Penelitian Gartner mengatakan bahwa pada tahun 2030, 80% tugas manajemen proyek akan ditangani oleh AI. Seperti apa persentase proyek yang menggunakan AI untuk menyelesaikan tugas – masih harus dilihat. Namun, sudah saatnya untuk mempertimbangkan bagaimana mengintegrasikan AI ke dalam strategi operasi perusahaan.
Langkah pertama adalah memahami potensi dan batasan teknologi ini. Kecerdasan buatan sangat baik dalam menganalisis tren dan pola tetapi gagal dalam hal-hal seperti penalaran bertahap dan pengambilan keputusan moral. Ini menciptakan visual yang sensasional, tetapi mendapatkan AI untuk secara konsisten menghasilkan materi yang sesuai dengan citra merek memerlukan keterampilan yang cukup besar. Itulah sebabnya ketika kita mulai mengerjakan proyek AI, kita tidak dapat mengasumsikan dengan probabilitas yang sebanding dengan proyek lain apakah itu akan menghasilkan hasil yang konkret dan terukur.
Oleh karena itu, titik awal yang baik adalah menganalisis pro dan kontra:
Untuk mencapai jawaban yang kredibel atas pertanyaan-pertanyaan ini, sebaiknya memilih proyek AI sederhana yang memberikan nilai yang cukup besar, mudah diukur, dan akan sesuai dengan strategi perusahaan. Sebuah startup yang menawarkan layanan kurir dapat dijadikan contoh. Tujuannya adalah untuk meningkatkan layanan pelanggan dan meningkatkan fleksibilitas rantai pasokan. Proyek AI yang sederhana tetapi berharga, misalnya, adalah implementasi chatbot yang menangani pertanyaan pelanggan. Asisten virtual semacam itu akan menangani lebih banyak permintaan daripada pusat panggilan tradisional, meningkatkan kepuasan pelanggan melalui respons cepat terhadap pertanyaan dan kualitas komunikasi yang konsisten. Sebaliknya, sistem canggih yang mengoptimalkan rute kurir sesuai dengan tujuan meningkatkan fleksibilitas pengiriman tetapi kompleks dan memiliki risiko yang jauh lebih tinggi.
Setelah proyek AI awal ditentukan, startup harus menilai kelayakannya, misalnya, dalam hal anggaran di mana proyek AI harus sesuai.
Menerapkan solusi SaaS siap pakai atau AI sebagai Layanan (AIaaS), atau yang disebut “AI siap pakai,” memiliki banyak keuntungan. Salah satunya adalah biaya penggunaan alat yang dapat diprediksi dan biaya implementasi proyek AI yang relatif mudah diperkirakan. Anda dapat memilih dari solusi seperti:
Untuk proyek AI berskala lebih besar, biayanya sering kali dapat diremehkan. Terutama ketika datang ke sumber daya dan waktu yang dibutuhkan untuk pengumpulan dan persiapan data. Misalnya, menurut Arvind Krishna dari IBM, tahap persiapan data untuk pembelajaran AI dapat menyumbang hingga 80% dari durasi proyek.
Sumber: DALL-E 3, prompt: Marta M. Kania (https://www.linkedin.com/in/martamatyldakania/)
Selain itu, semakin banyak kita memerlukan model AI yang dipersonalisasi untuk sebuah proyek, semakin banyak data kualitatif yang perlu kita kumpulkan. Misalnya, jaringan saraf dalam untuk pembelajaran memerlukan ratusan ribu contoh. Ini membawa biaya untuk memperoleh dan membersihkan set data yang sangat besar. Untungnya, perkembangan pesat kecerdasan buatan berarti bahwa semakin banyak proyek AI dapat diimplementasikan tanpa perlu pembelajaran model kustom yang mahal.
Namun, perusahaan yang merencanakan proyek AI harus mempertimbangkan tidak hanya tahap pengembangan solusi, tetapi juga persiapan data dan operasi sistem yang berkelanjutan, termasuk biaya pemeliharaan, pembaruan, atau pengumpulan data baru. Hanya dengan begitu Anda dapat menilai pengembalian investasi yang nyata dalam AI.
Salah satu tantangan utama dalam proyek AI adalah data – ketersediaan, kuantitas, dan kualitasnya. Jadi, apa yang harus dilakukan? Sebelum memulai proyek AI, Anda perlu:
Masalah umum adalah bahwa data tersebar di berbagai sistem dan format. Menggabungkan, membersihkan, dan mempersiapkannya untuk pembelajaran AI bisa menjadi tantangan. Praktik yang baik adalah agar tim AI bekerja sama dengan departemen TI atau analis data. Bersama-sama, mereka harus memastikan bahwa infrastruktur dan proses akuisisi data yang tepat sudah ada.
AI bukan hanya algoritma pembelajaran mesin. Untuk membuatnya berfungsi dalam praktik, diperlukan seluruh infrastruktur TI. Sementara itu, mengintegrasikan sistem AI baru dengan sistem yang sudah ada di perusahaan bisa menjadi tantangan. Ini sering kali memerlukan penyesuaian sistem bisnis yang lebih lama, yang bagi banyak perusahaan berarti biaya peningkatan yang cukup besar.
