Τεχνητή Νοημοσύνη: Γιατί έχουμε λίγα παραδείγματα επιτυχημένων πρότζεκτ σε μικρομεσαίες επιχειρήσεις;

Εάν η Τεχνητή Νοημοσύνη (ΤΝ) αποτελεί πραγματικά έναν από τους επόμενους τεχνολογικούς πυλώνες ανάπτυξης και καινοτομίας για τη σύγχρονη επιχείρηση, γιατί έχουμε λίγα παραδείγματα επιτυχημένων πρότζεκτ ΤΝ σε μικρομεσαίες επιχειρήσεις; Η ερώτηση αυτή αποτέλεσε πηγή προβληματισμού σε πρόσφατο πάνελ στο οποίο παρευρεθήκαμε ως ομιλητές στα πλαίσια του Reshaping Work Conference που έλαβε χώρα στο Amsterdam στα μέσα Οκτωβρίου 2022. Το εν λόγω συνέδριο εστίασε στο πώς η ΤΝ επηρεάζει τη σύγχρονη επιχείρηση και ποιες είναι οι συνέπειες της χρήσης ΤΝ για το μέλλον της εργασίας και την ανάπτυξη επιχειρήσεων και οργανισμών που δραστηριοποιούνται σε μια πληθώρα επιχειρηματικών κλάδων.

Το πάνελ στο οποίο συμμετείχαμε είχε ως κεντρικό θέμα το πώς δημιουργούνται και αναπτύσσονται μοντέλα ΤΝ και πώς η διαδικασία αυτή διαφέρει σημαντικά από ανάπτυξη και δημιουργία άλλων ψηφιακών τεχνολογιών και εφαρμογών. Η δική μας ομιλία έθεσε το παραπάνω ερώτημα έτσι ώστε να τροφοδοτήσει σκέψεις και να πυροδοτήσει συζήτηση για το τι ακριβώς είναι αυτό το οποίο επιβραδύνει ή αποτρέπει επενδύσεις σε ΤΝ από μικρομεσαίες επιχειρήσεις. Είναι ένα ζήτημα στο οποίο έχουμε επίσης αναφερθεί σε προηγούμενα άρθρα μας (βλ. Ζοπουνίδης, Κ. & Κωστής, Α., 2022, Τεχνητή Νοημοσύνη και Στρατηγική Δεδομένων σε Μικρομεσαίες Επιχειρήσεις, Οικονομικός Ταχυδρόμος, 14.09.2022) και σίγουρα κάτι το οποίο θα αποτελέσει κεντρικό θέμα των μελλοντικών μας ερευνών.

Σε χαμηλά επίπεδα οι επενδύσεις

Υπό εξέλιξη έρευνά μας, που λαμβάνει χώρα σε συνεργασία με το ΑΙ Lab του Πανεπιστημίου του Ούμεο, αναδεικνύει ότι πολλές επιχειρήσεις και μάνατζερ αυτών εκφράζουν ενθουσιασμό για τη μελλοντική επίδραση της ΤΝ στον επιχειρηματικό τους κλάδο συνολικά και στην ανταγωνιστικότητά τους πιο συγκεκριμένα. Παρ’όλα αυτά οι επενδύσεις σε ΤΝ από μικρομεσαίες επιχειρήσεις βρίσκονται σε χαμηλά επίπεδα. Στο παρόν άρθρο παραθέτουμε κάποιες σκέψεις σχετικά με αυτό το ζήτημα με βασικό μέλημα να ενεργοποιήσουμε την περιέργεια μάνατζερ και μικρομεσαίων επιχειρήσεων για τη δυνατότητα χρήσης ΤΝ. Συγκεκριμένα, μέσα από ανάλυση συνεντεύξεων με μάνατζερ επιχειρήσεων που έχουν κάνει το πρώτο βήμα και έχουν επενδύσει σε τεχνολογίες ΤΝ, αναφερόμαστε συνοπτικά σε τρία βασικά προβλήματα που δυσχεραίνουν επενδύσεις σε ΤΝ και την ενασχόληση μικρομεσαίων επιχειρήσεων με τεχνολογίες ΤΝ. Επίσης, παρουσιάζουμε τρόπους μέσα από τους οποίους αυτές οι προκλήσεις μπορούν να προσπεραστούν.

