Transcription
坦率地说，弄清楚如何在您的业务实践中整合人工智能，有时会让人感到有些不知所措。许多公司都在积极尝试，但大多数公司并没有真正看到预期的回报。事实上，根据 Gartner 的数据，85% 的人工智能项目未能兑现其对企业的承诺。现在，请花点时间仔细想想。尽管有大量的炒作和投资，但绝大多数人工智能计划实际上并没有带来真正的商业价值。那么，那些确实有效的人呢？那些真正从人工智能中获得价值的少数企业有什么不同之处呢？嗯，这正是本视频的主题。我们将分解一个强大的人工智能业务整合策略到底是什么样的，以及如何以更可持续和整体的方式来处理人工智能。我将向您展示一个实用的人工智能采用框架，该框架已帮助不同行业的公司构建更智能的系统，改进工作流程，并获得真正的投资回报。因此，在本视频结束时，您将拥有一个清晰的人工智能实施路线图，您可以根据您的业务类型、规模以及行业进行定制，因为与许多技术供应商希望您相信的相反，人工智能整合没有一刀切的方法。现在，说了这么多，让我们开始视频吧。我们将从企业在尝试采用人工智能时犯下的一个最大错误开始。他们从技术开始，而不是从实际的业务需求开始。这就是为什么任何稳健的人工智能业务整合策略的第一步都是清楚地了解您试图解决的问题。不是抽象的想法，而是您业务中的实际具体问题。大多数时候，这些问题属于三个类别之一。效率问题，其流程缓慢、昂贵或经常容易出错。我们有体验问题，比如让客户或员工感到沮丧并损害您整体满意度的事情。然后我们有增长问题，这些是阻碍您扩展甚至进入新市场的障碍。因此，一旦您确定了问题，您就已经领先于那些在没有明确目的或方向的情况下就匆忙行动的公司了。第二步是审视您的组织在承担人工智能项目方面的实际准备程度。这始于您的数据。根据 Gartner 的数据，到 2026 年，60% 的人工智能项目将被放弃，因为缺乏足够的数据来支持它们。因此，在您继续前进之前，请注意您拥有的数据、存储位置、清洁程度以及缺失的内容。接下来是您的团队。现在，您不需要每个员工都成为机器学习专家，但您的人员应该对人工智能能做什么和不能做什么有一个基本了解，以及如何在他们自己的角色中最好地利用它。最后是公司文化。因此，拥抱实验、数据驱动决策以及新技术的组织，往往在人工智能方面走得更远。因此，值得质疑您的团队是否真的愿意改变，或者他们是否可能会抵制新流程。第三步是弄清楚从哪里开始。为此，一个简单的优先级排序方法确实很有帮助。将其想象成一个图表。一边是项目可能产生的潜在影响，另一边是实施的难度。最佳的起点是什么？嗯，是那些具有巨大潜在回报但又不太复杂的项目。第四步是您将开始设定一些现实的时间表。因此，许多企业过早地放弃了人工智能，仅仅是因为他们期望的结果来得太快。而大多数稳健的人工智能计划需要 6 到 12 个月的时间才能显示出有意义的成果。如果您行动迅速或承受压力，这可能很长。但从一开始就将这个时间表纳入您的计划有助于避免失望，并使您的项目保持正轨。现在，让我们来谈谈一个可能决定您人工智能推广成败的决定，那就是“构建还是购买”的选择。现在，这里有各种各样的选择，每种选择都有权衡。在最快的一端，您有现成的 AI SaaS 工具，它们可以快速启动，但在定制方面也相当有限。然后您有更具可定制性的平台，它们为您提供了大量的灵活性，同时又保持了相对简单。然后中间是 API 集成，它允许您将人工智能工具与您当前的系统连接起来。这对许多中型公司来说是一个不错的选择。最后是定制人工智能开发。现在，这给了您完全的控制权，但它也需要最长的时间，并且通常需要大量的金钱和人才投资。