નફો:
- વિશાળ પૂલમાંથી આર્ટિફિશિયલ ઇન્ટેલિજન્સ વપરાશ વિસ્તારો એકત્રિત કરવાની અને 'સમસ્યા/કોણ/ડેટા/પરિણામ/માપન' ટેમ્પલેટ વડે તેમને સ્પષ્ટ કરવાની ક્ષમતા
- મૂલ્ય અને લાગુ પડતી અક્ષો પર વપરાશના ક્ષેત્રોને સ્કોર કરવાની અને તેમને ચાર-ઝોન મેટ્રિક્સમાં મૂકવાની ક્ષમતા
- ઝડપી લાભો સાથે વેગ બનાવીને અને મોટા દાવનું આયોજન કરીને પ્રથમ 90 દિવસના મોજા પર ધ્યાન કેન્દ્રિત કરવાની ક્ષમતા
AI વ્યૂહરચનાની સફળતા અથવા નિષ્ફળતા ઘણીવાર એક જ પ્રશ્ન પર ઉકળે છે: "આપણે શું હા કહીએ છીએ અને શું ના કહીએ છીએ?" મોટાભાગની સંસ્થાઓમાં ડઝનબંધ વિચારો ફરે છે; પરંતુ સંસાધન મર્યાદિત છે. આ એકમમાં, તમે એઆઈના ઉપયોગના કેસોને કેવી રીતે વ્યવસ્થિત રીતે ઓળખવા અને પ્રાથમિકતા આપવી તે શીખી શકશો (એક વિશિષ્ટ દૃશ્ય જેમાં AI કોઈ નક્કર વ્યવસાય સમસ્યાને ઉકેલવા માટે લાગુ કરવામાં આવે છે). ધ્યેય "સૌથી વધુ ચર્ચામાં આવેલ" એકને બદલે "સૌથી વધુ મૂલ્ય ઉત્પન્ન કરશે" પસંદ કરવાનો છે.
ઉપયોગ વિસ્તારો કેવી રીતે એકત્રિત કરવા?
પ્રથમ પૂલ બનાવો. સારા ઉપયોગના કિસ્સાઓ ત્રણ સ્ત્રોતોમાંથી આવે છે: પીડાના મુદ્દાઓ (કર્મચારીનો સમય માંગી લેનાર, કંટાળાજનક, ભૂલથી ભરેલું કામ), તકો (જ્યાં તે આવક અથવા ગ્રાહક અનુભવને વધારી શકે છે), અને બેન્ચમાર્કિંગ (સમાન ઉદ્યોગમાં શું કામ કરે છે). પૂલ પહોળો રાખો; નાબૂદી પછીથી આવે છે.
સારા ઉપયોગના કેસના વર્ણનમાં નીચેના ઘટકોનો સમાવેશ થાય છે: કઈ વ્યવસાય સમસ્યા, કોના માટે, કયો ડેટા, અપેક્ષિત પરિણામ અને તેને કેવી રીતે માપવું. "ગ્રાહક સેવામાં AI" એ ઉપયોગનો કેસ નથી; "ઇનકમિંગ ઇ-મેઇલ્સને તેમના વિષય અનુસાર આપમેળે વર્ગીકૃત કરીને અને તેમને યોગ્ય ટીમને નિર્દેશિત કરીને ફોરવર્ડિંગ સમયને ટૂંકો કરવો" એ ઉપયોગ ક્ષેત્ર છે.
ટીપ: સારા ઉપયોગના કિસ્સાઓ "ઉચ્ચ વોલ્યુમ + પુનરાવર્તિત + ટેક્સ્ટ/ડેટા હેવી + વાજબી ફોલ્ટ સહિષ્ણુતા" નોકરીઓ છે. નોકરીમાં આ ચાર વિશેષતાઓ જેટલી વધુ હોય છે, તેનું AI મૂલ્ય જેટલું વધારે હોય છે.
પ્રાથમિકતા: મૂલ્ય/પ્રયોગ્યતા મેટ્રિક્સ
સૌથી સામાન્ય અને વ્યવહારુ સાધન એ બે-અક્ષ મેટ્રિક્સ છે:
- મૂલ્ય અક્ષ: આનાથી વ્યવસાય પર કેટલી અસર થાય છે? (આવક, ખર્ચ, જોખમ ઘટાડો, ગ્રાહક અનુભવ)
- શક્યતા અક્ષ: આપણે આ કેટલી સરળતાથી કરી શકીએ? (શું ડેટા તૈયાર છે, ટેકનિકલ મુશ્કેલી, જોખમ, ફેરફારનો બોજ)
પ્રદેશ
મૂલ્ય
પ્રયોજ્યતા
શું કરવું?