Τα τρία βασικά προβλήματα

Πρώτον, μια βασική πρόκληση στη διαδικασία ανάπτυξης, δημιουργίας και εφαρμογής ΤΝ στη σύγχρονη μικρομεσαία επιχείρηση είναι η έλλειψη τεχνικών δεξιοτήτων και γνώσεων σε μεθόδους ΤΝ. Ως αποτέλεσμα, υπάρχει η τάση η ΤΝ να θεωρείται κάτι το δύσκολο ή ακόμη και μη προσεγγίσιμο. Στις περιπτώσεις που η τάση αυτή δεν χαρακτηρίζει την επιχείρηση, κυριαρχεί η ιδέα ότι η ΤΝ είναι καθαρά αρμοδιότητα ανθρώπων με τεχνικό, data science, υπόβαθρο, η προσέλκυση των οποίων κοστίζει κάνοντας ασύμφορο το όποιο εγχείρημα. Αυτό το οποίο παρατηρούμε βέβαια είναι ότι επιχειρήσεις, που έχουν επενδύσει σε ΤΝ και ήδη απολαμβάνουν οφέλη από τέτοιου είδους επενδύσεις, προτίμησαν να επενδύσουν αρχικά στην εκπαίδευση του ήδη υπάρχοντος προσωπικού και όχι να βασιστούν αποκλειστικά στην τεχνογνωσία επιχειρήσεων που προσφέρουν λύσεις ΤΝ. Το αρχικό τους μέλημα αποτέλεσε η εκπαίδευση σε ΤΝ ανθρώπων στο εσωτερικό της επιχείρησης που διακατέχονταν από την περιέργεια για το τι είναι, τι προϋποθέτει και τι μπορεί να προσφέρει η ΤΝ. Αυτή η κίνηση που υλοποιήθηκε με ένα σύνολο ενεργειών (μέρες ΤΝ, εξατομικευμένα εργαστήρια και εκπαιδευτικά προγράμματα ΤΝ κ.α.) βοήθησε να καλλιεργηθεί αυτό που ονομάζουμε ΑΙ mindset (Ζοπουνίδης, Κ. & Κωστής, Α., 2022, Εκπαίδευση και Τεχνητή Νοημοσύνη: Προκλήσεις και Διέξοδοι ή Ανάγκη για Καλλιέργεια ενός AI Mindset, Πολυτεχνείο Κρήτης, 05.04.2022). Έτσι, καινοτόμες λύσεις προήλθαν από τους ανθρώπους που πραγματοποιούν καθημερινά εργασίες και προβλέψεις οι οποίες μπορούν να βελτιωθούν μέσω τεχνολογιών ΤΝ.

Δεύτερον, μια άλλη πρόκληση για τη μικρομεσαία επιχείρηση που επιθυμεί να επενδύσει σε τεχνολογίες ΤΝ είναι η υπερβολική έμφαση στην τεχνολογία και τις δυνατότητες αυτής παρά στα δεδομένα βάσει των οποίων οποιαδήποτε τεχνολογία ΤΝ πραγματοποιεί προβλέψεις. Έτσι, μάνατζερ εστιάζουν στην τεχνολογία και όχι στις αλλαγές που πρέπει να λάβουν χώρα ώστε να δημιουργηθούν ή να συλλεχθούν δεδομένα που θα βοηθήσουν την επιχείρηση να αναπτύξει μοντέλα ΤΝ τα οποία θα παρέχουν ουσιαστική βοήθεια και αξία στους ανθρώπους και τις διαδικασίες της επιχείρησης. Στις περιπτώσεις που μάνατζερ εστιάζουν σε δεδομένα, παρατηρούμε ότι συχνά υπάρχει αυτό που αποκαλούμε «data availability illusion» μιας και θεωρείται ότι τα δεδομένα με τα οποία μπορεί να γίνει εκμάθηση ενός μοντέλου ΤΝ είναι ήδη διαθέσιμα ή ότι τα δεδομένα που κατέχει η επιχείρηση είναι ήδη προς χρήση για ανάπτυξη ΤΝ. Βέβαια, βλέπουμε ότι πιο ώριμες επιχειρήσεις όσον αφορά την ΤΝ αντιλαμβάνονται την ανάγκη για «data work» (βλ. Ζοπουνίδης, Κ. & Κωστής, Α., 2022, Επιστήμη Δεδομένων και Τεχνητή Νοημοσύνη υπό τη μορφή ενός Σχεσιακού Πρίσματος, Οικονομικός Ταχυδρόμος, 28.06.2022) δηλαδή για επεξεργασία υπαρχόντων δεδομένων, για συλλογή δεδομένων από διάφορες πηγές (satellite data, social media data, online reviews, images, crowdsourcing data) και για σύνθεση τέτοιων δεδομένων. Εδώ, σημαντικό χαρακτηριστικό αποτελεί η συλλογική μορφή του data work μιας και η αλληλεπίδραση και οι πιθανές διαφωνίες μεταξύ AI experts και Domain experts μπορούν να είναι παραγωγικές, να διοχετεύσουν το πρότζεκτ με «actionable noise» (βλ. Ζοπουνίδης, Κ. & Κωστής, Α. (2020), Τεχνητή Νοημοσύνη και Διαχείριση του Θορύβο, Πολυτεχνείο Κρήτης, 26.12.2021) και να επιτρέψουν δημιουργία καινοτόμων λύσεων ΤΝ που θα έχουν ουσιαστικό αντίκτυπο στην επιχείρηση.