现在，哪种适合您取决于您的具体需求以及您的内部能力以及您希望移动的速度。为了帮助您弄清楚这一点，您可以问自己一些关键问题，例如，这项人工智能能力是否能让您的业务脱颖而出，还是它更像是一个支持工具？另外，您需要它多久才能运行起来？您是否有技术团队来构建和维护它？另外，您是否正在处理需要定制方法处理的独特数据？另一个要问的问题是，您的预算是多少？不仅是现在，还有未来几年。最后，这个东西需要与您现有的系统集成到什么程度？现在，对于许多企业来说，最佳选择不是一个或另一个，而是两者的结合。也许您从 SaaS 工具开始，同时也在构建您的内部技能。或者您使用一个平台，只定制那些真正重要的部分。这里的关键是确保您的技术选择与您的业务战略、资源以及您未来的发展方向相符。现在我们已经奠定了基础，让我们来探讨四种不同的人工智能整合途径。每一种都代表了一种将人工智能引入您的业务的不同方式，具体取决于您的需求、您的团队的技术水平以及您实际追求的结果。途径一侧重于快速获胜，而不会引起大的波动。这是最容易接近的方法，它侧重于使用无需与您的系统深度集成的独立 AI SaaS 工具。将其视为一种低风险的试水方式。现在，大多数公司从这里开始，以获得一些早期价值，而不会耗费太多时间和预算。它基本上是一个概念验证。因此，可以向您的团队或利益相关者展示人工智能可以为您工作的证据。现在，一些常见的例子是人工智能驱动的客户服务聊天机器人。我们有人工智能内容生成器。我们有一些基本的预测仪表板，以及具有智能个性化的电子邮件自动化。这里的优点是您可以快速开始。通常只需几周时间，您就不需要一支工程师团队来完成。缺点是这些工具通常独立运行。因此，您可能会创建新的数据孤岛，这些孤岛实际上并未与您业务的其他部分连接。途径二涉及与您当前系统的适度集成。现在，这是事物开始连接的地方，无论是字面上还是比喻上。您不是使用独立工具，而是通过 API 或预构建的连接器将人工智能插入您已使用的系统中。现在，这是希望改进现有事物而不必拆除任何东西的企业的一个很好的折中方案。您可能会看到 CRM 使用人工智能对潜在客户进行评分，ERP 使用人工智能预测库存，营销平台进行智能细分，HR 工具使用智能算法匹配候选人。现在，实施通常需要 3 到 6 个月的时间，并且确实需要一些技术技能，无论是来自您的内部团队还是值得信赖的合作伙伴。因此，如果您没有在明天交付成果的巨大压力，那么这是您人工智能实施路线图上的一个明智的步骤。途径三是通过定制开发进行深度集成。现在，我们正在深入到更定制的领域，但它也提供了更大的潜在回报。现在，这条途径是为构建与您的核心运营紧密结合的人工智能解决方案而设计的。它需要更多的时间和技术专业知识，但结果可以高度定制，并且您的竞争对手很难复制。您可能会构建诸如围绕您的产品目录构建的定制推荐引擎之类的内容。您可能还会构建其他内容，例如行业特定的预测性维护工具、专有交易算法、用于实时质量控制的计算机视觉模型。这些类型的项目通常需要大约 6 到 12 个月才能完成。这是一项艰巨的任务，但对于许多寻求长期人工智能投资回报的公司来说，这种程度的定制可以彻底改变游戏规则。途径四是全面的人工智能转型。所以，是的，这是一个大项目。人工智能不仅仅是一个附加项，而是您业务运营方式的重要组成部分。走这条路的公司完全围绕人工智能的能力重塑其业务模式，这意味着这是一个长期的计划，但回报是巨大的。这里的一些例子包括制造商转向提供预测性维护作为一种服务，零售商成为个性化体验平台，金融公司转变为人工智能驱动的咨询提供商，以及医疗保健组织专注于预防性数据驱动的护理。