Μάνατζερ μικρομεσαίων επιχειρήσεων που συναντάμε σε workshops και σεμινάρια συχνά αναφέρουν ότι κατέχουν ελλιπή γνώση σχετικά με το τι μπορεί να προσφέρει ένα μοντέλο ΤΝ και τι απαιτείται από την επιχείρηση όσον αφορά κεφάλαιο, χρόνο, και τεχνολογικό εξοπλισμό. Συχνά, η ΤΝ αναφέρεται ως κάτι φουτουριστικό ή ως μια τεχνολογία που η πιθανή χρήση της υπερβαίνει τις δυνατότητες της εν λόγω επιχείρησης. Αυτός είναι ένας προβληματισμός που εκφράζει η πλειονότητα των επιχειρήσεων που μελετάμε και εκπαιδεύουμε. Η διαπίστωσή μας είναι ότι ο όρος ΤΝ προκαλεί ένα παράδοξο αίσθημα δέους ή σκεπτικισμού μιας και η προσοχή των μάνατζερ στρέφεται αυτόματα στην τεχνολογική διάσταση της ΤΝ, που όντως χαρακτηρίζεται από πολυπλοκότητα. Στο παρόν άρθρο εστιάζουμε στο πώς μπορεί να δομηθεί μια πιο εποικοδομητική και ρεαλιστική σχέση μεταξύ μικρομεσαίων επιχειρήσεων και ΤΝ που θα επιτρέψει περισσότερες επενδύσεις σε διάφορες λύσεις ΤΝ.

Σε προηγούμενα άρθρα μας, έχουμε αναφερθεί σε διάφορες διαστάσεις του τι απαιτείται από μια επιχείρηση για να επωφεληθεί των δυνατοτήτων της ΤΝ. Για παράδειγμα, έχουμε υπογραμμίσει την ανάγκη για ενδελεχή αξιολόγηση της ετοιμότητας μιας επιχείρησης για χρήση ΤΝ (AI readiness assessment), για καλλιέργεια μιας νοοτροπίας ΤΝ (AI mindset), για διαχείριση του πολυδιάστατου θορύβου που χαρακτηρίζει έργα ΤΝ, και για προσεκτική εθελοτύφλωση προς τους αλγόριθμους (watchful blindness towards algorithms). (βλ. Ζοπουνίδης, Κ. & Κωστής, Α., 2022, Αλγοριθμοκρατία: Αλγοριθμικός σκεπτικισμός, αλγοριθμική αυτοματοποίηση και προσεκτική εθελοτύφλωση ot.gr). Όλα τα παραπάνω αναφέρονται σε διαδικασίες που βοηθούν επιχειρήσεις να αντιληφθούν ότι ευκαιρίες ΤΝ δημιουργούνται όχι απλά λόγω της ύπαρξης μιας ισχυρής τεχνολογίας αλλά λόγω αλλαγής του τρόπου σκέψης και υιοθέτησης πρακτικών που δίνουν έμφαση στη δυναμική σχέση μεταξύ του ανθρώπου και της ΤΝ. Πέραν αυτών των διαδικασιών, βέβαια, οφείλουμε να ρίξουμε φως και σε συγκεκριμένες στρατηγικές που ακολουθούν μάνατζερ μικρομεσαίων επιχειρήσεων που ασπάζονται διαδικασίες και υιοθετούν πρακτικές όπως αυτές που αναφέρονται παραπάνω. Έτσι, εδώ αναφερόμαστε στο πώς μπορεί να δομηθεί μια στρατηγική δεδομένων για ΤΝ που θα επιτρέψει σε μικρομεσαίες επιχειρήσεις να επωφεληθούν των ευκαιριών που παρέχει η ΤΝ για τη δημιουργία αξίας και την επίτευξη καινοτομίας.

