Rządząca sztuczna inteligencja: jaką rolę powinien odgrywać marketing?

Jeśli masz program sztucznej inteligencji, masz również komitet, zespół lub organ, który zapewnia nadzór nad rozwojem, wdrażaniem i użytkowaniem sztucznej inteligencji. Jeśli tego nie zrobisz, trzeba go stworzyć.

W moim ostatnim artykule podzieliłem się kluczowymi obszarami stosowania modeli AI i ML w marketingu oraz tego, w jaki sposób modele te mogą pomóc w innowacjach i spełnianiu wymagań klientów. Tutaj przyjrzę się odpowiedzialności marketingu za zarządzanie AI.

Czym więc jest zarządzanie AI?

Zarządzanie sztuczną inteligencją to to, co nazywamy strukturą lub procesem, który zarządza korzystaniem z AI. Cel wszelkich działań związanych z zarządzaniem AI jest prosty — ograniczenie ryzyka związanego z korzystaniem ze sztucznej inteligencji. W tym celu organizacje muszą ustanowić proces oceny ryzyka związanego z algorytmami opartymi na sztucznej inteligencji i ich etycznego wykorzystania.

Rygorystyczność zarządzania w dużym stopniu zależy od przemysłu. Na przykład wdrażanie algorytmów sztucznej inteligencji w środowisku finansowym może wiązać się z większym ryzykiem niż wdrażanie sztucznej inteligencji w produkcji. Wykorzystanie sztucznej inteligencji do przypisywania punktów kredytowych konsumentów wymaga większej przejrzystości i nadzoru niż algorytm sztucznej inteligencji, który oszczędnie rozprowadza części w hali produkcyjnej.

Aby skutecznie zarządzać ryzykiem, program zarządzania sztuczną inteligencją powinien przyjrzeć się trzem aspektom aplikacji wykorzystujących sztuczną inteligencję:

• Dane: Jakie dane wykorzystuje algorytm? Czy jakość jest odpowiednia dla modelu? Czy analitycy danych mają dostęp do potrzebnych danych? Czy prywatność zostanie naruszona w ramach algorytmu? (Chociaż nigdy nie jest to zamierzone, niektóre modele sztucznej inteligencji mogą przypadkowo ujawnić poufne informacje). Ponieważ dane mogą się zmieniać w czasie, konieczne jest konsekwentne kontrolowanie wykorzystania danych w modelu AI/ML.
• Algorytmy. Jeśli dane się zmieniły, czy zmienia to wynik algorytmu? Na przykład, jeśli model został utworzony w celu przewidzenia, którzy klienci dokonają zakupu w następnym miesiącu, dane będą się starzeć z każdym mijającym tygodniem i będą wpływać na wyniki modelu. Czy model nadal generuje odpowiednie odpowiedzi lub działania? Ponieważ najpopularniejszym modelem AI w marketingu jest uczenie maszynowe, marketerzy muszą zwracać uwagę na dryf modeli. Dryf modelu to każda zmiana w przewidywaniach modelu. Jeśli model przewiduje dzisiaj coś, co różni się od tego, co przewidział wczoraj, mówi się, że model „dryfował”.
• Posługiwać się. Czy osoby korzystające z wyników modelu AI zostały przeszkolone, jak z niego korzystać? Czy monitorują dane wyjściowe pod kątem odchyleń lub fałszywych wyników? Jest to szczególnie ważne, jeśli model AI generuje działania, które wykorzystuje marketing. Czy korzystając z tego samego przykładu, model identyfikuje tych klientów, którzy z największym prawdopodobieństwem dokonają zakupu w następnym miesiącu? Jeśli tak, czy przeszkoliłeś przedstawicieli handlowych lub wsparcia, jak radzić sobie z klientami, którzy są skłonni do zakupu? Czy Twoja witryna „wie”, co zrobić z tymi klientami, gdy odwiedzają? Na jakie procesy marketingowe wpływa ta informacja?

Jak powinien być zorganizowany i kto powinien być w to zaangażowany?

Nadzór nad sztuczną inteligencją można ustrukturyzować na różne sposoby, stosując różne podejścia, od wysoce kontrolowanych do samokontroli, co jest wysoce zależne od branży, a także kultury korporacyjnej, w której się znajduje.

Aby móc kierować się do opracowania modelu, jego walidacji i wdrożenia, zespoły nadzoru zwykle składają się zarówno z członków technicznych, którzy rozumieją, jak działają algorytmy, jak i z liderów, którzy rozumieją, dlaczego modele powinny działać zgodnie z planem. Ponadto osoba reprezentująca funkcję audytu wewnętrznego zwykle zasiada w strukturze zarządzania.

Bez względu na strukturę zarządzania sztuczną inteligencją, głównym celem powinien być wysoce współpracujący zespół, aby zapewnić, że algorytmy sztucznej inteligencji, wykorzystywane przez nie dane i procesy wykorzystujące wyniki są zarządzane tak, aby organizacja była zgodna ze wszystkimi wewnętrznymi i zewnętrznymi regulacjami.

Oto przykładowy projekt AI Governance dla organizacji stosującej scentralizowane podejście, powszechne w wysoce regulowanych branżach, takich jak opieka zdrowotna, finanse i telekomunikacja:

Co marketerzy mogą wnieść do zarządzania AI?

Istnieje kilka powodów, dla których marketing powinien być zaangażowany w zarządzanie modelami AI. Wszystkie te powody odnoszą się do misji marketingu.