现在，这种方法是一个多年的旅程，确实需要高层管理人员的全力支持。它还需要其他东西，比如文化准备和全组织的变革。但如果做得好，它可以带来效率、客户体验和业务增长的巨大改善。那么，您如何知道哪种途径适合您的业务？嗯，让我们将其分解为几个关键领域，以帮助您做出决定。从您的主要目标开始。如果您旨在在不造成太大干扰的情况下快速改进，那么途径一就很有意义。但如果您想在不替换任何主要内容的情况下改进现有工作流程，途径二可能是一个不错的选择。如果您需要高度定制或特定的解决方案来解决复杂的业务问题，那么途径三值得考虑。最后，如果您正在围绕人工智能重新思考您的整个业务模式，那么途径四是您的最佳目的地。接下来，您需要现实地审视您的技术能力。如果您的资源有限，那么途径一和途径二是最安全的选择。拥有中等技能的团队和外部支持可以承担途径三。但如果您确实拥有一支强大的内部数据科学或工程团队，那么所有四种选择都在考虑之中。接下来，您需要认真考虑您的时间表。例如，您需要在未来一两个月内看到结果吗？那么现实地说，途径一就是您唯一的选择。如果您有 3 到 6 个月的时间，那么途径二是可行的。但如果您计划 6 到 12 个月，那么途径三就在这个范围内。现在，如果您更倾向于多年的转型，那么您将考虑途径四。除了您的目标、能力和时间表之外，您的预算也起着重要作用。更紧张的预算意味着您将希望降低途径一的成本和可预测性。中等预算可以实现途径二之类的集成项目。更大的预算可以实现途径三中的完全定制开发，而途径四需要企业级资金来支持其范围。最后，您还需要考虑您的组织愿意承担多少风险。如果您的团队很谨慎，那就从经过验证的途径一开始。如果您有更多的灵活性，途径二可以让您进行实验，同时保持稳定。而更高的风险承受能力为途径三等更具雄心的项目打开了大门，途径四适用于准备好全力押注即将到来的转型的企业。让我们通过一个案例研究让这一切变得更真实。这个案例涉及一家中型制造公司，他们成功地进行了人工智能整合。他们大约有 500 名员工，并面临三个主要问题。第一个是意外的维护问题，导致昂贵的停机时间。第二个是笨拙的质量控制流程，过度依赖人工检查。最后，由于预测能力非常有限，他们在供应链中遇到了一些重大问题。现在，关键在于。他们没有从选择工具或聘请供应商开始。他们从关注影响开始。当他们进行数字计算时，他们意识到仅计划外停机就让他们每月损失约 180,000 美元。这清楚地表明了首先要关注的地方。因此，他们召集了来自公司不同部门的人员，包括运营、维护、财务，然后他们还举行了一个集中的研讨会来明确定义问题。但这不仅仅是一次头脑风暴会议。他们绘制了维护流程的工作方式，计算了与不同类型故障相关的成本，然后提出了可以跟踪的具体成功指标。之后，他们考虑了几种解决问题的方法。他们没有直接跳入人工智能。他们考虑了扩大预防性维护，但这会使劳动力成本过高。也许是购买新设备，但他们没有足够的资金。安装基本的监控工具，但这些工具实际上无法在问题发生之前进行预测。最终，他们认为人工智能驱动的预测性维护是最现实且影响最大的选择。但他们并没有简单地插入解决方案然后就此打住。首先，他们认真审视了他们的数据，看看它是否可用。他们发现的情况实际上非常普遍。例如，他们有传感器收集数据，但存储方式不一致。存在维护日志，但格式差异很大。生产数据是可靠的，但它与维护系统相关联。他们确实有历史故障记录，特别是对于最重要的机器。最后，他们在开始用人工智能构建任何东西之前，花了大约 3 个月的时间来整理他们的数据。这种准备工作经常被忽略，但在本例中，它为他们成功奠定了基础。