Generativ AI kan revolutionera hur företag arbetar, men ChatGPT och liknande teknik medför också en rad utmaningar som måste hanteras för att tekniken ska ge konkreta fördelar i tjänster som riktar sig till företagens kunder. Det handlar om allt från teknik till etik.

Programvaruföretaget Progress har tagit fram en lista på fem faktorer som företag bör ha extra koll på när de vill använda generativ AI för att förbättra kundernas digitala upplevelser.

Träna bort AI:ns omedvetna fördomar

En AI-lösning blir inte bättre än den data den tränas på. Om träningsdatan innehåller omedvetna fördomar, kommer det att speglas i innehållet. En chatbot som är tränad med partiska data kan till exempel rekommendera jobb med högre lön till män än till kvinnor (med samma kvalifikationer). Eller så förstärker den stereotyper eller exkluderar specifika grupper.

Det finns olika automatiserade verktyg som kan upptäcka bias i träningsdatan. Vissa använder sig av maskininläringsalgoritmer för att ta bort språkliga bias, andra använder statistiska tekniker för att upptäcka obalans mellan exempelvis demografiska kategorier.

Modellerna som används för att träna en AI måste vara väl utformade och träningsdatan ska vara rättvisande, diversifierad och bör representera hela användarbasen för att AI:n ska kunna skapa en inkluderande och bra digital upplevelse för alla.

Automatisera och hyperautomatisera

Hyperautomatisering är inte bara vilken automatisering som helst, utan en ny metod som handlar om att kombinera olika avancerade tekniker som AI, maskininlärning och robotiserad processautomatisering (RPA) för att strömlinjeforma komplexa processer.

Det kan handla om att automatisera allt från enkla repetitiva uppgifter till mer komplexa flöden som beslutsfattande och kundservice. Det handlar om att minska ner på fel och spara och frigöra tid så att personalen kan lägga mer tid på att fokusera på viktiga(re) saker.

Hyperautomatisering i kombination med AI kan också skapa mer personliga och engagerade kundupplevelser och därmed förbättra hur företag skapar och levererar digitala upplevelser till sina kunder. Ökad kundnöjdhet och lojalitet ligger i potten.

Utmaningarna i att implementera hyperautomatisering med generativ Ai ligger främst i att det krävs stor kunskap om de underliggande teknikerna och hur de ska integreras i befintliga system. Dessutom finns det risk för att man överautomatiserar processer, vilket leder till att man förlorar den mänskliga touchen och kvaliteten i upplevelsen går förlorad.

Ta hänsyn till de specifika utmaningarna med generativ AI

AI kräver stora datamängder och komplicerade algoritmer. En kritisk utmaning med generativ AI är att skydda all underliggande data som ofta innehåller känsliga kunddata eller affärshemligheter.

Verktyg som skyddar mot intrång, logganalyser och robusta åtkomstkontroller är självklart viktigt. Men förutom tekniska åtgärder är det även viktigt att ha koll på integritetpolicys och regelefterlevnad eftersom systemen bygger på persondata och företagen lyder under GDPR.

Välj rätt sorts AI

När man integrerar generativ AI i den digitala upplevelsen är det viktigt att välja rätt sorts AI för ändamålet. Olika typer av AI har olika styrkor och begränsningar. Regelbaserade system använder fördefinierade regler för att producera nytt innehåll eller för att ta beslut. Den här sortens AI är mycket effektiv i vissa fall, men har begränsningar när det kommer till flexibilitet och förmåga att anpassa sig till nya data.

Å andra sidan finns de neurala nätverken som inspirerats av den mänskliga hjärnan och som är designade för att lära sig av, och anpassa sig till nya data. Den här sortens AI är bra på att generera nytt innehåll, men kan vara svårimplementerad.

Håll koll på prestandan

Alla avskyr webbplatser som är långsamma och buggiga. Det är därför viktigt att ha skalbarhet och prestanda i åtanke när man bygger in generativ AI. Ju mer komplicerade digitala upplevelser, desto viktigare är det att systemen kan skalas upp så att prestandan hänger med. Generellt sett gäller det att kontinuerligt övervaka och analysera prestanda och svarstid för att ha koll på potentiella flaskhalsar och eventuella förbättringsområden.

Molntjänster som erbjuder virtuellt obegränsade resurser och som flexibelt kan användas och anpassas vid varierande efterfrågan är ett alternativ. Metoden har flera fördelar när det gäller skalbarhet och prestanda, men kräver minutiös resurshantering för att hålla kolla på kostnaderna och hålla effektiviteten uppe.

Hur genomförs allt detta?

När man ger sig i kast med generativ AI gäller det att se till att göra det på ett strukturerat sätt. Det finns helt klart möjligheter till förbättrad kundnöjdhet och ökade intäkter, men framgången är inte självklar. Här är några steg som bör ingå i själva genomförandet:

• Definiera vad tekniken ska användas till och vilka specifika affärsproblem som AI:n ska hjälpa till att lösa.
• Analysera befintliga data för att identifiera möjliga bias och/eller luckor.
• Välj lämplig generativ AI för ändamålet. Se till att tekniken är kompatibel och passar ihop med befintliga system och arbetsflöden.
• Skapa en detaljerad plan för att träna, testa och övervaka den generativa AI:ns prestation över tid.
• Upprätta robusta säkerhetsåtgärder för att skydda känsliga data och förhindra otillåten åtkomst eller manipulering.

Sara Faatz, chef för Technology Community Relations, Progress