Povzetek vsebine
Ko ljudem omenim, da so AI projekti med najbolj čustveno intenzivnimi projekti, ki sem jih vodil, me običajno nekoliko začudeno pogledajo. Saj vendar govorimo o podatkih, modelih, API-jih, agentih in avtomatizaciji. Kje so tu čustva?
- Zakaj se AI projekt začne z navdušenjem vodstva?
- Ko AI projekt postane projekt ljudi in ne več samo tehnologije
- Zakaj so testni podatki pomembnejši od prepričljivega AI prikaza?
- Trk z realnostjo je obvezen del resnega AI projekta
- Zakaj je depresija najbolj kritična faza implementacije?
- Kako največji problemi povežejo projektno ekipo?
- Zakaj zmagi vedno sledi še nekaj novih težav?
- Od navdušenja direktorja do navdušenja celotne ekipe
- Kaj je v resnici uspešna implementacija umetne inteligence?
Ko ljudem omenim, da so AI projekti med najbolj čustveno intenzivnimi projekti, ki sem jih vodil, me običajno nekoliko začudeno pogledajo. Saj vendar govorimo o podatkih, modelih, API-jih, agentih in avtomatizaciji. Kje so tu čustva?
Po več implementacijah AI rešitev v podjetjih sem ugotovil, da je prav čustveni del projekta eden ključnih dejavnikov njegovega uspeha. Umetna inteligenca namreč ni samo nova tehnologija. Poseže v način dela ljudi, njihove odgovornosti, procese odločanja in pogosto tudi v njihov občutek varnosti. Zaradi tega skoraj vsak resen AI projekt sledi podobni čustveni krivulji.
Zakaj se AI projekt začne z navdušenjem vodstva?
Začetek je skoraj vedno podoben. Direktor ali druga oseba iz vodstva prepozna priložnost, ki je drugi še ne vidijo tako jasno. Lahko gre za zmanjšanje stroškov, hitrejšo obdelavo zahtevkov, boljšo podporo strankam, nove prihodke ali skrit tržni potencial. Včasih je prisoten tudi občutek, da podjetje ne sme zamuditi tehnološkega premika, ki se že dogaja.
To je faza začetnega navdušenja. Vizija je jasna, potencial je velik, tehnične in organizacijske podrobnosti pa so še dovolj oddaljene, da ne omejujejo ambicij. Vodstvo vidi ciljno stanje, še preden je natančno jasno, kako bomo do njega prišli.
Prav ta intuicija pogosto sproži projekt. Težava je v tem, da preostanek organizacije še ni nujno na isti točki. Direktor vidi poslovno priložnost, projektna ekipa pa najprej vidi dodatno delo, nejasne odgovornosti in tehnologijo, katere možnosti ter omejitve še niso povsem razumljive.
Ko AI projekt postane projekt ljudi in ne več samo tehnologije
Ko se oblikuje projektna ekipa, se razpoloženje običajno spremeni. Vključijo se strokovnjaki posameznih področij, lastniki procesov, predstavniki IT-ja in sodelavci, ki bodo rešitev pozneje uporabljali, nadzorovali ali zanjo zagotavljali podporo.
Takrat se začne faza zmede. Kaj umetna inteligenca dejansko zna? Kje so njene omejitve? Kaj se zgodi, ko naredi napako? Ali bomo morali prilagoditi obstoječe procese? Zakaj sem sploh del te ekipe in kaj se od mene pričakuje?
V tej fazi velik del dela ni tehničen. Ekipo je treba povezati z začetno vizijo vodstva, pokazati konkretne možnosti uporabe AI ter odkrito predstaviti tudi njegove omejitve. Vsak član mora razumeti, zakaj je vključen, kakšna je njegova vloga in katere odgovornosti prevzema.
Brez tega AI projekt hitro postane projekt zunanjega izvajalca ali majhne tehnične skupine. To je nevarno, saj noben model ne pozna poslovnega procesa tako dobro kot ljudje, ki ga izvajajo vsak dan. Tehnologija lahko pripravi odgovor, vendar samo strokovnjaki znotraj organizacije vedo, ali je ta odgovor tudi poslovno pravilen, varen in uporaben.
Zakaj so testni podatki pomembnejši od prepričljivega AI prikaza?
Ko ekipa razume cilj in svojo vlogo, se začne priprava testnih podatkov, pričakovanih rezultatov ter meril uspeha. To je ena najpomembnejših faz celotnega projekta, saj se splošna ideja prvič spremeni v objektivno preverljive zahteve.