一旦他们的数据井然有序，下一步就是弄清楚他们的团队是否拥有实际完成这项任务的技能。因此，他们进行了能力差距分析。基本上是比较他们团队今天能做什么与完成项目所需的能力。对他们技能的诚实审视显示了一些关键点。他们没有内部数据工程或机器学习专业知识。因此，他们决定将这些部分外包。但当涉及到集成，将新工具连接到他们现有的系统时，他们有信心他们的内部团队可以处理。现在，事先进行这种评估有助于他们避免最常见的错误之一，即假设他们可以扩展现有角色来承担专业工作。相反，他们确保在继续前进之前拥有适当的支持。从那里，他们利用这些见解做出关于构建什么和购买什么的明智决定。他们没有全力以赴地采用一种方法，而是逐个组件地进行。他们与一家人工智能供应商合作来处理预测建模，因为这是技术含量最高的部分。与此同时，他们在顾问的帮助下自己构建了数据管道。对于用户界面，他们定制了供应商现有的平台。对于系统集成，他们创建了自定义连接以将所有内容链接到他们的内部工具。现在，这种灵活的方法使他们能够控制项目，而不会承担他们无法处理的更多任务，并且还为他们提供了一个围绕他们需求构建的解决方案，而不是仅仅开箱即用的解决方案。接下来，他们创建了一个带有清晰里程碑的分阶段实施计划。因此，第一阶段是数据基础设施开发，大约需要 2 个月。第二阶段是关键设备的试点实施。这花了大约 3 个月。第三阶段是评估和优化，持续一个月。第四阶段是扩展到次要设备，大约 4 个月。第五阶段是与维护计划系统的集成。这大约需要 2 个月。因此，总的来说，他们花了大约 6 周时间来制定他们的战略，花时间仔细思考并将其做好。现在，这种前期努力为他们节省了数月潜在的返工时间，并大大提高了整个项目成功的几率。在创建了分阶段实施计划后，他们评估了他们的组织准备情况，然后发现他们的机器已经有传感器收集数据，但实际上并没有被正确存储或分析。他们有一个小型 IT 团队，但没有数据科学专业知识，他们的运营经理对数据驱动的方法持开放态度。基于这次评估，他们决定通过结合多种途径来推进，其中包括途径一用于质量控制流程中的快速获胜，途径二用于他们最高优先级的维护问题，以及随着他们能力成熟的途径三的路线图。对于他们的维护问题，他们选择了一个可以与现有传感器数据集成的预测性维护平台。因此，他们没有进行全面实施，而是从对最关键设备线进行试点开始。自然，他们也遇到了一些障碍。他们的一些传感器数据实际上并不可靠。因此，他们不得不重新校准和清理。与他们旧的 ERP 系统集成也并非易事。他们需要构建自定义连接器才能使一切正常工作。一旦系统启动并运行，他们就意识到他们的团队需要培训才能完全理解和利用人工智能的建议。但即使在仅仅 6 个月后，结果也说明了一切。他们的计划外停机时间下降了 47%，每月为他们节省了 85,000 美元。此外，转向更高效的基于条件的维护系统将他们的总体维护成本降低了 23%。总而言之，该项目带来了 3.2 倍的初始投资回报，这本身就清楚地表明他们深思熟虑的人工智能整合方法已经得到了回报。因此，他们继续利用这种势头，转向质量控制。通过使用计算机视觉，他们能够将检查成本降低 35%，同时还能捕获更多缺陷。效率和产品质量的双赢。考虑到这一切，让我们从他们的旅程中总结一些重要的经验教训。首先，他们没有从技术开始。他们首先弄清楚人工智能可以在哪些方面为企业带来真正的改变。然后，他们确保他们的方法与他们的团队和系统实际准备好的相匹配。他们没有试图一次性完成所有事情，而是通过试点项目保持专注，并在奏效后才进行扩展。他们还明白，成功不仅仅是插入正确的工具，而是意味着投资于培训和变革管理，这样人们才能真正知道如何使用它们。