Tekoäly käytännössä: miten kolme tiimiä saavutti tekoälyllä todellisia toiminnallisia hyötyjä
Ihmisen tarkistuspiste: Onnistuneissa tekoälyn käyttötapausesimerkeissä säilytetään ihmisen tekemä tarkistus ja siirretään valvonta poikkeustilanteisiin sen sijaan, että vastuu poistettaisiin.
Yhteydenottojen luokittelu: Chime automatisoi puheluiden luokittelun ja auditoinnin, jolloin asiakaspalvelijat voivat keskittyä asiakkaisiin samalla, kun mallin tarkkuutta ja suorituskyvyn heikkenemistä seurataan.
Ennustamisen hyödyt: Amazonin toimiva tekoäly lyhensi kysynnän suunnitteluun kuluvaa aikaa 80 prosenttia ja pienensi ennustevirhettä 40 prosenttia puhtaamman ja näkyvän datan avulla.
Työnkulun integrointi: ACV Auctions lyhensi ajoneuvojen myyntiprosessin läpimenoaikaa kahdella kolmasosalla yhdistämällä vastaanoton, arvonmäärityksen, myyntikuntoon saattamisen, kaupankäynnin ja toimitusten täyttämisen.
Luottamuksen rakentaminen: Tiimit saavuttivat hyväksynnän aloittamalla pienestä, osoittamalla mitattavia tuloksia, yksinkertaistamalla sekavaa dataa ja pitämällä sidosryhmät vastuullisina koko käyttöönoton ajan.
Tekoälyä käsittelevät tapaustutkimukset ovat yleensä kahdenlaisia: epämääräisiä menestystarinoita ilman numeroita tai hypetettyjä juttuja, joissa vaikea osuus ohitetaan kokonaan.
DPM:n tuore tapahtuma AI in the Wild rakennettiin välttämään molemmat. Kolme johtajaa — yksi fintech-yrityksen asiakaspalveluorganisaatiosta, yksi Amazonin kysynnän suunnittelun parista ja yksi verkossa toimivasta markkinapaikasta, jossa autoliikkeet ostavat ja myyvät käytettyjä autoja — esittelivät tekoälyjärjestelmät, jotka he todella rakensivat, niiden kohtaamat ongelmat sekä lopputuloksena saadut luvut.
Chimen tekoälytoimintojen vanhempi päällikkö Chris Hernandez aloitti session kertomalla, kuinka hänen tiiminsä automatisoi asiakaspalvelupuheluiden yhteydenottosyyn luokittelun. Amazonin vanhempi toimitusketjupäällikkö Aniket Ghonge jatkoi esittelemällä agenttipohjaisen tekoälyn alustan, jonka hän rakensi yksin kysynnän suunnittelun korjaamiseksi. ACV Auctionsin teknologiaohjelmien hallinnasta vastaava johtaja Anika Banakh päätti tilaisuuden esittelemällä päästä päähän ulottuvan digitaalisten toimintojen moottorin, jonka hänen tiiminsä rakensi ajoneuvomyynnin uudistamiseksi.
Continue Reading for Free
Create a free account to finish this article, plus get ongoing access to timely insights and practical resources.
Have an account? Log In
Kolmella projektilla on päällisin puolin hyvin vähän yhteistä. Niitä kaikkia yhdisti kuitenkin yksi teema: yksikään näistä tiimeistä ei käsitellyt tekoälyä asiana, joka otetaan käyttöön ja jonka jälkeen sen voi unohtaa. Jokaisessa järjestelmässä säilyi ihmisen tekemä tarkistuspiste, vaikka manuaalinen työ oli poistunut.
Etulinjan keskittymisen vapauttaminen tekoälyn avulla
Hernandezin tiimi aloitti selvittämällä, mitä puhelinpalvelun työntekijät todella tekivät asiakaspuhelun aikana, ja kyse oli muustakin kuin asiakkaan ongelman ratkaisemisesta. Työntekijät myös tekivät muistiinpanoja ja yrittivät merkitä keskustelulle oikean yhteydenottosyyn — yli 1 500 mahdollisen luokan joukosta — samalla kun puhelu oli vielä käynnissä.
