8 consejos para una implementación exitosa de la inteligencia artificial de Einstein

1. Empiece con un proyecto claro y sencillo.

Un proyecto simple permite a su equipo ver cómo funciona la IA de Salesforce Einstein, por lo que incluso si el proyecto falla, abre los ojos de todos a cómo la IA crea valor práctico. El gigante de los neumáticos Michelin experimentó con Einstein Vision para mejorar su capacidad de categorizar automáticamente imágenes de daños en los neumáticos, identificando problemas de calidad.

Una vez que miramos a Einstein, vimos el valor que podría aportar a todo nuestro proceso.

«Una vez que miramos a Einstein, vimos el valor que podría aportar a todo nuestro proceso», dijo Danielle DeLozier, propietaria de producto global de Service Cloud en Michelin. «Esto ayudó a preparar la bomba para obtener más ideas de desarrollo de IA en nuestra línea de desarrollo».

2. Mide antes y después

Inicie un proyecto de inteligencia artificial de Einstein con un objetivo concreto y medible, y cree una métrica para determinar si un caso de uso y una implementación de IA en particular ofrecen valor. Michelin utiliza Service Cloud para abordar el tiempo de emisión de los clientes. En el pasado, el proceso para resolver problemas era largo y era difícil para los agentes de soporte y los clientes de Michelin entender dónde se encontraban en el proceso; los líderes de calidad en Michelin quieren abordar la mayoría de los problemas en menos de un día.

Las métricas incluyen el tiempo para resolver problemas y la cantidad de problemas que se deben abordar de inmediato. La aplicación de daños en los neumáticos se puede comparar en función de si mejoró la capacidad de resolver problemas y en qué medida.

3. Céntrese en el valor en lugar de en los problemas

Al final resultó que, la aplicación de daños de llantas no ofreció el mismo nivel de precisión en la categorización de problemas como un inspector de calidad que inspecciona la llanta física. Sin embargo, entregó resultados mucho más rápido que la inspección física y clasificó automáticamente los problemas, lo que permitió a todos los involucrados en el proceso trabajar con los mismos datos. Los problemas persistentes ahora se pueden identificar y abordar más rápidamente. Entonces, aunque no funcionó perfectamente como se esperaba, el equipo encontró valor en la herramienta de inteligencia artificial de Einstein y trabajó para maximizarlo.

4. Identificar soluciones simples

A veces, dar a Salesforce Einstein un poco de ayuda del mundo real funciona, en lugar de invertir más recursos en DevOps. La aplicación de daños de neumáticos de Michelin tuvo dificultades para clasificar imágenes de neumáticos negros con bandas de rodadura negras. Utilizando los contornos de tiza de los neumáticos, la empresa pudo mejorar drásticamente los resultados. Esto funcionó mucho mejor que intentar modificar el algoritmo.

5. Aumente, no reemplace, a los humanos

Otra empresa, la empresa de contratación CPL, deseaba mejorar las recomendaciones de candidatos a puestos de trabajo para su plantilla de 3.000 reclutadores en toda Europa. Los reclutadores seleccionan una base de datos de aproximadamente 2 millones de candidatos para encontrar los cinco que mejor se adapten a un trabajo en particular: cuanto mejor sea el ajuste, menos tiempo pasa un cliente examinando contrataciones y pidiendo más opciones y más rápido se les paga a los reclutadores y CPL. Los mejores reclutadores pueden modificar estos filtros de búsqueda para encontrar rápidamente buenos resultados.

Kevin Sweeney, CIO de CPL, decidió centrarse en aumentar la capacidad de todos para identificar rápidamente a los buenos candidatos mediante la integración de la inteligencia artificial de Einstein. Esto permitió a las personas pasar más tiempo hablando con los mejores clientes potenciales con menos tiempo y esfuerzo.

6. Aumente, no reemplace, las herramientas favoritas de los humanos

Cuando CPL lanzó su recomendador de IA de Salesforce Einstein, apareció en su panel de reclutamiento como una opción. CPL les dijo a los reclutadores que podían identificar más rápidamente a los candidatos que deberían buscar haciendo clic en este botón. Muchos reclutadores se quejaron de que las recomendaciones no eran tan buenas como las que se hicieron con otras herramientas. «Posicionamos esto como algo adicional a lo que ya tenían», dijo Sweeney.

7. dedicar tiempo a perfeccionar la IA

Sweeney dijo que escribir aplicaciones de IA de Einstein es diferente a las aplicaciones de TI tradicionales, porque la IA ofrece probabilidades en lugar de respuestas claras. «Con las aplicaciones de codificación, sabes cuál debería ser la respuesta», dijo. «Es un fastidio depurar la IA porque no sabes cuál es la respuesta correcta. Me llevó mucho tiempo averiguar si un modelo en particular tenía sentido».

8. Sigue experimentando

Es importante identificar formas de optimizar el proceso de experimentación con modelos de IA de Salesforce. Esto puede incluir facilitar la ingesta de datos, puntuar los pesos de los datos utilizados en un modelo y mejorar el flujo de trabajo en torno al uso de modelos. Incluso cuando un modelo funciona bien el día en que se implementa, los resultados pueden empeorar a medida que cambia el negocio o el mercado.

«Recalificamos nuestro modelo 50 veces», dijo Sweeney, «por lo que no existe un concepto real de falla».