Ne sprašujemo se več samo, ali lahko AI reši določen problem. Določiti moramo, kako bomo vedeli, da ga rešuje pravilno. Pripravimo reprezentativne vhodne podatke, pričakovane izhode, robne primere in jasna merila sprejemljivosti. Rezultate poskušamo čim bolj objektivizirati, da ocenjevanje ni odvisno samo od občutka posameznega člana ekipe.
Projekt na tej točki postane bolj občutljiv. Ljudje vanj vlagajo svoje znanje, čas, energijo in tudi povezave z drugimi sodelavci, ki se občasno vključujejo kot dodatni strokovnjaki. Začnejo se razprave o tem, kaj je v določenem procesu sploh pravilen rezultat. Pogosto se pokaže, da tudi obstoječi procesi niso tako jasno definirani, kot je organizacija domnevala.
Prav priprava podatkov in kriterijev pogosto razkrije največ nejasnosti. AI v tem smislu ne testira samo tehnologije, ampak tudi kakovost procesov, pravil in znanja znotraj podjetja.
Trk z realnostjo je obvezen del resnega AI projekta
Ko so cilji določeni in testni podatki pripravljeni, implementacija dobi nov zagon. Razvijemo začetno rešitev, jo povežemo s potrebnimi viri in začnemo sistematično preverjati rezultate. Ti se z vsako iteracijo izboljšujejo.
Potem pa skoraj vedno naletimo na zid. Model odgovori drugače, kot smo pričakovali. Agent izbere napačno orodje. Sistem uporabi pravilen podatek v napačnem kontekstu. Integracija ne vrne podatkov v pričakovani obliki. Primer, ki je deloval desetkrat zapored, enajstič odpove brez očitnega razloga.
Po mojem mnenju je to dober znak. Če pri projektu nikoli ne naletimo na resen problem, obstaja velika verjetnost, da rešitve nismo dovolj obremenili ali da smo jo testirali samo na primerih, pri katerih smo že vnaprej vedeli, da bo delovala.
Cilj AI projekta ni izdelati prepričljiv prikaz, ki nekajkrat pravilno odgovori. Cilj je stabilen produkcijski proces, ki testne in pozneje resnične podatke obdeluje skladno z vnaprej pripravljenimi pričakovanimi rezultati. Do takšne stabilnosti lahko pridemo samo tako, da sistem izpostavimo tudi situacijam, v katerih odpove.
Zakaj je depresija najbolj kritična faza implementacije?
Najzahtevnejši trenutek nastopi, ko se pojavi težava, ki je ekipa ne more rešiti takoj. Nihče nima popolnega odgovora, logi so preskopi, napake ni mogoče enostavno ponoviti, rezultati pa na prvi pogled nimajo logičnega vzorca. Začetno navdušenje se takrat hitro spremeni v dvom.
To fazo sam imenujem depresija AI projekta. Ne zato, ker bi bil projekt neuspešen, temveč zato, ker ekipa prvič močno občuti razliko med nadzorovanimi testi in zahtevnostjo dejanskega sistema. AI je lahko ponovno videti kot nepredvidljiva črna škatla, čeprav je ekipa do takrat že vložila veliko časa in energije.
Prav tukaj se odloča, ali bo rešitev ostala prototip ali pa bo postala zanesljiv produkcijski proces. Najlažje bi bilo znižati kriterije, izključiti zahtevne primere ali težavo razglasiti za izjemo. Težje, vendar bistveno vrednejše, je izboljšati opazljivost sistema, razčleniti problem in ugotoviti, kateri del celotne verige povzroča nepredvideno vedenje.
Pri AI rešitvah razlog pogosto ni samo v modelu. Težava je lahko v vhodnih podatkih, napačno pripravljenem kontekstu, strukturi navodil, izbiri orodja, zunanjem sistemu, poslovnem pravilu ali kombinaciji več manjših odstopanj. Zato suhi tehnični logi pogosto niso dovolj. Potrebujemo sledljivost odločitev in razumevanje celotnega procesa.
Kako največji problemi povežejo projektno ekipo?
Paradoksalno se prav po največjem padcu pogosto začne najbolj produktivna faza projekta. Ekipa ne pričakuje več, da bo AI čarobno ustvaril pravilen rezultat, ampak začne sistem obravnavati kot kompleksen proces, ki ga je mogoče opazovati, testirati in izboljševati.
Sodelovanje postane intenzivnejše. Strokovnjaki posameznih področij podrobneje razlagajo posebnosti procesa, IT pomaga pri podatkih in integracijah, projektna ekipa izboljšuje testne primere, po potrebi pa se vključijo tudi sodelavci iz drugih oddelkov. Vsak prinese del odgovora, ki ga preostali člani sami ne bi mogli najti.