”Meillä oli yli tuhatviisisataa erilaista yhteydenottosyyn muunnelmaa, joista heidän piti valita”, Hernandez sanoi. ”Oikean vaihtoehdon tunnistaminen oli aina vaikeaa.” Prosessi oli manuaalinen, epäjohdonmukainen ja altis virheille, ja se vei huomiota linjan toisessa päässä olevalta jäseneltä.
Tiimi rakensi luokittelijan, joka käytti LLM:ää puheluiden litterointien tarkistamiseen ja yhteydenottosyyn määrittämiseen automaattisesti. Työ johti toiseen, suunnittelemattomaan projektiin: Hernandezin tiimi käytti nyt merkittävästi aikaa varmistaakseen, ettei luokittelija hallusinoinut ja että se toimi odotetusti. Niinpä he rakensivat toisen tekoälyputken vain tarkastamaan ensimmäistä. Järjestelmä ”ryhmittelee toistuvat virheet, havaitsee virheet, suorittaa myös testauksen ja esittää havainnot tiimilleni” sen sijaan, että ihmisen pitäisi tarkistaa jokainen tapaus.
Perille pääseminen ei ollut yksinkertaista. Hernandezin mukaan jokainen mallin tekemä päätös kiteytyy kolmeen tekijään: nopeuteen, tarkkuuteen ja kustannuksiin. Pienempi ja halvempi malli tuotti nopeita tuloksia, mutta sen tarkkuus oli heikompi; suurempi malli, joka pystyi käsittelemään monimutkaisuutta, merkitsi korkeampaa hintaa. Kun kehotetekniikka saavutti rajansa, tiimi siirtyi kustannusten hallitsemiseksi hakupohjaisiin lähestymistapoihin ja eräkäsittelyyn. Heidän täytyi myös rakentaa ja ylläpitää jatkuvasti ”kultadatajoukkoa” — luotettavaa totuuden lähdettä, jota vasten luokittelijan tarkkuutta voitiin mitata, vaikka taustalla olevat yhteydenottosyyt muuttuivat jatkuvasti.
Hyväksyntä syntyi itse luokittelun, ei vain mallin, kyseenalaistamisesta. ”Joskus ajattelemme, että tekoälyn voisi vain lisätä jokaiseen ratkaisuun ja se olisi lopullinen ratkaisu”, Hernandez sanoi. ”Mutta hyvä data sisään tarkoittaa hyvää dataa ulos. Ja jos sisään tulee huonoa dataa, ulos tulee huonoa dataa.” Tämä johti tiimin yksinkertaistamaan yli 1 500 yhteydenottosyyn luetteloa sen sijaan, että mallia olisi pyydetty kiertämään sen ongelmat.
Tuloksiin kuului puheluiden käsittelyssä säästetty aika ja puhelun jälkeisen työn tehostuminen, mutta Hernandez korosti sitä, mikä oli tärkeintä: ajan antamista takaisin työntekijöille, jotta he voivat keskittyä jäseneen eivätkä paperitöihin. ”Aina kun automatisoimme tehtäviä, emme oikeastaan poistaneet tarkistuspistettä, vaan siirsimme sitä”, hän sanoi. ”Tekoäly on vipuvarsi rutiinityön raivaamiseen, mutta ihminen osana prosessia tekee tästä vipuvarresta todella luotettavan.”
Tasapaino näkyy suoraan siinä, miten tarkastusputki toimii nykyään. Sen sijaan että järjestelmän annettaisiin viedä muutokset suoraan tuotantoon, se tuottaa viikoittaisen raportin, jossa ilmoitetaan, missä kohdissa ilmeni taantumia tai testien epäonnistumisia, jotta Hernandezin tiimi tietää täsmälleen, mihin keskittyä. ”Siinä löydämme tasapainon”, hän sanoi, ”kun pyrimme hyödyntämään LLM:ää arvioijana ja erilaisia kyvykkyyksiä voidaksemme laajentaa toimintaa ja ottaa enemmän vastuullemme ilman, että liiketoiminnalle aiheutuu riskejä.”
Toimitusketjun suunnittelun automatisointi agenttipohjaisella tekoälyllä
Ghongen tiimi työskentelee tuhansien toimittajien ja kumppaneiden kanssa, ja kunkin toimittajan kysynnän ennustamiseen tarvittavat tiedot olivat hajallaan CRM-ohjelmistossa, projektinhallintatyökaluissa ja Excel-taulukoissa — eikä tietojen nimeämisessä ollut järjestelmien välillä mitään johdonmukaisuutta. ”Tietojen hallinnasta ei ollut kontrollia, koska tietoputket tulevat eri ohjelmistoista, joilla on eri omistajat ja käyttäjät”, hän sanoi.