最后，他们以商业术语衡量成功，而不仅仅是技术术语。好了，我们已经看到了成功的人工智能推广是什么样的，但您如何开始将自己的战略付诸实践呢？让我们从团队结构开始，因为谁参与其中可以决定您的实施成败。最成功的项目通常都有一些关键角色。现在，其中一些角色包括例如执行赞助人，他可以消除组织障碍；业务领域专家，他了解正在解决的问题；技术实施专家，他配置解决方案；然后我们还有变革推动者，他们推动最终用户的采用。对于小型组织来说，这些可能是兼职角色，或者可能是合并的职责。接下来是变革管理。现在，这通常是决定人工智能项目成功与否的关键因素。许多公司高度关注技术，却忘记了人们是那些必须日复一日使用它的人。成功的变革管理始于清晰地沟通引入人工智能的原因。因此，人们需要理解其背后的目的，以及它将如何使他们的工作更好或更容易。当最终用户早期参与时也有帮助。在设计和测试过程中提供意见可以使采用感觉更自然。培训也是另一个关键部分。不同的团队将有不同的需求，因此一刀切的会议通常不起作用。为每个用户组量身定制培训有助于从一开始就建立信心和能力。最后，突出早期胜利，那些事物明显得到改善的时刻可以真正帮助建立动力，并让人们兴奋地继续前进。虽然人是变革管理成功的关键，但数据是使人工智能系统真正发挥作用的原因。这里有一点是，数据准备几乎总是整个过程中被低估的部分。它并不华丽，但它比大多数团队预期的花费更多的时间和资源，而且它绝对至关重要。因此，正确处理这一点可以决定您的项目成败。一个稳健的数据准备过程通常始于弄清楚您的数据在哪里，以及如何访问它。从那里开始，一切都围绕着清理、标准化格式，并确保一切准确且可用。现在，这通常意味着从不同的系统中提取数据，并确保所有数据都能以人工智能实际使用的方式连接起来。您还必须考虑隐私和安全，无论是客户信息还是内部数据。合规性确实需要从一开始就建立。随着您的系统不断发展，您需要有稳健的数据治理实践来保持一切清洁、一致并长期可靠。现在，一旦您的数据处于良好状态，下一步就是确保您的人工智能系统确实能做它应该做的事情。这就是测试和验证的用武之地。所以，这部分就是建立信任。如果人们不相信系统有效，那么他们就不会使用它。没有它，即使是最好的人工智能工具也无法带来任何价值。有效的测试发生在几个层面。首先是技术测试，以确保一切都按照设计的方式运行。然后是业务验证，它检查系统是否真正解决了它被构建来解决的问题。最后是用户验收测试，基本上是确认那些应该使用该系统的人实际上对它感到满意，并且即使在系统上线后他们也会实际使用该系统。性能监控是关键。业务需求在变化，数据在变化，六个月前有效的东西今天可能需要微调。密切关注人工智能的长期表现，确保它保持相关性并继续提供价值。现在，在我们结束之前，让我们回顾一下可能导致人工智能项目失败的几个常见失误，当然还有如何避免它们。现在，最大的问题之一是抱有不切实际的期望。许多团队期望快速取得成果，当事情花费的时间比计划的要长时，他们会感到非常沮丧。从小处着手，专注于明确的用例，并以商业术语定义成功是什么样子，这非常有帮助。另一个是忽略变革管理。即使技术完美运行，如果人们不准备使用它，项目也不会成功。为培训腾出空间。保持沟通畅通，并在过渡期间支持您的团队。选择错误的实施合作伙伴也会减慢速度。这不仅仅是找到一个具有人工智能经验的人。您需要一个真正理解您业务试图解决的问题的合作伙伴。然后是数据方面的问题。很容易低估这部分的重要性。如果您的数据混乱或不完整，系统将无法良好运行。您需要尽早解决这个问题，并制定一个可靠的质量和治理计划。最后，不要过于纠结于技术指标。