Τρίτον, μια βασική πρόκληση που οδηγεί στο να μη βλέπουμε επιτυχημένα πρότζεκτ ΤΝ από μικρομεσαίες επιχειρήσεις είναι το γεγονός ότι πολλές επιχειρήσεις αντιλαμβάνονται την ενασχόληση και ανάπτυξη μιας λύσης βασισμένη σε ΤΝ ως μια στατική διαδικασία που συμβαίνει μία φορά και έπειτα τίθεται σε λειτουργία. Αυτό βέβαια είναι μια προβληματική προσέγγιση μιας και η ανάπτυξη και ενασχόληση με τεχνολογίες ΤΝ είναι σημαντικό να προσεγγισθούν ως συνεχείς διαδικασίες όπου γίνεται τόσο monitoring της απόδοσης του μοντέλου ΤΝ όταν αυτό μπει σε λειτουργία αλλά και data work-based refinement όταν η απόδοση δεν είναι η προσδοκώμενη μιας και το περιβάλλον μιας επιχείρησης μεταβάλλεται συνεχώς. Επιπλέον, και ίσως πιο σημαντικά, η σημαντικότητα του να αποφευχθεί μια στατική προσέγγιση όσον αφορά την ανάπτυξη ΤΝ έγκειται στο ότι κάθε πρότζεκτ ΤΝ για μια επιχείρηση θα πρέπει να πυροδοτεί ιδέες για άλλα πρότζεκτ με διαφορετικά δεδομένα και όπου θα μπορούσαν να βελτιωθούν άλλες διαδικασίες εντός της επιχείρησης (ΑΙ project jumpstarting μέσω μεταφοράς εμπειριών και γνώσεων από προηγούμενα πρότζεκτ).

Ενθουσιασμός και πρακτική επιχειρήσεων

Εν κατακλείδι, η ΤΝ φαίνεται ως ένα δύσκολο εγχείρημα για τη σύγχρονη μικρομεσαία επιχείρηση και για την ώρα ο ενθουσιασμός που κυριαρχεί σχετικά με την ΤΝ δεν αντικατοπτρίζεται στην πρακτική των επιχειρήσεων. Η ανάπτυξη ΤΝ είναι σαν την παραγωγή funky μουσικής όπου οι ρυθμοί δημιουργούνται από μια σύνθεση παραγόντων που δεν είναι πάντα αρμονική αλλά αναδεικνύουν το «groove». Εδώ κρίνουμε σημαντικό να αναφέρουμε ότι ο βασικότερος παράγοντας είναι η εκπαίδευση των domain experts, των ανθρώπων της επιχείρησης, ώστε να είναι σε θέση να συμβάλλουν ουσιαστικά και (1) να ενισχύουν το υπάρχον ΑΙ mindset, (2) να συμμετέχουν παραγωγικά σε διαδικασίες data work και (3) να προσεγγίζουν την ανάπτυξη ΤΝ ως μιας συνεχούς διαδικασίας μάθησης. Σε όλα αυτά, οι ρυθμοί πρέπει να παράγονται με επίκεντρο τον ανθρώπινο παράγοντα. Οπότε: «involve the human in the groove»

Κωνσταντίνος Ζοπουνίδης, Καθηγητής – Ακαδημαϊκός

Βασιλική Ακαδημία Οικονομικών & Χρηματοοικονομικών Βασιλική Ευρωπαϊκή Ακαδημία των Διδακτόρων Επίτιμος Δρ. ΑΠΘ Πολυτεχνείο Κρήτης & Audencia Business School, France

Δρ. Άγγελος Κωστής

Μεταδιδακτορικός Ερευνητής στο Lab Τεχνητής Νοημοσύνης Σουηδικό Κέντρο για Ψηφιακή Καινοτομία Πανεπιστήμιο του Ούμεο, Σουηδία Επισκέπτης Ακαδημαϊκός στο Πανεπιστήμιο του Στάνφορντ, Καλιφόρνια, Αμερική