1. Reprezentowanie klientów . Zadaniem marketingu jest zapewnienie klientom informacji potrzebnych do zakupu i kontynuacji zakupów, a także ewangelizowanie ofert firmy. Marketing odpowiada za doświadczenia klientów i ochronę informacji o klientach. Ze względu na te obowiązki organizacja marketingowa powinna być zaangażowana w dowolny algorytm sztucznej inteligencji, który wykorzystuje informacje o klientach, lub w dowolny algorytm, który ma wpływ na satysfakcję klienta, zachowanie zakupowe lub rzecznictwo.

2. Ochrona marki . Jednym z podstawowych obowiązków marketingu jest ochrona marki. Jeśli modele AI są wdrażane w jakikolwiek sposób, który może zaszkodzić wizerunkowi marki, marketing powinien wkroczyć. Na przykład, jeśli oceny zdolności kredytowej generowane przez sztuczną inteligencję są używane do określenia z góry, którzy klienci otrzymują zniżkę „rodzinną”, wówczas marketing powinien być odgrywają ważną rolę w sposobie wdrażania tego modelu. Marketing powinien być częścią zespołu, który decyduje, czy model przyniesie odpowiednie wyniki, czy nie. Marketing musi zawsze zadać pytanie: „Czy ta sytuacja zmieni nastawienie naszych głównych klientów do współpracy z nami?”

3. Zapewnienie otwartej komunikacji. Jednym z najczęściej zaniedbywanych obszarów opracowywania i wdrażania modeli AI/ML jest opowiadanie historii, które jest wymagane, aby pomóc innym zrozumieć, co modele powinny robić. Przejrzystość i wyjaśnialność to dwie najważniejsze cechy dobrego, zarządzanego modelowania AI/ML. Przejrzystość oznacza, że ​​tworzone modele są w pełni rozumiane przez tworzących je i korzystających z nich oraz menedżerów i liderów organizacji. Nie będąc w stanie wyjaśnić, co model robi i jak to robi wewnętrznym liderom biznesowym, zespół AI Governance ponosi ogromne ryzyko, że nie będzie również w stanie wyjaśnić modelu zewnętrznie regulatorom rządowym, doradcom zewnętrznym lub akcjonariuszom. Zadaniem marketingu jest przekazywanie „historii” o tym, co robi model i co to oznacza dla biznesu.
   

4. Ochrona modeli sztucznej inteligencji wdrożonych w marketingu. Marketing powinien być również dużym użytkownikiem tych modeli AI/ML, które pomagają określić, którzy klienci będą kupować najwięcej, którzy klienci pozostaną klientami najdłużej i którzy z najbardziej zadowolonych klientów mogą polecić Cię innym potencjalnym klientom lub rzeczywiście odejść . W tej roli marketing powinien zająć miejsce przy stole AI Governance, aby zapewnić, że informacje o klientach są dobrze zarządzane, że stronniczość nie wchodzi w model i że prywatność klienta jest zachowana.

Czytaj dalej: AI i uczenie maszynowe w marketingu: czy wdrażasz odpowiednie modele?

Ale najpierw poznaj podstawy

Chciałbym powiedzieć, że AI Governance w Twojej organizacji przyjmie marketerów do stołu, ale nigdy nie zaszkodzi być przygotowanym i odrobić pracę domową. Oto kilka umiejętności i możliwości, z którymi warto się zapoznać przed rozpoczęciem:

• Zrozumienie AI/ML. Powinieneś zrozumieć, czym są AI/ML i jak działają. Nie oznacza to, że potrzebujesz doktoratu. w nauce o danych, ale dobrym pomysłem jest wzięcie udziału w kursie online na temat tego, czym są te możliwości i do czego służą. Najważniejsze, aby zrozumieć, jakiego wpływu należy się spodziewać po modelach, zwłaszcza jeśli wiążą się one z ryzykiem ujawnienia informacji o kliencie lub narażenia organizacji na ryzyko finansowe lub związane z marką.
• Dane. Powinieneś dobrze wiedzieć, jakie dane są używane w modelu, w jaki sposób zostały zebrane oraz jak i kiedy są aktualizowane. Wybór i nadzorowanie danych dla modelu AI to pierwsze miejsce, w którym stronniczość może wejść do algorytmu. Na przykład, jeśli próbujesz analizować zachowanie klientów wokół określonego produktu, zwykle potrzebujesz około trzech czwartych danych zebranych w ten sam sposób i zebranych w taki sam sposób, aby uzyskać pełne i dokładne informacje. Jeśli algorytm będzie wykorzystywał dane marketingowe, Twoja rola jest jeszcze ważniejsza.
• Proces. Powinieneś dobrze rozumieć proces, w którym algorytm zostanie wdrożony. Jeśli zasiadasz w zespole AI Governance jako przedstawiciel ds. marketingu, a oceniane algorytmy AI są przeznaczone do sprzedaży, powinieneś zapoznać się z tym procesem oraz z tym, jak i gdzie marketing może przyczynić się do tego procesu. Ponieważ jest to ważna umiejętność, którą musisz posiadać, jeśli pracujesz w zespole AI Governance, wiele zespołów marketingowych mianuje szefa działań marketingowych jako swojego przedstawiciela.

Bez względu na to, jaką rolę odgrywasz w AI Governance, pamiętaj, jak to jest ważne. Zapewnienie odpowiedzialnego wdrażania AI/ML w Twojej organizacji jest nie tylko koniecznością, ale także ciągłym procesem, wymagającym wytrwałości i czujności, ponieważ modele nadal uczą się na podstawie danych, z których korzystają.

Opinie wyrażone w tym artykule są opiniami gościa i niekoniecznie MarTech. Lista autorów personelu znajduje się tutaj.