Η στρατηγική δεδομένων για ΤΝ (AI data strategy) περιλαμβάνει το σύνολο των διαδικασιών που μια επιχείρηση πραγματοποιεί έτσι ώστε να ορίσει το εύρος και τους τύπους δεδομένων που μπορούν να αποτελέσουν τροφή για μια πιθανή λύση ΤΝ, να συγκεκριμενοποιήσει ποιος και πότε θα συλλέγει τέτοιου είδους δεδομένα, και τέλος, να χρησιμοποιεί τα δεδομένα που συλλέγονται για καινοτομία και δημιουργία αξίας μέσω χρήσης ΤΝ. Η στρατηγική δεδομένων λοιπόν απαιτεί κατανόηση των διαφορετικών τύπων δεδομένων που μπορούν να χρησιμοποιηθούν για την εκμάθηση ενός μοντέλου ΤΝ. Για παράδειγμα, έπειτα από μια σειρά σεμιναρίων και αλληλεπιδράσεων με μέλη του AI Business Lab, η μάνατζερ μιας επιχείρησης στη βόρεια Σουηδία που ειδικεύεται στην κατασκευή γεωργικού εξοπλισμού αντιλήφθηκε ότι μπορεί να συλλέξει φωτογραφίες από εξαρτήματα του γεωργικού εξοπλισμού που κατασκευάζονται στο εργοστάσιο ώστε να δημιουργήσει ένα μοντέλο ΤΝ που θα πραγματοποιεί προβλέψεις σχετικά με έλεγχο ποιότητας των εξαρτημάτων. Αποφάσισε λοιπόν να αναθέσει σε δύο εργαζόμενους της επιχείρησης να συλλέξουν φωτογραφίες που θα επιτρέψουν την εκμάθηση ενός μοντέλου deep learning να κάνει προβλέψεις για την ποιότητα των διαφόρων εξαρτημάτων (Deep Learning and anomaly detection). Επίσης, μια μικρή ασφαλιστική επιχείρηση αποφάσισε να συλλέξει κείμενα και διαδικτυακές κριτικές των πελατών της ώστε να δημιουργήσει μια λύση ΤΝ για καλύτερη διαχείριση των δυσαρεστημένων πελατών βασισμένη σε αυτό που ονομάζεται τεχνική NLP (Natural Language Processing and sentiment analysis). Περαιτέρω, μια επιχείρηση που εκπαιδεύει συγκολλητές αποφάσισε να συλλέξει φωτογραφίες από σωστές και ελαττωματικές συγκολλήσεις, ώστε να δημιουργήσει ένα μοντέλο που οι συγκολλητές θα μπορούν να χρησιμοποιούν για να ανεβάζουν μια φωτογραφία και να αξιολογούν κατά πόσο το αποτέλεσμα που παράγουν είναι αυτό το οποίο προσδοκά η επιχείρηση. Τέλος, μια τοπική επιχείρηση που δραστηριοποιείται στο ηλεκτρονικό εμπόριο αποφάσισε να συλλέξει τόσο φωτογραφίες όσο και κείμενα ώστε να δημιουργήσει διαφορετικές λύσεις ΤΝ που πρώτον, θα πραγματοποιούν προτάσεις προϊόντων ανάλογα με την ομοιότητα μεταξύ εικόνων προϊόντων (deep learning and image similarity) και δεύτερον, θα βελτιώνουν την εμπειρία του πελάτη χρησιμοποιώντας conversational chatbots και ανάλυση των κειμένων του πελάτη με τη χρήση NLP και sentimental analysis.

Όλα τα παραπάνω αναδεικνύουν ότι η σύγχρονη μικρομεσαία επιχείρηση που ενδιαφέρεται για λύσεις ΤΝ θα πρέπει να εστιάσει στα δεδομένα που μπορεί να συλλέξει και στο πώς αυτά τα δεδομένα μπορούν να χρησιμοποιηθούν για δημιουργία αξίας μέσω συγκεκριμένων τεχνικών ΤΝ. Αυτό απαιτεί βέβαια από τη σύγχρονη μικρομεσαία επιχείρηση να σταματήσει να συνδέει την ΤΝ μόνο με τεχνολογικά αναπτυγμένους κλάδους και να εμβαθύνει στο πώς μπορούν να δημιουργηθούν ευκαιρίες ΤΝ σε παραδοσιακούς κλάδους μέσω μιας ολοκληρωμένης στρατηγικής δεδομένων για ΤΝ.

* Καθηγητής Κωνσταντίνος Ζοπουνίδης, Ακαδημαϊκός
Βασιλική Ακαδημία Οικονομικών & Χρηματοοικονομικών
Βασιλική Ευρωπαϊκή Ακαδημία των Διδακτόρων
Επίτιμος Καθηγητής 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

Πρώτη δημοσίευση στον Οικονομικό Ταχυδρόμο