高模型准确性听起来很棒，但如果它实际上并没有改善您的业务成果，那就意义不大。始终将重点放在实际结果上。那么，您如何知道您的人工智能整合实际上是否有效？许多组织在这方面苦苦挣扎。他们要么跟踪错误的事情，要么不一致地衡量，这使得证明人工智能确实在提供真正价值变得困难。首先，衡量成功意味着要看几种不同类型的指标，而不仅仅是一个指标。您有技术指标，它们有助于确认人工智能正在做它应该做的事情。例如准确性、精确度、系统响应速度、数据可靠性以及系统是否保持运行。基本上，这告诉您技术本身是否正常工作。接下来是运营指标。这些显示了人工智能如何影响您的日常流程。任务完成得更快了吗？错误更少了吗？现在有多少工作实现了自动化？您是否更有效地利用了您的资源？这些数字确实有助于展示业务内部发生的实际变化。然后是业务影响指标。现在，这是大事，例如您是否真的看到收入增长？成本是否在下降？客户是否更满意？您的员工是否更具生产力？因此，这些是所有指标都与人工智能为整个业务提供的价值联系起来的指标。衡量人工智能成功的一个棘手部分是弄清楚改进究竟来自哪里。您如何知道是人工智能带来了改变，而不是业务中发生的其他事情？有几种方法可以获得更多清晰度。例如，A/B 测试是一种选择，或者您也可以进行分阶段推出。首先在业务的一个部分引入人工智能，然后与尚未改变的区域进行比较。在启动任何东西之前设置基线测量也非常有帮助。这样，您就知道自己从哪里开始。并且尽可能尝试隔离变量，以便您可以看到人工智能本身的影响，而不会被任何变化模糊了图片。一旦您有了测量和归因方法，下一步就是优化。现在，这是人工智能的真正长期价值开始显现的地方。许多公司将实施视为终点线，但事实是，这实际上是开始。最大的回报来自于持续的改进，随着您的业务发展而随着时间的推移调整系统。这意味着真正定期进行检查以审查绩效，收集实际使用系统的人员的反馈，并不断提高数据质量。重新训练您的模型，并完善连接的业务流程应该成为正常周期的一部分。也就是说，优化并不总是直截了当的。最难做出的决定之一是知道何时继续前进，何时该改变方向。现在，这里有一个简单的思考方式。如果很明显是时候进行调整了，例如，如果您的核心业务问题已经转移，或者存在阻碍系统的技术障碍，或者即使经过支持和培训，用户仍然不采用您的系统，在某些情况下，更好的解决方案可能已经出现，并且切换比坚持下去更有意义。另一方面，如果系统在技术层面运行良好，但业务成果尚未达到预期，那么它可能值得改进。如果采用率在增长，但尚未真正达到您的目标，或者如果您看到了一些投资回报，但知道还有更大的潜力有待发掘，情况也是如此。在这些情况下，坚持下去并稳步改进通常是更好的选择。让我们快速回顾一下我们所涵盖的内容。因此，我们从战略基础开始，例如识别业务需求、评估准备情况、确定机会优先级以及设定时间表并做出构建与购买的决定。然后我们遍历了四种人工智能整合途径，从快速获胜到全面人工智能转型。接下来，我们涵盖了实际步骤，例如团队结构、变革管理、数据准备、测试，以及如何避免常见错误以及如何在持续改进的同时衡量成功。最后，我们涵盖了为什么项目停滞不前与推动影响的项目之间的区别不是运气或拥有最大的预算，而是取决于一种精明、深思熟虑的方法，以及全面高效的问题解决。如果您正在寻找真正动手帮助来构建您的人工智能战略，Fiverr 上有许多顾问可以指导您完成整个过程，而无需像大型企业那样支付高昂的费用。如果您从本视频中获得了一些东西，请点赞，与正在制定自己人工智能计划的人分享，并在评论中告诉我们您的想法。我很想听听您的意见。一如既往，感谢您的观看，我们将在下一个视频中再见。