3 أسباب شائعة لفشل مشاريع التحليلات والذكاء الاصطناعي

3 أسباب شائعة لفشل مشاريع التحليلات والذكاء الاصطناعي

الطابع الزمني: 16 آب (أغسطس) 2023 ، الساعة 9:32 صباحًا
3 أسباب شائعة لفشل التحليلات ومشاريع الذكاء الاصطناعي في PlatoBlockchain Data Intelligence. البحث العمودي. منظمة العفو الدولية.

إعلانية وفقا ل شنومكس موجز معلومات IDC برعاية Dataiku - خلق المزيد من القيمة التجارية من بياناتك التنظيمية - "على الرغم من التوسع السريع في اعتماد [الذكاء الاصطناعي] ، إلا أن معدلات فشل المشروع لا تزال مرتفعة. يجب على المنظمات في جميع أنحاء العالم تقييم رؤيتها لمعالجة مثبطات النجاح ، وإطلاق العنان لقوة الذكاء الاصطناعي ، والازدهار في العصر الرقمي ".

واحدة من أهم النتائج عندما يتعلق الأمر بالتغلب على التحليلات وفشل مشروع الذكاء الاصطناعي هو أنه لا يوجد أبدًا مجرد متكرر واحد - فهناك نقاط مختلفة لفشل مشروع الذكاء الاصطناعي في كل من فرق العمل والفرق الفنية. يعرض الموقع الصغير التفاعلي أعلاه بصريًا نقاط الفشل الأكثر شيوعًا عبر دورة حياة مشروع الذكاء الاصطناعي ويشارك الحلول حول كيفية معالجة البيانات والتحليلات وقادة تكنولوجيا المعلومات بسرعة باستخدام Dataiku.

على الجانب الآخر من العملة ، ستتناول هذه المقالة بعض الأسباب الأكثر شيوعًا التي تغذي فشل مشروع الذكاء الاصطناعي (ونصائح للتنقل بينها).

فجوة المواهب في الذكاء الاصطناعي (الناس!)

اثنان من أهم أدوات حظر توسيع نطاق الذكاء الاصطناعي هما توظيف الأشخاص ذوي المهارات التحليلية والذكاء الاصطناعي وتحديد حالات العمل الجيدة. لسوء الحظ ، فإن توظيف المئات أو الآلاف من علماء البيانات ليس أمرًا واقعيًا بالنسبة لمعظم المؤسسات ، وغالبًا ما يكون الأشخاص الذين يمكنهم معالجة كلتا القضيتين (أولئك الذين يتمتعون بمهارات الذكاء الاصطناعي والمهارات التجارية) نادرًا جدًا لدرجة أنهم يطلق عليهم اسم أحادي القرن. 

لمعالجة هاتين المسألتين في وقت واحد فعليًا ، يجب على المنظمات "قم ببناء فرق يونيكورن ، وليس توظيف أشخاص أحادي القرن." هذا يعني أنه يجب عليهم تكوين فرق مكونة من خبراء في البيانات والمجال ، مع استهدافهم أيضًا تطوير نموذج التشغيل AI الخاص بهم (والذي سيعزز نضج الذكاء الاصطناعي في نفس الوقت) بمرور الوقت. يعمل هذا: 85٪ من الشركات التي نجحت في توسيع نطاق الذكاء الاصطناعي تستخدم فرق تطوير متعددة التخصصات ، وفقًا لمجلة هارفارد بيزنس ريفيو.

نصيحة من IDC: "ضع في اعتبارك دور علماء البيانات جنبًا إلى جنب مع العاملين في مجال المعرفة وخبرة الصناعة. سوف يؤدي تمكين العاملين في مجال المعرفة إلى تسريع وقت تحقيق القيمة ".

الافتقار إلى الحوكمة والرقابة على الذكاء الاصطناعي (العمليات!)

ما لا يستطيع الفريق تحمله في هذا المناخ الاقتصادي الكلي هو تخفيض ميزانيات الذكاء الاصطناعي أو خفضها بالكامل. قد تسأل ما الذي سيؤدي إلى حدوث ذلك؟ ضيع الوقت في بناء واختبار نماذج التعلم الآلي ، لدرجة أنها لا تدخل حيز الإنتاج أبدًا لبدء توليد قيمة حقيقية وملموسة للأعمال (مثل الأموال التي يتم جنيها أو توفير الأموال أو إنشاء عملية جديدة لا يمكن القيام بها اليوم ).

الخبر السار: هناك استراتيجيات وأفضل ممارسات تحليلات ويمكن لفرق الذكاء الاصطناعي تنفيذها لتبسيط جهود الذكاء الاصطناعي وتوسيع نطاقها بأمان ، مثل وضع استراتيجية حوكمة الذكاء الاصطناعي (بما في ذلك العناصر التشغيلية مثل MLOps والعناصر القائمة على القيمة مثل الذكاء الاصطناعي المسؤول).