ઝડપી લાભ
ઉચ્ચ
ઉચ્ચ
હવે શરૂ કરો
મોટી શરત
ઉચ્ચ
નીચું
યોજના બનાવો, પૂર્વજરૂરીયાતો સેટ કરો
ફિલર
નીચું
ઉચ્ચ
જો તમારી પાસે સમય હોય તો કરો.
છટકું
નીચું
નીચું
મુલતવી રાખશો નહીં
વ્યૂહરચના: ઝડપી જીત સાથે વેગ અને આત્મવિશ્વાસ બનાવો, મોટા દાવની યોજના બનાવીને પોષો, મુશ્કેલીઓ ટાળો.
પગલું દ્વારા પગલું: વિચારથી અગ્રતા સુધી
1. પૂલને વ્યવસ્થિત કરો. વિભાગોમાંથી ઉપયોગના કેસોની વ્યાપક સૂચિ બહાર આવે છે (30-50 વિચારો સામાન્ય છે).
2. પ્રમાણભૂત નમૂનાનો ઉપયોગ કરીને વર્ણન કરો. દરેક વિચારને "સમસ્યા / કોણ / ડેટા / પરિણામ / માપન" ફોર્મેટમાં મૂકો. અસ્પષ્ટતા સ્પષ્ટ થઈ જાય છે અથવા દૂર થઈ જાય છે.
3. બે અક્ષો પર સ્કોર. મૂલ્ય (1-5) અને શક્યતા (1-5) માટે દરેક વિચારને સ્કોર કરો. પુરાવા આધારિત બનો.
4. મેટ્રિક્સમાં દાખલ કરો. ચાર પ્રદેશોમાં વિતરિત કરો; ઝડપી લાભો પ્રકાશિત કરે છે.
5. પ્રથમ તરંગ પસંદ કરો. 2-4 ઝડપી જીત + 1 મોટી શરત શોધ સાથે પ્રારંભ કરો. વધુ નહીં.
ત્રણ નાના કેસો
કેસ 1 - આકર્ષક પરંતુ અવ્યવહારુ. એક ઈ-કોમર્સ કંપની "AI સાથે સંપૂર્ણ વ્યક્તિગત સ્ટોરફ્રન્ટ" (ઉચ્ચ મૂલ્ય) ના વિચાર સાથે પ્રેમમાં પડી ગઈ. પરંતુ ડેટા ખંડિત હતો, એકીકરણમાં 9 મહિનાનો સમય લાગશે (ઓછી શક્યતા). મેટ્રિક્સે આને "મોટી શરત" તરીકે દર્શાવ્યું. કંપનીએ સૌપ્રથમ "કૃત્રિમ બુદ્ધિમત્તા સાથે ઉત્પાદન વર્ણન પાઠો પેદા કરવા"નું ઝડપી સંપાદન શરૂ કર્યું; સામગ્રીના ઉત્પાદનનો સમય 6 અઠવાડિયામાં 70% જેટલો ઘટ્યો, બચતએ મોટી શરતને ધિરાણ આપ્યું.
કેસ 2 - નમૂનાને દૂર કરવું. એક વીમા કંપનીએ 41 આઈડિયા એકત્રિત કર્યા. જ્યારે સ્ટાન્ડર્ડ ટેમ્પલેટમાં ફીટ કરવામાં આવ્યું ત્યારે તે જોવામાં આવ્યું કે તેમાંથી 14 એ સમાન સમસ્યાનું વર્ણન કર્યું છે, જ્યારે તેમાંથી 9નું માપી શકાય તેવું પરિણામ નથી. પૂલ 41 થી 12 વાસ્તવિક ઉપયોગ વિસ્તારોથી સંકોચાઈ ગયો છે; પ્રાથમિકતા વધુ સ્પષ્ટ થઈ ગઈ.
કેસ 3 - જાળમાંથી છટકી જાઓ. એક ઉત્પાદકે ઉત્સાહપૂર્વક "AI સાથે એક્ઝિક્યુટિવ મીટિંગ નોંધોનો સારાંશ" કરવાનો વિચાર પ્રસ્તાવિત કર્યો. મેટ્રિક્સમાં નીચું મૂલ્ય (થોડા લોકો, થોડો સમય બચ્યો) અને મધ્યમ સંભવિતતા આઉટપુટ: બેકફિલ/ટ્રેપ મર્યાદા. તેના બદલે સંસાધનને "ઉત્પાદન લાઇન ફોલ્ટ રેકોર્ડ્સનું વિશ્લેષણ અને પુનરાવર્તિત કારણો શોધવા" ના ઉચ્ચ મૂલ્યના સંપાદન માટે નિર્દેશિત કરવામાં આવ્યું હતું; વાર્ષિક ડાઉનટાઇમ 11% ઘટ્યો.
ચાર નકલ કરી શકાય તેવા નમૂનાઓ
1) ઉપયોગ વિસ્તાર વ્યાખ્યાયિત:
તમારી ભૂમિકા: AI બિઝનેસ વિશ્લેષક. ઉપયોગના કેસ તરીકે નીચેની વ્યવસાય સમસ્યાનું વર્ણન કરો: [સમસ્યા]. ઢાંચો: (1) વ્યવસાયિક સમસ્યા હલ કરવાની છે, (2) કોના માટે, (3) ડેટા જરૂરી છે, (4) અપેક્ષિત માપી શકાય તેવું પરિણામ, (5) મુખ્ય જોખમ. પ્રશ્નો તરીકે કોઈપણ અસ્પષ્ટ મુદ્દાઓ માટે મને પાછા પૂછો.
2) પૂલ ઉત્પાદન:
[ઉદ્યોગ] માં [વિભાગ] માટે 10 AI ઉપયોગ કેસ સૂચવો. દરેક માટે એક-વાક્ય સમસ્યાનું વર્ણન અને અંદાજિત મૂલ્ય પ્રકાર (આવક, ખર્ચ, જોખમ, અનુભવ) પ્રદાન કરો. ઉચ્ચ-વોલ્યુમ, પુનરાવર્તિત કાર્ય પર ધ્યાન કેન્દ્રિત કરો.
3) મૂલ્ય/પ્રયોગ્યતા સ્કોરિંગ:
બે અક્ષો પર 1-5 ના સ્કોર પર નીચેના ઉપયોગના કેસોને સ્કોર કરો: મૂલ્ય (વ્યવસાયિક અસર) અને શક્યતા (ડેટા તૈયાર, તકનીકી મુશ્કેલી, જોખમ). દરેક બિંદુ માટે એક વાક્યનું સમર્થન લખો અને તેને ચાર ક્ષેત્રોમાં મૂકો (ઝડપી જીત, મોટી શરત, ફિલર, ટ્રેપ). ક્ષેત્રો: [સૂચિ]
4) પ્રથમ તરંગ પસંદગી:
આ પ્રાથમિકતા સૂચિમાંથી પ્રથમ 90 દિવસમાં શરૂ કરવા માટે તરંગ પસંદ કરો: 3 ઝડપી જીત અને 1 મોટી શરત શોધ. દરેક પસંદગી માટે, હવે શા માટે, તે કયા મેટ્રિક દ્વારા માપવામાં આવશે અને પ્રથમ માઇલસ્ટોન લખો. સૂચિ: [ટેક્સ્ટ]
નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ
નબળા: "મારી કંપની માટે AI વિચારો આપો."
પરિણામ: સંદર્ભ વગરની સામાન્ય યાદી; તેનું મૂલ્ય અને પ્રયોજ્યતા અનિશ્ચિત છે, કોઈ પસંદગી કરી શકાતી નથી.
Güçlü: "હું 150 લોકો સાથેની એકાઉન્ટિંગ સર્વિસ ફર્મ છું. અમારી સૌથી વધુ સમય લેતી નોકરીઓ છે ઇન્વૉઇસ એન્ટ્રી, સમાધાન અને ગ્રાહકના ઇમેઇલનો જવાબ આપવો. આ ત્રણેય ક્ષેત્રો માટે AI ઉપયોગના કેસ સૂચવો, દરેકને 'સમસ્યા/કોણ/ડેટા/પરિણામ/જોખમ' ટેમ્પલેટ સાથે વર્ણવો અને તમે કયા મૂલ્ય-એપ્લિકેશનની ભલામણ કરો છો તેની સાથે શરૂઆત કરો. પ્રથમ 90 દિવસમાં."
પરિણામ: એક સંદર્ભિત, ટેમ્પલેટેડ, પ્રાથમિકતા અને કાર્યવાહી યોગ્ય પસંદગી.
સામાન્ય ભૂલો
- સૌથી વધુ ચર્ચિત એક પસંદ કરી રહ્યા છીએ. સૌથી વધુ લોકપ્રિય વિચાર એ સૌથી મૂલ્યવાન વિચાર નથી; મેટ્રિક્સ લાગણીઓને ઠીક કરે છે.
- અસ્પષ્ટ ઉપયોગ વિસ્તાર. "એઆઈ સાથે X" જેવા વર્ણનો માપી શકાતા નથી; પ્રમાણભૂત નમૂના જરૂરી છે.