Selain itu, proyek AI memerlukan keahlian dalam ilmu data dan rekayasa data. Sementara itu, dunia sedang mengalami kekurangan spesialis di bidang ini. Menurut laporan “Technology Trends Outlook 2023” dari McKinsey, rasio iklan lowongan pekerjaan terhadap spesialis yang tersedia adalah 7 banding 100, dan permintaan terus meningkat.
Masalah keamanan data juga tidak bisa diabaikan. Sistem AI memproses sejumlah besar informasi sensitif, yang harus diamankan dengan baik dari kebocoran. Sementara itu, pelanggaran data telah meningkat secara signifikan dalam beberapa tahun terakhir. Ini adalah risiko penting lainnya yang perlu diingat saat menerapkan proyek AI.
Salah satu hambatan umum untuk menerapkan proyek AI bisa jadi adalah kurangnya pengetahuan tentang kecerdasan buatan di kalangan manajer dan pengambil keputusan bisnis. Tanpa pemahaman mendalam tentang kemampuan teknologi, sulit untuk menilai kelayakan proyek tertentu dan membuat keputusan yang tepat. Itulah sebabnya penting untuk berinvestasi dalam meningkatkan pengetahuan manajer di bidang teknologi baru.
Melatih kembali karyawan saat ini juga bisa membantu. Semakin banyak dibicarakan tentang apa yang disebut “analis data warga” (“Citizen data scientists”). Spesialis ini memanfaatkan teknologi mutakhir untuk menyelesaikan masalah bisnis spesifik yang mereka hadapi setiap hari. Mereka sangat memahami industri tempat mereka bekerja. Dengan menjadi bagian dari tim yang mengerjakan proyek AI, mereka memungkinkan spesialis AI untuk fokus pada masalah implementasi dengan menjawab pertanyaan spesifik industri.
Selain keterampilan teknis, seperti mengevaluasi rekomendasi AI dan membuat keputusan, keterampilan lunak juga penting, termasuk kepemimpinan dan pemikiran strategis. Ini adalah cara lain untuk mengatasi kekurangan keterampilan AI di perusahaan.
Ada rumor yang tidak berdasar (dan mungkin tidak benar) yang beredar di Internet bahwa hingga 87% proyek AI tidak pernah mencapai fase produksi. Meskipun kami belum dapat mengakses studi yang dapat diandalkan tentang proyek yang sukses, definisi awal tentang cara mengukur keberhasilan adalah kunci untuk menilai dampak nyata dari implementasi AI.
Praktik yang baik di sini adalah eksperimen skala kecil. Ini melibatkan pengujian kinerja AI, misalnya, pada sampel acak pengguna dan membandingkan hasilnya dengan kelompok kontrol yang menggunakan solusi standar. Uji A/B semacam itu membantu Anda memverifikasi apakah sistem AI baru dapat memberikan hasil yang diharapkan seperti peningkatan konversi atau kepuasan pelanggan.
Sumber: DALL-E 3, prompt: Marta M. Kania (https://www.linkedin.com/in/martamatyldakania/)
Uji A/B layak diulang secara berkala bahkan setelah implementasi AI, karena model dapat kehilangan akurasi dan relevansi dalam menyelesaikan masalah. Ini akan memungkinkan Anda untuk dengan cepat mengidentifikasi anomali yang muncul dan kebutuhan untuk mengkalibrasi ulang sistem agar tetap memberikan hasil bisnis yang diharapkan.
Sementara AI menawarkan peluang yang luar biasa, proyek di bidang ini membawa tantangan yang signifikan. Untuk berhasil, Anda harus menilai secara layak biaya dan manfaat AI, memperhatikan akuisisi dan kualitas data, mengembangkan kompetensi internal, dan bertaruh pada implementasi bertahap teknologi baru. Sangat penting juga untuk mengukur dampak bisnis yang nyata dari implementasi dan bereaksi cepat terhadap masalah yang muncul. Hanya dengan begitu AI akan menjadi peningkatan daripada ancaman bagi perusahaan.
Jika Anda menyukai konten kami, bergabunglah dengan komunitas sibuk kami di Facebook, Twitter, LinkedIn, Instagram, YouTube, Pinterest, TikTok.
Ahli JavaScript dan instruktur yang melatih departemen TI. Tujuan utamanya adalah untuk meningkatkan produktivitas tim dengan mengajarkan orang lain bagaimana berkolaborasi secara efektif saat melakukan pengkodean.
Perusahaan menghadapi tantangan dalam mengelola sejumlah besar konten yang dipublikasikan secara online, mulai dari pos…
Di era transformasi digital, perusahaan memiliki akses ke jumlah data yang belum pernah terjadi sebelumnya…
Apakah Anda tahu bahwa Anda dapat mendapatkan inti dari rekaman multi-jam dari pertemuan atau percakapan…
Bayangkan sebuah dunia di mana perusahaan Anda dapat membuat video yang menarik dan dipersonalisasi untuk…
Untuk sepenuhnya memanfaatkan potensi Model Bahasa Besar (LLM), perusahaan perlu menerapkan pendekatan yang efektif dalam…
Pada tahun 2018, Unilever telah memulai perjalanan sadar untuk menyeimbangkan kemampuan otomatisasi dan augmentasi. Dalam…