoren, die letztlich bei der Kostenoptimierung und Wertschöpfung von KI-Anwendungen eine Rolle spielen. Es ist durchaus möglich, mit KI-Anwendungen auch kurzfristig Kosten zu senken und Werte zu schaffen, aber es ist auch leicht, vom ROI abzukommen, wenn der falsche Business Case ausgewählt wird, die Fähigkeiten der Mitarbeiter nicht vorhanden sind oder keine Modelle erstellt werden für Maßstab.
Selbst wenn all diese Elemente vorhanden sind, kann die Bereitstellung von ROI mit KI für Unternehmen in der frühen Phase der KI-Einführung immer noch eine etwas entmutigende Aufgabe sein. Beim KI-ROI ist der Unterschied zwischen Followern und Leadern deutlich, was durch die Tatsache verstärkt wird, dass sich nur so wenige Unternehmen als Leader bezeichnen können und die meisten Unternehmen sich noch in einem relativ frühen Stadium ihrer KI-Reise befinden. Tatsache bleibt jedoch, dass sich Führungskräfte der Rolle von KI für das Unternehmenswachstum im Wettbewerb sehr bewusst sind.
Laut Studie von Accenture AI: Built to Scalegaben 88 % der befragten Führungskräfte im Vereinigten Königreich an, dass sie ihre Wachstumsziele ohne die Skalierung von KI nicht erreichen werden. Darüber hinaus glaubten in derselben Studie 84 % der Führungskräfte, dass sie riskierten, in fünf Jahren das Geschäft aufzugeben, wenn sie die KI nicht skalieren, und 84 % der Führungskräfte gaben zu, dass sie wussten, wie man Piloten steuert, aber Schwierigkeiten hatten, KI zu skalieren im gesamten Unternehmen.
Diese Skalierbarkeit macht den großen Unterschied zwischen KI-Followern und -Leadern aus und steigert gleichzeitig den ROI von KI-Investitionen. Was können Follower und diejenigen, die noch auf dem Vormarsch sind, tun, um zu skalieren und den ROI zu steigern?
Die KI-Reifereise verstehen
Jede Reise muss irgendwo beginnen, und viele Unternehmen beginnen ihre KI-Reise möglicherweise mit kurzfristigen Zielen. Beispielsweise können Versicherungsunternehmen KI implementieren, um Schadensfälle zu automatisieren oder Betrug zu reduzieren. Andere anfängliche Ziele konzentrieren sich häufig auf die Steigerung des Personal- und Kundenengagements oder auf andere „low Hanging Fruit“-Projekte, die nicht unbedingt wissenschaftlich komplex sind, aber Unternehmen letztendlich Hunderte von Millionen Dollar sparen können. Es geht darum, aus einigen anfänglichen Anwendungsfällen einen greifbaren Wert zu ermitteln und die Grundlage für die Skalierung zu legen.
Um den ROI weiter zu steigern, benötigen Unternehmen jedoch auch längerfristige Ziele. Dies kann eine KI-gesteuerte Langlebigkeit oder ein besseres Management der Zahlungsfähigkeit oder Liquidität sein. Der Schlüssel liegt darin, die schnelleren, niedrig hängenden Anwendungsfälle mit längerfristigen Gewinnen zu kombinieren und die Nutzung von KI im gesamten Unternehmen auszuweiten, um sie auf alle Abteilungen und Funktionen auszudehnen.
Etablierung längerfristiger KI-Geschäftsanwendungsfälle
Wir haben über die niedrig hängenden Früchte gesprochen und darüber, was zu tun ist, um sicherzustellen, dass es reibungslos läuft, aber sobald diese erobert sind, ist es an der Zeit, über Fortschritte nachzudenken. Jüngste Forschungsergebnisse von ESIThoughtLab namens Steigerung des ROI durch KI zeigte, dass KI-Führungskräfte KI in großen Teilen ihrer Unternehmen eingeführt haben. Diese Führungskräfte haben zweifellos ihre Datenanforderungen geklärt und sind wahrscheinlich auch Experten in der Operationalisierung. Es ist jedoch auch wahrscheinlich, dass sie viel Recherche und Überlegungen in die von ihnen ausgewählten strategischen Geschäftsanwendungsfälle gesteckt haben.
Wie die Studie besagt, hatten die befragten Unternehmen als Gesamtgruppe einschließlich aller Follower und Leader die größten Fortschritte bei der Implementierung von KI für Kundenservice und IoT gemacht, gefolgt von IT-Betrieb, Kundenanalyse und Datensicherheit.