- વ્યવહારિકતાને અવગણવી. ઉચ્ચ-મૂલ્ય પરંતુ ડેટા/એકીકરણ-અશક્ય વિચારોમાં આંધળાપણે ડૂબકી મારવાનો અર્થ એ છે કે મહિનાઓની નકામી મહેનત.
- એક સાથે ઘણા બધા શરૂ થાય છે. પ્રથમ તરંગને 3-4 સુધી મર્યાદિત કરવાથી ધ્યાન અને શીખવાની સુવિધા મળે છે.
- દોષ સહનશીલતા બાયપાસ. ઝડપી જીત માટે ઓછી ભૂલ સહિષ્ણુતા (દા.ત. પ્રત્યક્ષ તબીબી/કાનૂની નિર્ણય) ધરાવતા વિસ્તારોમાં ભૂલ કરવી જોખમી છે.
સાવધાન: AI ઉપયોગ કેસની સૂચિ અને સ્કોરિંગ સૂચવી શકે છે; પરંતુ તે મેનેજર છે જે નક્કી કરે છે કે શું મૂલ્ય અને લાગુ પડતી સ્કોર્સ સંસ્થાની વાસ્તવિકતા સાથે સુસંગત છે અને કઈ તરંગ પસંદ કરવી. વધુમાં, જો કે ઉપયોગનો કેસ તકનીકી રીતે "કરવા યોગ્ય" હોઈ શકે છે, તેમ છતાં તે નૈતિક અથવા અનુપાલનના પરિપ્રેક્ષ્યમાં "ન કર્યું" હોઈ શકે છે; અમે આને યુનિટ 8 અને 9 માં આવરી લઈશું.
સારાંશમાં
વપરાશની પ્રાથમિકતા એ મર્યાદિત સંસાધનોને ઉચ્ચતમ મૂલ્ય તરફ નિર્દેશિત કરવાની કળા છે. પહેલા એક મોટો પૂલ એકત્રિત કરો, દરેક વિચારને “સમસ્યા/કોણ/ડેટા/પરિણામ/માપ” ટેમ્પલેટ વડે સ્પષ્ટ કરો, પછી તેને મૂલ્ય અને શક્યતા અક્ષો પર સ્કોર કરો અને તેને મેટ્રિક્સમાં મૂકો. ઝડપી જીત સાથે વેગ બનાવો, મોટા દાવની યોજના બનાવીને તેને પોષો, ઓછા મૂલ્યની જાળને ટાળો. પ્રથમ તરંગને 3-4 વિસ્તારોમાં મર્યાદિત કરો. આગળના એકમમાં, અમે જોઈશું કે ROI અને મેટ્રિક્સ સાથે કેવી રીતે સાબિત કરવું કે તમે પસંદ કરેલા ઉપયોગના કિસ્સાઓ ખરેખર મૂલ્ય ઉત્પન્ન કરી રહ્યાં છે કે કેમ.
એપ્લિકેશન કાર્ય
તમારી સંસ્થામાંથી 10-15 AI ઉપયોગ કેસ વિચારો એકત્રિત કરો. દરેકને પ્રમાણભૂત નમૂનામાં ફિટ કરો; અસ્પષ્ટતાઓને સ્પષ્ટ કરો અથવા દૂર કરો. મૂલ્ય અને શક્યતા અક્ષો પર બાકીના 1-5નો સ્કોર કરો અને તેમને મેટ્રિક્સમાં મૂકો. પ્રથમ 90 દિવસની તરંગ પસંદ કરો (3 ઝડપી જીત + 1 મોટી શરત સુધી) અને દરેક પસંદગી માટે એક વાક્યનું વાજબીપણું લખો.
ચેકલિસ્ટ
- [ ] મેં ઉપયોગ વિસ્તારોનો મોટો પૂલ એકત્રિત કર્યો છે.
- [ ] મેં દરેક વિચારને પ્રમાણભૂત નમૂનામાં ફીટ કર્યો છે.
- [ ] મેં અસ્પષ્ટ અને પુનરાવર્તિત વિચારો દૂર કર્યા.
- [ ] મેં પુરાવાના આધારે મૂલ્ય અને સંભવિતતા મેળવી.
- [ ] મેં વિચારોને ચાર-ઝોન મેટ્રિક્સમાં મૂક્યા.
- [ ] મેં પ્રથમ તરંગને 3-4 વિસ્તારો સુધી મર્યાદિત કરી.
- [ ] મેં ખાસ કરીને ઓછી ભૂલ સહિષ્ણુતાવાળા વિસ્તારોને ચિહ્નિત કર્યા છે.