الأخبار السيئة: في كثير من الأحيان ، لا تمتلك الفرق هذه العمليات معدة قبل النشر (مما قد يؤدي إلى العديد من المشكلات المعقدة) وليس لديها طريقة للمضي قدمًا بشكل واضح في المشاريع الصحيحة التي تولد قيمة تجارية وتنتهي ذوي الأداء الضعيف.

توفر حوكمة الذكاء الاصطناعي إدارة نموذجية شاملة على نطاق واسع ، مع التركيز على تقديم القيمة المعدلة حسب المخاطر والكفاءة في توسيع نطاق الذكاء الاصطناعي ، كل ذلك بما يتماشى مع اللوائح. تحتاج الفرق إلى التمييز بين إثبات المفاهيم (POCs) ومبادرات بيانات الخدمة الذاتية ومنتجات البيانات الصناعية ، بالإضافة إلى احتياجات الحوكمة المحيطة بكل منها. يجب توفير مساحة للاستكشاف والتجريب ، ولكن تحتاج الفرق أيضًا إلى اتخاذ قرارات واضحة حول الوقت الذي يجب أن تحصل فيه مشاريع الخدمة الذاتية أو نقاط الدعم على التمويل والاختبار والضمان لتصبح حلاً صناعيًا وعمليًا.

نصيحة من IDC: "ضع سياسات واضحة لخصوصية البيانات وحقوق اتخاذ القرار والمساءلة والشفافية. أن يكون لديك إدارة وحوكمة استباقية ومستمرة للمخاطر يتم إجراؤها بشكل مشترك من قبل تكنولوجيا المعلومات وأولئك العاملين في مجال الأعمال والامتثال ". 

عدم الأخذ بعقلية المنصة (التكنولوجيا!)

كيف يمكن للفرق تحديد التقنيات والعمليات الصحيحة لتمكين استخدام الذكاء الاصطناعي على نطاق واسع؟

منصة شاملة (مثل داتايكو) يجلب التماسك عبر خطوات دورة حياة مشروع التحليلات والذكاء الاصطناعي ويوفر مظهرًا وشعورًا ونهجًا متسقين بينما تتحرك الفرق عبر هذه الخطوات. 

عند بناء إستراتيجية منصة حديثة للذكاء الاصطناعي ، من المهم مراعاة قيمة النظام الأساسي متعدد الإمكانات لكل شيء بدءًا من إعداد البيانات وحتى مراقبة نماذج التعلم الآلي في الإنتاج. على العكس من ذلك ، قد يكون شراء أدوات منفصلة لكل مكون أمرًا صعبًا للغاية نظرًا لوجود أجزاء متعددة من اللغز عبر مناطق مختلفة من دورة الحياة (كما هو موضح أدناه).

من أجل الوصول إلى مرحلة التحول الثقافي على المدى الطويل عبر برنامج الذكاء الاصطناعي ، من المهم التأكد من مشاركة تكنولوجيا المعلومات منذ البداية. يعد مديرو تكنولوجيا المعلومات ضروريين لنشر أي تقنية بشكل فعال وسلس - ومن منظور أكثر فلسفية - يعتبرون مهمين لغرس ثقافة الوصول إلى البيانات المتوازنة مع الحوكمة والتحكم المناسبين.

نصيحة من IDC: "بدلاً من تنفيذ حلول متميزة للتعامل مع المهام الصغيرة ، احتضن نهج النظام الأساسي لدعم التجارب المتسقة والتوحيد القياسي. 

واستشرافا للمستقبل

يستغرق توسيع نطاق التحليلات وجهود الذكاء الاصطناعي قدرًا كبيرًا من الوقت والموارد ، لذا فإن آخر شيء تريد القيام به هو الفشل. في الوقت نفسه ، يعد القليل من الفشل الصحي أثناء التجربة أمرًا ذا قيمة ، طالما يمكن للفرق أن تفشل بسرعة وتنفذ ما تعلموه. يجب أن يتأكدوا من التركيز على صقل المهارات والتدريب (أي إشراك ممارسي الأعمال التجارية بشكل متزايد) ، وإضفاء الطابع الديمقراطي على أدوات وتقنيات الذكاء الاصطناعي ، ووضع الحواجز المناسبة لضمان عمليات نشر مسؤولة للذكاء الاصطناعي.

اذهب إلى أبعد من ذلك في معالجة فشل مشروع الذكاء الاصطناعي

في هذه الصورة المرئية التفاعلية ، اكتشف أهم الأسباب التقنية وراء فشل مشروع الذكاء الاصطناعي بالإضافة إلى الموارد الإضافية لأسباب تتعلق بالعمل والتي تغذي فشل المشروع (وكيف يمكن أن تساعد Dataiku على طول الطريق لكليهما).

لماذا تفشل مشاريع الذكاء الاصطناعي الخاصة بك؟ يستكشف هذا الموقع الصغير التفاعلي لتعلم المزيد.

برعاية Dataiku.

الطابع الزمني:

اكثر من السجل