Ihr Unternehmen ist möglicherweise daran interessiert, Ihre internen Daten zu nutzen und benötigt einen externen Partner mit KI-Erfahrung für die Zusammenarbeit. Wir können dieser Partner sein.
Wir können uns die Zeit nehmen, Ihre Daten und Ihre Geschäftsanforderungen (Finanzen, Marketing, Kundenservice, Betrieb usw.) zu verstehen und Möglichkeiten für KI zu identifizieren und zu priorisieren.
Wir können auch RFPs für Sie entwickeln, um andere KI-Partner für Ihre umfassendere KI-Strategie zu suchen.
Die Phasen eines KI-Beratungsauftrags: Datenermittlung, Chancenidentifizierung, Chancenpriorisierung und optionale Ausarbeitung von RFPs
Ein Beratungsauftrag zur KI-Strategie erfolgt typischerweise in drei oder vier Phasen:
Datenermittlung. Wir untersuchen Ihren Datensatz und arbeiten mit Mitarbeitern zusammen, um die von Ihnen erfassten Daten zu verstehen und Möglichkeiten zu identifizieren, bei denen sich Ihre Daten für KI-Projekte eignen könnten.
Chancenerkennung. Wir organisieren Brainstorming-Sitzungen mit wichtigen Stakeholdern (z. B. Vizepräsidenten jeder Abteilung), um potenzielle Möglichkeiten zu identifizieren, bei denen KI in Ihrem Unternehmen eingeführt werden könnte.
Priorisierung von Chancen. Wir untersuchen die Möglichkeiten weiter, um die Implementierungskosten und den Nutzen jeder Gelegenheit sowie den Zeitrahmen abzuschätzen. Wir arbeiten mit der Geschäftsleitung zusammen, um die KI-Möglichkeiten zu priorisieren. Die Priorisierung erfolgt quantitativ mithilfe von Methoden aus der Marktforschung und den Sozialwissenschaften, beispielsweise Likert-Skalenbefragungen zur Abschätzung der wahrgenommenen Auswirkungen über Divisionen hinweg.
Optional können wir bei der Entwicklung von RFPs für die in Phase 3 identifizierten Möglichkeiten behilflich sein, die Sie öffentlich können . Wir können bei der Auswahl von KI-Partnern für die Umsetzung dieser Schlüsselprojekte behilflich sein.
Übung zur Priorisierung von KI-Chancen. Projekte können in zwei Kategorien eingeteilt werden: Schwierigkeit und Wirkung. Attraktive Initiativen wären unten rechts in der Grafik zu finden, d. h. sie hätten eine hohe Wirkung bei geringem technischem Schwierigkeitsgrad.
Tarion is the regulator for the housing market in Toronto, Canada. Tarion put out a public RFP for an AI partner to assist in the development of an AI strategy, with a focus on Tarion’s large amount of text data, such as homeowners' forms detailing construction defects in free text. Tarion awarded the contract for this engagement to Fast Data Science and you can read a more detailed summary of the project here.
Wir haben ein paar Wochen damit verbracht, die Daten in der internen Salesforce-Datenbank von Tarion zu untersuchen und dem Director of Strategic Initiatives bei Tarion einen Entdeckungsbericht zu übermitteln. Anhand einiger Sandbox-Modelle für maschinelles Lernen haben wir festgestellt, dass es möglich ist, aus den Daten von Tarion einen Vorhersagewert abzuleiten, obwohl die Daten einfacher zu bearbeiten wären, wenn ein Data Lake und ein Warehouse als Analyseplattform eingerichtet würden, anstatt Salesforce direkt abzufragen.
Anschließend führten wir Brainstorming-Sitzungen mit den Vizepräsidenten aller Hauptabteilungen des Unternehmens durch, darunter Recht, Underwriting, IT und Betrieb. Wir haben einige Schlüsselbereiche identifiziert, in denen KI einen großen Unterschied für das Unternehmen machen würde, haben es aber geschafft, bis zu 40 Beispielprojekte zu sammeln, von prädiktiven Analysen bis hin zu einfachen statischen Datenexplorationen.
Schließlich führten wir eine Umfrage unter Vizepräsidenten und Stakeholdern in allen Abteilungen des Unternehmens durch und baten sie, die KI-Möglichkeiten weiter nach den Auswirkungen auf die Stakeholder zu ordnen, einschließlich der Auswirkungen auf Hausbesitzer, Hausbauer, Mitarbeiter und das finanzielle Ergebnis etwaiger Initiativen. Unabhängig von der geschäftszentrierten Betrachtung der Chancen haben wir diese auch nach technischem Aufwand, Voraussetzungen und Dauer geordnet.
Der eindeutige Gewinner war ein Vorhersagemodell, das die Einsendungen von Hausbesitzern in diejenigen einteilte, die am wahrscheinlichsten eskalierten, und diejenigen, die am ehesten gelöst werden konnten. Es entstand eine Reihe wichtiger Initiativen, bei denen es sich hauptsächlich um Vorhersagemodelle handelte, die kostspielige oder problematische Situationen erkennen, bevor sie eskalieren. Andere Projekte, wie z. B. die Analyse der Social-Media-Stimmung, waren zwar nützlich, rangierten jedoch im Hinblick auf die unternehmensweite Auswirkung schlechter. Interessant ist, dass ohne die Priorisierung von Chancen nicht klar gewesen wäre, welche Chancen für das Unternehmen am vorteilhaftesten wären. Durch die Priorisierung von Chancen konnten wir die „niedrig hängenden Früchte“ identifizieren, d. h. KI-Initiativen, die weitreichende Auswirkungen auf das gesamte Unternehmen haben, ohne zu schwierig umzusetzen zu sein.
Rezension von Fast Data Science nach dem Tarion-Projekt auf unserem Google-Profil
Was wir für Sie tun können
