applied_ai_automation

Ez a valódi kérdés az lehetőségek azonosításának hátterében.

What makes one AI or automation idea worth serious work, while another stays a nice thought?

Ez a valódi kérdés az lehetőségek azonosításának hátterében.

Photo: Nicholas Mah / Wikimedia Commons / CC BY 4.0

Mi teszi egy AI- vagy automatizálási ötletet érdemesnek komoly munkára, míg egy másik csak szép gondolat marad?

Ez a valódi kérdés az lehetőségek azonosításának hátterében. A nehéz rész nem az ötletek megtalálása. A nehéz rész a rutinból fakadó érdeklődés és az üzleti szempontból jelentős munka közötti szétválasztás.

A jó áttekintés magával a munkával kezdődik. A csapatok ismétlődő feladatokat keresnek, amelyek időigényesek, és egyértelmű üzleti folyamatba illeszkednek. Ezek azok a területek, ahol az AI-t vagy az automatizálást tényekkel, reménnyel szemben lehet megítélni. Ha egy feladatot negyedévente egyszer végeznek el, ritkán lesz jó első célpont. Ha viszont naponta előfordul, ugyanazt a mintát követi, és késleltetést vagy hibát okoz, akkor érdemes közelebbről megvizsgálni.

A következő lépés annak feltárása, milyen fajta munkáról van szó. Vannak egyszerű, szabályalapú feladatok. Mások ítélőképességet, kontextust vagy nyelvi érzéket igényelnek. Az egyszerű, ismétlődő munka gyakran illik a standard automatizáláshoz. A rendetlen bemenetekkel, hosszú szövegekkel vagy sok kivétellel rendelkező munka esetleg jobban illik az AI-hoz. Nem az a kérdés, hogy a eszköz mennyire hangzik fejlettnek. Az a kérdés, hogy a feladatnak van-e olyan formája, amelyet a technológia megbízhatóan kezelni tud.

Hasznos szűrő a érték. Nem minden kézi munka számít ugyanúgy. Néhány feladat érinti az ügyfeleket. Néhány befolyásolja a pénzáramlást. Néhány kockázatot, újrakezdést vagy torlódásokat hoz létre. Egy időigényes, de kis üzleti hatással bíró feladat gyenge első jelölt lehet. Egy feladat, amely lassítja a kulcsfontosságú folyamatot, vagy szakembereket tart vissza alacsony értékű munkában, sokkal jobb jelölt lehet.

Az életképeség ugyanolyan fontos. Egy ígéretes használati eset még mindig kudarcot vallhat, ha az adatok gyengék, a folyamat instabil, vagy a rendszerbeállítás túl töredezett. Ha ugyanazt a feladatot három különböző módon végzik három különböző csapat, akkor a munka még nem áll készen egy tiszta automatizálási réteghez. Ha a bemenetek hiányosak, a kimenet törékeny lesz. A jó lehetőség-áttekintés ellenőrzi az üzleti szükségletet és a munka technikai állapotát is.

Ezért használ sok csapat egy egyszerű szűrőt: magas ismétlődés, egyértelmű szabályok, elérhető adatok és valós üzleti érték. Ez nem azt jelenti, hogy minden erős jelölt könnyű. Azt jelenti, hogy az eset megéri az ötletből a mélyebb áttekintésbe való átmenetet.

Egyszerű módszer az ötletek szétválasztására

Gyakorlati módszer, hogy minden jelöltet néhány egyszerű kérdésre értékelünk:

  • Milyen gyakran történik a feladat?
  • Mennyi időt vesz igénybe?
  • Milyen gyakran szakad meg vagy igényel újrakezdést?
  • Elég stabil a folyamat a térképezéshez?
  • Elérhető az adat ott, ahol a munka történik?
  • Ellenőrizhető az eredmény?
  • Befolyásolja a feladat az ügyfeleket, a költségeket vagy a belső sebességet?