Kaiken tämän täsmäyttäminen manuaalisesti vei Ghongelta 16–20 tuntia viikossa aikana, jolloin liiketoiminta oli vielä suhteellisen pientä. "Se oli minulle hullua", hän sanoi. Niinpä hän alkoi kokeilla ensin Excel-prototyyppiä testatakseen, voisiko lähestymistapa toimia. Se auttoi, mutta ei täysin. Silloin hän kääntyi agenttipohjaisen tekoälyn puoleen ja rakensi järjestelmän itse. Hänellä oli taustaa koontinäyttöjen rakentamisesta ja tuotevaatimuksista, mutta ei muodollista ohjelmistokehityksen koulutusta.
Käyttöönotto alkoi pienestä — Ghonge oli ainoa käyttäjä — ja laajeni epävirallisia kanavia pitkin: liiketoimintakatsauksissa, lounastapaamisissa ja suusanallisesti. Neljä kuukautta myöhemmin alustalla oli yli 75 käyttäjää ja tuhansia katselukertoja.
Tulokset olivat merkittäviä. Aiemmin 20 tuntia vienyt työ vie nyt kaksi tuntia: kysyntäennusteen laatimiseen kuluva aika väheni 80 prosenttia, ja samalla ennustevirhe pieneni 40 prosenttia. "Suurin asia on noin 80 prosentin vähennys kysynnän tuottamiseen tarvittavassa ajassa ja korkea tarkkuus", Ghonge sanoi. "Näimme myös noin 40 prosentin vähennyksen ennustevirheessä." Järjestelmä tarjosi tiimille myös näkyvyyden, jota sillä ei aiemmin ollut — mahdollisuuden eritellä tarkasti, mitkä toimittajien ominaisuudet aiheuttivat tuhansia kuukausittaisia muutoksia sen sijaan, että niitä olisi jouduttu arvailemaan.
Luottamus ei syntynyt tekoälymerkinnästä, vaan läpinäkyvyydestä. Kun projektinhallintatiedot vietiin ulos 18 000 rivinä, jotka todellisuudessa vastasivat vain 600–700:tä todellista tikettiä, Ghongen järjestelmä jäsensi ja kokosi tuon sekamelskan selkeäksi taulukoksi, jonka käyttäjät saattoivat tarkistaa suoraan sen sijaan, että olisivat käyneet lähdetyökalun tikettejä läpi yksitellen. "Sen sijaan, että he menisivät joka kerta jokaista tikettiä varten työkaluun, he näkevät nyt helposti kaiken yhdessä järjestelmässä", hän sanoi. Käyttäjät saattoivat myös avata minkä tahansa aiemman viikon ja verrata sitä nykyiseen viikkoon sekä seurata ennustevirheiden pienentymistä ajan mittaan — todiste siitä, että järjestelmä todella toimi eikä vain automatisoinut prosessia.
Ghonge antoi tekoälyn ansioksi myös jotain, mitä hän ei ollut alun perin suunnitellut: dokumentoinnin. Kun hän alkoi pyytää tekoälyä seuraamaan omia käyttöönottojaan ja niihin käyttämäänsä aikaa, hän pystyi jälkikäteen määrittämään oman rakennusprosessinsa määrällisesti — aina siihen pääsemiseen tarvittujen kehotteiden lukumäärää myöten.
Tekoälyllä toimivan digitaalisen operointimoottorin rakentaminen
Banakhin tiimi ryhtyi suunnittelemaan koko ajoneuvojen myyntipolkua uudelleen — miten ajoneuvot tuodaan markkinoille, hinnoitellaan, valmistellaan myyntiin, yhdistetään ostajiin, myydään, toimitetaan ja kuljetetaan — yhtenä toisiinsa liittyvänä digitaalisena prosessina alan perinteisen mallin sijaan. Perinteisessä mallissa asiakas tuo auton kerran viikossa kivijalkahuutokauppaan ja toivoo, että se myydään samana päivänä.
"Olemme hiljattain rakentaneet yhdelle keskeisistä kumppaneistamme täysin älykkään digitaalisen päästä päähän -työnkulun, joka sisältää ajoneuvotietojen vastaanoton, tarkastuksen, arvonmäärityksen, myyntiin valmistelun, ostajien etsimisen, kaupankäynnin ja toimituksen", Banakh sanoi. "Kaikki on todella sulautunut yhdeksi jatkuvaksi prosessiksi."
Vaikeinta ei ollut teknologia, vaan ala itsessään. "Inhimillinen tekijä suhtautuu tässä alalla tunnetusti vastahakoisesti digitaalisiin ratkaisuihin", Banakh sanoi. "Näen edelleen jälleenmyyjiä kulkemassa ympäriinsä kynä ja paperi mukanaan dokumentointia varten." Tämä tarkoitti, että hanke vaati enemmän kuin prosessimuutoksen — se tarvitsi Banakhin kutsuman paradigman muutoksen keskeisissä toimintatavoissa, ja tämä on helppo tehdä väärin.
Tiukan aikataulun vuoksi Banakhin tiimi käytti tekoälyä simuloimaan erilaisia sidosryhmien persoonallisuuksia ja keskustelemaan siitä, miten työnkulun pitäisi rakentua. "Päädyimme käytännössä luomaan työnkulun luonnoksen yhdessä", hän sanoi. "Sen jälkeen luonnos vietiin kumppanillemme vahvistettavaksi. Ja se nopeutti keskusteluja todella paljon" — hitaat, yksi kerrallaan järjestetyt vahvistamiskokoukset korvautuivat luonnoksella, johon kumppani saattoi reagoida suoraan.
Hanke on edelleen varhaisessa pilottivaiheessa, joten Banakh pystyi jakamaan vain rajallisesti lukuja, mutta päätulos erottui selvästi: läpimenoaika on jo lyhentynyt kaksi kolmasosaa, vaikka järjestelmää ei ole vielä täysin optimoitu. "Läpimenoaika on tällä hetkellä lyhentynyt kaksi kolmasosaa, emmekä ole vielä edes optimoineet sitä täysin", hän sanoi ja lisäsi, että kustannusten, omaisuuden arvonalennusten ja ihmistyön odotetaan vähenevän jatkossa.
Epäilevien sidosryhmien saaminen mukaan ei vaatinut kovaa myyntipuhetta. "Puhut perusteluista ja sijoitetun pääoman tuotosta, ja aidot liiketoiminnan ihmiset vakuuttuvat nähdessään tuloksen", Banakh sanoi. Jälleenmyyjille, jotka haluavat jatkaa asioiden tekemistä vanhalla tavalla, se sopii myös — järjestelmä on rakennettu kumppaneille, jotka haluavat laajentaa toimintaansa valtakunnallisesti, ei korvaamaan jokaista työnkulkua, joka toimii jo jonkun kohdalla.
Yhdistävä tekijä
Eri toimialat, erilaiset työkalut ja eri mittakaavat — mutta sama taustalla oleva toimintaperiaate. Hernandezin tiimi rakensi toisen tekoälyjärjestelmän vain pitääkseen ensimmäisen rehellisenä. Ghonge rakensi alustaansa näkyvyyden, jotta käyttäjät voisivat tarkistaa tiedot itse sen sijaan, että heidän pitäisi vain luottaa tulokseen. Banakhin tiimi varmisti "lämpimän siirtymän joka vaiheessa", ja ohjelmapäällikkö vastasi sellaisten poikkeamien havaitsemisesta, jotka muuten olisivat jääneet ihmisen tarkistuksessa huomaamatta.
Mikään näistä tiimeistä ei saanut kannatusta esittelemällä tekoälyä käsitteenä. Ne saavuttivat sen julkaisemalla jotain pientä, osoittamalla sen toimivuuden ja antamalla tulosten puhua puolestaan. Kuten Banakh asian ilmaisi, "todelliset liiketoiminnan ihmiset vakuuttuvat nähdessään tuloksen." Tämä on kaikkien kolmen tapaustutkimuksen taustalla oleva toimintamalli: kyse on vähemmän tekoälystä itsestään ja enemmän siitä, että järjestelmään rakennetaan luottamusta sen rinnalle.
Haluatko lisää tällaisia näkemyksiä? Luo maksuton DPM-tili, niin kuulet lisää näiden kaltaisilta asiantuntijoilta ja saat ensimmäisenä tiedon tulevista tapahtumista.