To je faza pravega angažmaja. Ekipa začne bolje razumeti, kaj je mogoče doseči z modeli, kaj je treba rešiti deterministično in kje potrebujemo kombinacijo obeh pristopov. Nauči se razlikovati med napako AI modela, slabo pripravljenimi podatki, nejasnim procesom in pomanjkljivim poslovnim pravilom.
Hkrati se že pripravlja na prihodnji prevzem rešitve. Ljudje, ki skupaj rešujejo najtežje težave, pozneje bistveno lažje zagotavljajo prvo raven podpore, spremljajo rezultate in predlagajo izboljšave. Znanje ne ostane samo pri izvajalcu, ampak se začne prenašati v organizacijo.
Zakaj zmagi vedno sledi še nekaj novih težav?
Ko rešitev doseže pričakovane rezultate na testnem naboru, pride prvi občutek zmage. Sistem je stabilnejši, ekipa razume njegove odzive in rezultati so skladni s kriteriji sprejemljivosti. Toda AI projekt se s tem še ne konča.
Naslednji preizkus je povezava z resničnimi podatki in produkcijskimi sistemi. Rešitev, ki je delovala samostojno in z nadzorovanimi testnimi podatki, se mora zdaj odzivati na nepričakovane formate, manjkajoča polja, napačne vnose, zamude zunanjih sistemov in vedenje resničnih uporabnikov.
Takrat se pojavijo novi robni primeri in pogosto še ena manjša depresija. Ugotovimo, da pravilno delujoč model ni dovolj, če integracija vrne nepopolne podatke. Dobro pripravljen agent ne pomaga, če je poslovno pravilo dvoumno. Pravilno testirana rešitev se lahko obnaša drugače, ko je vključena v širši proces z več odvisnostmi.
Razlika je v tem, da ekipa zdaj že zaupa načinu dela. Ve, da problem ni dokaz, da je celoten projekt zgrešen, ampak nov primer, ki ga je treba razumeti, dodati v testni nabor in sistematično rešiti.
Od navdušenja direktorja do navdušenja celotne ekipe
Zaupanje v AI rešitev ne nastane zato, ker je nekdo zagotovil, da model deluje. Nastane skozi ponovljiv proces testiranja, merjenja in izboljševanja. Ekipa začne zaupati testnemu naboru, kriterijem sprejemljivosti, opazljivosti sistema in determinističnim delom procesa, ki zagotavljajo stabilnost tam, kjer naključnosti ne smemo dopustiti.
Po vseh iteracijah projektna ekipa končno doseže raven navdušenja, ki jo je imel direktor na začetku. Vendar obstaja pomembna razlika. Začetno navdušenje vodstva je temeljilo na intuiciji o poslovnem potencialu. Navdušenje ekipe pa zdaj temelji na lastni izkušnji.
Člani ekipe so videli, kje AI odpove, kako ga je mogoče izboljšati, katere naloge rešuje dobro in kje potrebuje deterministična pravila ali človeško odločitev. AI zanje ni več črna škatla. Postal je tehnologija, katere možnosti in omejitve razumejo dovolj dobro, da jo lahko odgovorno uporabljajo ter razvijajo naprej.
Kaj je v resnici uspešna implementacija umetne inteligence?
Največja vrednost AI projekta zato ni samo avtomatizacija procesa, zmanjšanje stroškov ali hitrejša obdelava dela. Pomemben rezultat je tudi organizacija, ki se je naučila umetno inteligenco vključevati v svoje delo.
Uspešen projekt ustvari ekipo, ki zna pripraviti testne podatke, določiti pričakovane rezultate, spremljati delovanje sistema in prepoznati primere, pri katerih je potrebna izboljšava. Ljudje ne pričakujejo več popolne avtonomije ali čarobnih odgovorov, ampak razumejo, kako kombinirati AI, deterministične procese in človeško presojo.
Prav to je po mojem mnenju resnični namen uvajanja AI orodij v podjetja. Ne gre samo za to, da ljudem dodamo novo tehnologijo ali zamenjamo posamezna opravila. Gre za vzpostavitev načina dela, v katerem se ljudje in tehnologija povežejo v učinkovit sodelovalni sistem.
Čustvena pot od navdušenja prek zmede, občutljivosti, frustracije in angažmaja zato ni stranski učinek projekta. Je del procesa, skozi katerega organizacija pridobi znanje, zaupanje in sposobnost, da AI rešitev po zaključku projekta tudi sama upravlja ter izboljšuje.
In ko ekipa na koncu doseže isto navdušenje, kot ga je imel direktor na začetku, projekt ni ustvaril samo delujoče tehnologije. Ustvaril je organizacijo, ki jo razume.