Mehr lesen: Gründer-Feature: Florian Douetteau, CEO von Dataiku
Firmen insgesamt hatten das geschafft am wenigsten Fortschritte bei der Anwendung von KI im Vertrieb und in der Logistik, Finanzen und Wirtschaftsprüfung, Lieferkette, F&E-Innovation, Vertrieb und Geschäftsentwicklung, Risikomanagement und Betrugserkennung.
Aber hier ist die Sache: Die Forschung hat auch gezeigt, dass es diese Bereiche sind, in denen die Marktführer die Nase vorn haben und den größten ROI von KI zeigen. Während also jede Branche mit ihren eigenen Anwendungsfällen einzigartig ist, werden diejenigen, die für den Geschäftsbetrieb spezifisch sind, wahrscheinlich die wichtigsten und bieten möglicherweise den KI-gesteuerten ROI.
Holen Sie sich einen Business Translator für all Ihre Datenanforderungen
Use Cases sind nichts ohne Daten. Datenbeschaffung, Vereinfachung und Verbesserung von Aspekten der Datenqualität, Datenkennzeichnung und Konnektivität: Es gibt viel zu tun, wenn es darum geht, die richtigen Daten zu erhalten und aufzubereiten.
Viele Datenführer beginnen damit, „Geschäftsübersetzer“ in ihre Organisationen einzubetten, um Geschäftsanforderungen in Datenanforderungen zu übersetzen, um KI allgegenwärtig zu machen. Entsprechend Gartner, „Dies könnte ein geschäftserfahrener Data Scientist oder Citizen Data Scientist, ein analytisch denkender Geschäftsmann oder ein Prozessingenieur (Prozessmodellierer oder Geschäftsanalysten mit Schwerpunkt auf Prozessdesign) sein, der sich Gedanken über Geschäftsoptimierungsmöglichkeiten macht, die sich aus analytischen Assets ergeben.“
Was ist der Nutzen konkret? Wirtschaftsübersetzer können dazu dienen, Datenanforderungen zu identifizieren, Datenworkstreams zu überwachen und als Vermittler und Ansprechpartner für Mitglieder der Entwicklungs- und Operationalisierungsteams sowie für Führungskräfte zu fungieren. Es ist diese Art von Kapazität, die beginnen kann, ein Folgeunternehmen in einen führenden Anbieter von KI zu verwandeln, indem mehr Agilität in die Transformations- und Bereitstellungskapazität eingebaut wird, die für große Datenprojekte erforderlich ist.
Operationalisieren mit MLOps
Durch die Bereitstellung von Frameworks für die Übertragung von Modellen in die Produktion können Data-Science-Tools die mit der Modellpflege und -überwachung verbundenen Kosten reduzieren. MLOps, die Standardisierung und Rationalisierung von maschinellem Lernen und Lebenszyklusmanagement, bringt das Konzept der Operationalisierung auf eine Ebene des KI-Reifegradmodells.
Eine gute MLOps-Praxis wird eine entscheidende Komponente bei der Skalierung der Bemühungen um maschinelles Lernen und bei der Unterstützung von Unternehmen sein, von einem oder einer Handvoll Modellen in der Produktion auf Zehn, Hunderte oder sogar Tausende zu wechseln.
Best Practices von MLOps ermöglichen es Teams, die Versionierung zu verfolgen, zu verstehen, ob neu trainierte Modelle besser sind als die vorherigen Versionen (und Modelle mit optimaler Leistung in die Produktion zu bringen). Diese Best Practice stellt auch sicher, dass die Modellleistung in der Produktion nicht beeinträchtigt wird.
Während Unternehmen ihre KI-Reisen fortsetzen, ist es wichtig, sich daran zu erinnern, dass die KI-Reife auch eine Frage der Menschen ist: Es ist wichtig, dass die KI von einem Mehrpersonenteam aus Analysten, Geschäftsleuten und IT-Mitarbeitern unterstützt wird, die unterschiedliche Perspektiven auf das Geschäft haben als Ausgangspunkt und ständiger Reflexionspunkt verwenden.
Sobald Unternehmen die Geschäftsprobleme ermittelt haben, die sie zu lösen versuchen, müssen sie den generierten Wert verfolgen, um sowohl den KI-gesteuerten ROI als auch die Reife wirklich zu testen.
Erfahren Sie hier mehr über Dataiku: www.dataiku.com