Ez a típusú áttekintés segít a csapatoknak elkerülni a homályos kifejezéseket. „AI az operációkhoz” nem egy használati eset. „Összefoglalja a bejövő támogatási kéréseket, és témák szerint továbbítja őket” sokkal közelebb áll hozzá. Minél specifikusabb a munka, annál könnyebb megítélni.

Hasznos szabály a közönséges és bosszantó munka keresése. A közönséges munka léptéket teremt. A bosszantó munka húzást okoz. Amikor mindkettő jelen van, az eset láthatóbbá válik. Gyakran itt található az első valódi lehetőség.

Vegyünk egy kis példát. Egy pénzügyi csapat sok szállító számlát kap azonos formátumban. A dolgozók megnyitják mindegyiket, elolvassák az összegeket, és begépelik az adatokat egy másik rendszerbe. A feladat ismétlődő, a formátum stabil, és az eredmény ellenőrizhető a forrással szemben. Ez erősebb jelöltté teszi, mint egy olyan feladatot, amely személyt igényel a rendkívüli szerződési nyelvezet értelmezéséhez. Az első feladat strukturált. A második változatosabb és kockázatosabb.

Ez nem azt jelenti, hogy az első feladatot azonnal automatizálni kellene. Azt jelenti, hogy az eset könnyebben értékelhető. A jó lehetőség-áttekintés nem ígéri meg a sikert. Megmutatja, hol éri meg a mélyebb kísérleti üzemeltetés.

Mit kerülj el

Sok csapat ugyanazt a hibát követi el. A legfeltűnőbb ötletről indulnak. Képzelnek egy általános asszistent, majd használati esetet keresnek, ami illik hozzá. Ez gyakran gyenge projektekhez és lassú haladáshoz vezet.

A jobb áttekintések a munkával kezdődnek, nem az eszközökkel. Kerülik azokat a feladatokat, amelyeket nehéz ellenőrizni, nehéz szabványosítani, vagy túl ritkák ahhoz, hogy számítanak. Egy egyszeri kivétel fontos lehet egy felhasználó számára, de ritkán a megfelelő hely az AI-program megkezdéséhez. A magas bizonytalanság és az alacsony volumen rossz kombináció.

Egy másik gyakori csapda a tulajdonosi jogok figyelmen kívül hagyása. Ha senki sem tudja egyértelműen megmondani, ki végzi ma a feladatot, vagy ki ellenőrzi az eredményt, akkor az lehetőség nem jól kialakított. A jó automatizálás egyértelmű folyamat-tulajdonjogtól függ. Enélkül még egy hasznos eszköz nehezen üzemeltethetővé válik.

Ugyanez vonatkozik az adatokra is. Ha a munka szétszórt e-mailektől, hiányzó mezőktől vagy manuális mellékjegyzetektől függ, a csapatnak可能需要 tisztítania a folyamatot, mielőtt automatizálná. Ez nem kudarc. Ez a munka része. Az lehetőség azonosítása gyakran olyan folyamattervezési problémákat tár fel, amelyek már léteztek.

Amit ez ad egy vállalkozásnak

Amint egy csapat megtanulja így azonosítani a lehetőségeket, abbahagyhatja az AI kezelését általános ígéretként. Kezelheti azt mint konkrét munkaminták halmazát. Ez megváltoztatja a beszélgetést. A kérdés kevésbé arról szól, hogy az AI elméletileg hasznos-e, és inkább arról, mely folyamat kész, melyiknek van értéke, és melyik ellenőrizhető.

A EuroOp LLC ezt gyakorlati K+F szokásként kezeli. A minta egyszerű: kezd a munkával, teszteld az ismételhetőséget, ellenőrizd az adatokat, és óvatosan ítéld meg az üzleti hatásokat. Így válik a széles körű AI-iránti érdeklődés átláthatóbb valódi lehetőségek sorrendjévé.

A EuroOp Insights ugyanezt az ötletet röviden követi. Egy alkalmazott K+F minta, egy gyakorlati tanulság a EuroOp termékei mögötti pipeline-ból.

Beszélgessünk a témáról