Ուղղահայաց SaaS-ի կառուցում հին դպրոցական արդյունաբերության մեջ. AI, որը համապատասխանում է, ոչ թե կռվում

Արհեստական ինտելեկտի վրա հիմնված SaaS-ի կառուցման ճանապարհորդությունը մեզ տարավ դեպի չբացահայտված ջրեր, հատկապես երբ մենք հասկացանք, թե որքան մեծ էր դրա կարիքը այս հին դպրոցական արդյունաբերություններին: Այս շարքի 1-ին մասում ես խոսեցի մեր առաջին ERP արտադրանքի ստեղծման ճանապարհային խոչընդոտների մասին: Հիմա եկեք խորանանք, թե ինչպես AI-ն օգնեց մեզ առանցքային և բացել նոր հնարավորություններ մի ոլորտում, որը դեռ փորձում է ամեն ինչ անել հնաոճ ձևով:

Որտեղ ամեն ինչ սկսվեց

Երբ մենք մեկնարկեցինք, էլեկտրոնային առևտուրը կարծես ակնհայտ լուծում էր դիստրիբյուտորների համար: Մենք գործիքներ ստեղծեցինք՝ արդիականացնելու իրենց հնացած պատվերների մուտքագրման գործընթացները, բայց մենք արագ բախվեցինք պատին. խոհարարները դեռ նախընտրում էին հեռախոսը վերցնել մատակարարներին զանգահարելու համար: Նրանք չէին նահանջելու իրենց հին դպրոցական ձևերից, և ոչ մի խնամված առցանց համակարգ չէր պատրաստվում փոխել դա մեկ գիշերվա ընթացքում: Մենք պետք է հանդիպեինք նրանց այնտեղ, որտեղ նրանք էին:

Այսպիսով, մենք վերադարձանք գծատախտակ և սկսեցինք կանչել բոլոր օպերատորներին, որոնց սպասարկում էին մեր մատակարար հաճախորդներին. բոլորը՝ էլեկտրոնային առևտրի հավելվածի ակտիվ օգտատերերից, խաբված օգտատերերից մինչև խոհարարներ, ովքեր կտրականապես դեմ էին հավելվածի գաղափարին, հարցնելու, թե իրականում ինչ են մտածում։ . Ինչպես պարզվեց, հավելվածից պատվիրելը 10 անգամ ավելի լավ փորձը չէր, որը մենք պատկերացնում էինք զանգերի/տեքստերի/էլ. միայնակ ծրագրային արտադրանք:

Միևնույն ժամանակ, մենք գիտենք, որ մեծածախ վաճառողները դեռ խեղդվում են ամեն գիշեր ձեռքով պատվեր մուտքագրելու ժամերով: Ինչպե՞ս ենք մենք ավտոմատացնում այս ամբողջ հոգնեցուցիչ աշխատանքը: Հենց այդ ժամանակ էլ այն սեղմեց. մեծ լեզուների մոդելները հիանալի տեղավորվում են չկառուցված տվյալների հետ նման աշխատանքային հոսքերը վարելու համար: Արհեստական ինտելեկտը կտրուկ փոխում է ծախսերի հավասարումը, որպեսզի մենք կարողանանք ավտոմատացնել նախկինում չափազանց խառնաշփոթ գործառնությունները. դա բացակայող կտորն է, որը կարող է վերջապես ժամանակակից դարաշրջան բերել տեխնոլոգիապես անբավարար արդյունաբերություն, ինչպիսին է սննդի բաշխումը: Դա իսկապես պարադիգմային փոփոխություն է. աշխարհի տվյալների շուրջ 80%-ը չկառուցված է:

Այսպիսով, մենք տեղափոխեցինք արագություն: Ե՛վ մատակարարներին, և՛ օպերատորներին դրդելու փոխարեն ընդունելու լիովին թվային աշխատանքային հոսքեր, մենք ստեղծեցինք AI-ի վրա աշխատող գործիքներ, ինչպիսին է Butter's AI Order Assistant-ը, որը լրացնում էր նրանց գոյություն ունեցող գործընթացը:

Կատարելով առանցքը AI-ի միջոցով (ավելի քան խոստումներ)

Մենք շատ արագ իմացանք, որ AI-ի հաջողությունը կապված չէ «ավելի սեքսուալ» արտադրանքի ստեղծման հետ, այլ այն, որ այն իրականում կատարում է օգտատերերի առաջադրանքները: AI Order Assistant-ը չի խնդրել խոհարարներին կամ դիստրիբյուտորներին նորից հորինել իրենց գործընթացը: Այն հարմարեցվեց այն ամենին, ինչ նրանք արդեն գիտեին՝ ներթափանցելով նրանց աշխատանքային հոսքերի մեջ:

Դա այն ամենն է, ինչ անհրաժեշտ է: Կառուցելով AI, որը կարող է մշակել բնական լեզվով պատվերները (կարծում եմ՝ ձայնային հրամաններ կամ տեքստեր), մենք գործընթացը հեշտացրեցինք, ոչ թե դժվարացրինք: Եվ քանի որ դա հավելում էր, այլ ոչ ամբողջական համակարգի փոխարինում, դիստրիբյուտորները շտապեցին ընդունել այն: Գործարկումից հետո մի քանի շաբաթվա ընթացքում տասնյակ մատակարարներ և ERP գործընկերներ հետաքրքրություն հայտնեցին: Նրանք դա ընկալեցին որպես հեշտ արդիականացում առանց գլխացավերի, որոնք սովորաբար գալիս են «թվային վերափոխման» հետ:

Երբ հաճախորդը մուտք է գործում, մենք կապվում ենք նրա պատվերի գրասեղանի էլ.փոստի և ձայնային փոստի մուտքի արկղի հետ և ավտոմատ կերպով սկսում ենք հաճախորդի մուտքային պատվերները վերածել կառուցվածքային գնման պատվերի մուտքերի՝ օգտագործելով յուրաքանչյուր հաճախորդի պատվերի ուղեցույցի բովանդակությունը, ինչպես նաև նրանց պատվերի պատմական ձևերը (կարդացեք նրանց ERP-ից): Երբևէ առաջին անգամ, խոհարարի նախասիրությունների մասին գիտելիքը վերջապես վաճառքի ներկայացուցիչ Ջոյի գլխից փոխանցվեց թվային համակարգ. երբ խոհարարը պարզապես պատվիրում է «2 դեպք ծովախեցգետին», համակարգը կարող է ճշգրիտ հասկանալ, թե արդյոք դրանք նկատի ունեն «4-6 վագրային ծովախեցգետին»: Սառեցված», ոչ թե «16-20 EZ Peel Shrimp» կամ վաճառված ծովախեցգետնի արտադրանքի 80 այլ տարբերակներ:

Իմանալով, որ AI-ի առաջարկները 100%-ով կատարյալ չեն լինի, մենք անցկացրեցինք լայնածավալ UX հարցազրույցներ և համոզվեցինք, որ օգտվողները կարող են հեշտությամբ ուղղել մոդելի արդյունքը, որպեսզի հաջորդ անգամ այն ճիշտ ստանա: Քննադատաբար, մենք համոզվեցինք, որ ամեն ինչ կարող է իրականացվել միայն ստեղնաշարի մուտքագրմամբ, քանի որ նրանք մեծապես հիմնվում են ERP համակարգերի նմանատիպ թեժ ստեղների վրա հարյուրավոր պատվերներ մուտքագրելու համար: Օգտագործողները հավանեցին փորձը և արագ ցատկեցին: Վերջնական արդյունքը. Պատվերների մշակման ժամանակը կրճատվել է ավելի քան 96%-ով, և մատակարար հաճախորդները կարող են կրճատել back-office անձնակազմի թիվը կամ բարձրացնել նրանց ավելի բարձր արժեքով առաջադրանքներ կատարելու համար, ինչպիսիք են որակի վերահսկումը և հաճախորդների հետ հարաբերությունների կառավարումը:

Այն բանից հետո, երբ Butter-ը ձեռք բերվեց GrubMarket-ի կողմից, մենք վերցրեցինք AI Order Assistant մոդելը և այն ընդլայնեցինք GrubAssist-ի: Այս գործիքը գտնվում է գոյություն ունեցող ERP-ների վերևում՝ տրամադրելով բնականալեզու բիզնես ինտելեկտ և վերլուծություն: Այն առանց ցավի ինտեգրվում է այն ամենին, ինչ գիտի և օգտագործում է սննդի արդյունաբերությունը: Եվ ինչպես գիտի պահեստի ընդունման կամ BOH-ի հետ ծանոթ յուրաքանչյուր ոք, անխափան աշխատանքային հոսքերը միակ բանն են, որոնք մարդկանց խելամտորեն պահում են:

Սկսեք AI լուծումից, որը տեղավորվում է առկա աշխատանքային հոսքերի մեջ՝ առանց ամեն ինչ վերանայելու: Ինտեգրման հեշտությունը և ծանոթությունը կարևոր են ավելի արագ ընդունման համար:

Դասեր Building LLM Product-ից

1. Դիզայն տեխնոլոգիական սահմանների շուրջ: LLM-ները հզոր են, բայց դեռ հասունանում են. նրանք կարող են հետ մնալ կամ բաց թողնել հուսալիության նշանը: Խելացի դիզայնը կարող է թաքցնել որոշ տեխնիկական թերություններ: Օրինակ, քանի որ ռեստորանները/մանրածախ վաճառողները ժամանակից շուտ են տալիս իրենց պատվերները հաջորդ օրվա համար, մենք կարող ենք թույլ տալ դրանք մշակել ֆոնային պլանում (մինչև մատակարարի անձնակազմը վաղ առավոտյան աշխատանքի կգար)՝ ընտրելով ավելի մեծ խելամտություն ունեցող մոդելներ՝ միաժամանակ զոհաբերելով: որոշ արագություն:

   
   

2. Արագություն՝ կատարելությունից առաջ… Վաղ փուլերում մի ընկճվեք «կատարյալ» մոդելը գտնելու մեջ: Օգտագործեք այն, ինչը ձեզ առաջին հերթին կբերի շուկա: Պարզ տեխնիկան, ինչպիսին RAG-ն է, զարմանալիորեն լավ են աշխատում, եթե դրան ճիշտ համատեքստ եք տալիս: Եթե ճիշտ ձևով կառուցվեն, արհեստական ինտելեկտով ներարկված արտադրանքն ինքնաբերաբար լավանում է, երբ հիմքում ընկած հիմքի մոդելը բարելավվում է:

   
   

3. …բայց հիմքը մեխեք: Փորձը ճկունության կարիք ունի: Ստեղծեք մոդուլային ճարտարապետություն, որպեսզի կարողանաք փոխել մոդելները կամ առանձնահատկությունները և ինտեգրել արտադրանքի հետադարձ կապի պարզ, քանակական համակարգեր. Ձեր ճարտարապետությունը պետք է ձեզ ընձեռի կրկնության արագության ամուր առավելություն:

   
   

4. Ձեր ինտերֆեյսը կարող է դարձնել (կամ կոտրել) ձեր արտադրանքը: Նույնիսկ «կատարյալ» մոդելի դեպքում սկսեք այն ենթադրությունից, որ առաջադրանքի 20%-ին անհրաժեշտ կլինի մարդ՝ QC-ի օղակում: Դարձրեք այս փոխազդեցությունը հնարավորինս պարզ և ինտուիտիվ, հակառակ դեպքում դուք արագ կկորցնեք օգտատերերի գնումը: Որքան ավելի շատ զորացնեք մարդուն օղակում, այնքան ավելի շատ կարող եք օգտագործել նրանց ձեր արտադրանքը բարելավելու համար:

   
   

5. Ձեռք բերեք չկառուցված գիտելիքներ: Հին դպրոցի արդյունաբերություններում կենսական գիտելիքները թվայնացված չեն, այն մարդկանց գլխում է: Եթե հաճախորդի նախապատվությունները գոյություն ունեն միայն վաճառքի պատասխանատու Ջոյի մտքում, ստեղծեք ինտերֆեյս այն գրավելու համար: Այս պատկերացումները ուժեղացնում և տարբերում են ձեր մոդելը՝ տալով նրան տվյալների անընդհատ զարգացող առավելություն:

   
   

6. Հետադարձ կապի օղակները մղում են ճշգրտությունը: Ինժեներությունը հեռու է տանում ձեր արհեստական ինտելեկտի արտադրանքը, բայց արձագանքներն այն ավելի հեռուն են տանում: Ապահովեք օգտատերերի համար անխափան կերպով արձագանքներ մուտքագրելու ուղղակիորեն արտադրանքի ներսում և համատեղեք դա թյունինգ շարժիչի հետ՝ ավելի ճշգրիտ, համատեքստում համապատասխան արդյունքներ ստանալու համար:

Legacy համակարգերի հետ աշխատելու գաղտնիքը

Ահա դժվար ճշմարտությունը. անկախ նրանից, թե որքան հիանալի է ձեր AI լուծումը, ձեզ դեռ պետք են այն հին դպրոցի ERP խաղացողները, ովքեր ցանկանում են ինտեգրվել ձեզ հետ: Բավական չէ զարգացնել առաջադեմ արհեստական ինտելեկտը, եթե այն չի կարող շփվել այն համակարգերի հետ, որոնց վրա արդեն ապավինում են դիստրիբյուտորները: Եվ երբ դուք ներխուժում եք այնպես, կարծես փորձում եք փոխարինել նրանց, ձեզ հետ աշխատելն անհնար է դառնում:

Մեր դեպքում մեզ անհրաժեշտ էին ժառանգական ERP-ներ, որոնք հնարավորություն կտան ինտեգրվել այնպիսի մեթոդների միջոցով, ինչպիսիք են EDI (Էլեկտրոնային տվյալների փոխանակում) կամ SFTP ֆայլերի փոխանակումը: Այս ժառանգական համակարգերը խորապես ներկառուցված են, և նրանց համոզելը (այնուհետև ճարտարապետելը) արհեստական ինտելեկտի նոր գործիքների հետ կապ հաստատելու համար միշտ չէ, որ հեշտ է: Բայց մենք գտանք հաճելի տեղ՝ առաջարկելով հավելում, որն իրականում բարելավում է իրենց գոյություն ունեցող արտադրանքը՝ խրախուսելով հաճախորդներին հավատարիմ մնալ իրենց առկա ենթակառուցվածքին՝ միաժամանակ ստանալով AI-ի բոլոր առավելությունները: Հմայքը կայանում էր նրանում, որ ցույց տվեցինք և՛ բիզնեսին, և՛ նրանց ենթակառուցվածքի մատակարարին, թե ինչպես է մեր արհեստական ինտելեկտը զուտ դրական էր՝ չստիպելով նրանց զգալ, որ պետք է չեղյալ համարեն ամեն ինչ կամ կորցնեն գործընկերությունը: Մի վհատվեք՝ անտեսելով գոյություն ունեցող ցանցը և չափազանցելով ձեր ձեռքը:

Ասել է թե՝ այս տեսակի ինտեգրման ոսկե պատուհանը արագորեն փակվում է: AI-ի փորձաքննությունը տարածվում է, և նույնիսկ ավելի դանդաղ, հին դպրոցական ծառայություններ մատուցողները մտնում են խաղի մեջ: Դուք պետք է արագ գործեք, գտնեք ձեր անկյունը և աշխատեք առկա խաղացողների հետ:

Արդյունաբերության գործող ղեկավարների համար զգուշացեք նոր ծրագրային լուծումներից, որոնք ունեն ինտեգրված և շրջապատող մոտեցում: Սրանք ապրանքներ են, որոնք ապահովում են լիովին ինքնուրույն բիզնես միավոր (օրինակ՝ դաշտային վաճառքներ) և զգալիորեն փոխում են ծախս/եկամուտ հավասարումը իրենց օգտին: Այս դինամիկան վաղ հասկանալը կարևոր է ճիշտ գործընկերներ ընտրելու համար:

Աշխատեք հին համակարգերի հետ մեկտեղ՝ ցույց տալով հստակ առավելություններ և բարելավումներ, որոնք չեն ստիպում ամբողջական վերանորոգում: Օգնեք նրանց տեսնել ցածր ռիսկային, բարձր պարգևատրման հավելման արժեքը:

Հանրահավաքներ ապագայի համար

Այս ավանդական հատվածները, որոնք հիմնվել են չկառուցված տվյալների վրա, ինչպիսիք են ձեռագիր տեղեկամատյանները և ձայնագրությունները, վերջապես հասանելի են ժամանակակից տեխնոլոգիական լուծումներին՝ շնորհիվ LLM-ների: Ուղղահայաց SaaS-ը արագորեն դառնում է ավելի կենսունակ այս ոլորտներում, և գայթակղիչ է AI-ն կիրառել ամեն ինչում:

Այնուամենայնիվ, հիշեք, որ AI-ի հաջողությունը միայն տեխնոլոգիայով չի պայմանավորված: Հիմնական մարտահրավերը դեռևս կայանում է արտադրանքի և շուկայի համապատասխանության հասնելու մեջ: Թեև AI-ն բացում է դռները, դրանք չեն փոխում արտադրանքի զարգացման հիմունքները: Սկսեք ձեր օգտատերերի և նրանց կարիքների մասին հստակ պատկերացում կազմելով. տեխնոլոգիան կհետևի:

Հետադարձ հայացք գցելով՝ ամենամեծ դասը, որ մենք սովորեցինք, այն էր, որ AI-ն լավագույնս հաջողվում է, երբ այն տեղավորվում է գոյություն ունեցող գործընթացների մեջ, այլ ոչ թե երբ փորձում է դրանք տապալել: Հարցն այն է, թե ո՞վ է օգտվելու հնարավորությունից, քանի դեռ այն չի սպառվել: Պատմության մեջ մի փոքր ավելին կա: 3-րդ մասում ես կուսումնասիրեմ, թե ինչպես է համախմբման ռազմավարությունը AI-ի հետ համատեղելով SaaS-ի հաղթող բանաձևը ավանդական ոլորտներում: