3 almindelige årsager til analyse- og AI-projektfejl

3 almindelige årsager til analyse- og AI-projektfejl

Tidsstempel: 16. august 2023 kl. 9
3 common reasons for analytics & AI project failures PlatoBlockchain Data Intelligence. Vertical Search. Ai.

advertorial I henhold til 2023 Dataiku-sponsoreret IDC InfoBrief – Skab mere forretningsværdi fra dine organisationsdata – “Selvom adoptionen af ​​[AI] vokser hurtigt, er antallet af projektfejl fortsat høj. Organisationer over hele verden skal evaluere deres vision for at adressere inhibitorerne for succes, frigøre kraften i AI og trives i den digitale æra."

En af de vigtigste ting, når det kommer til at overvinde analyser og fejl i AI-projekter, er, at der aldrig kun er én gentagelsesforbryder – der er forskellige punkter, hvor AI-projektet fejler på tværs af både forretnings- og tekniske teams. Det interaktive mikrosite ovenfor viser visuelt de mest almindelige fejlpunkter på tværs af AI-projektets livscyklus og deler løsninger på, hvordan data, analyser og it-ledere hurtigt kan løse dem med Dataiku.

På den anden side af medaljen vil denne artikel omhandle nogle af de mest almindelige årsager til, at AI-projekter mislykkes (og tips til at navigere i dem).

AI-talentgabet (mennesker!)

To af de bedste blokeringer til at skalere AI er at ansætte folk med analyse- og AI-færdigheder og identificere gode business cases. Desværre er det ikke realistisk at ansætte hundreder eller tusinder af dataforskere for de fleste organisationer, og de mennesker, der kan løse begge problemer (dem med kunstig intelligens og forretningsfærdigheder), er ofte så sjældne, at de kaldes enhjørninger. 

For faktisk at tage fat på begge disse problemer på én gang, så burde organisationer "byg enhjørningshold, ikke ansæt enhjørningsfolk." Det betyder, at de bør opbygge teams bestående af både data- og domæneeksperter, mens de også sigter efter udvikle deres AI-driftsmodel (som samtidig vil øge deres AI-modenhed) over tid. Dette virker: 85 % af virksomheder, der med succes har skaleret AI, bruger tværfaglige udviklingsteams, ifølge Harvard Business Review.

Tip fra IDC: “Overvej rollen som dataforskere sammen med vidensarbejdere og brancheekspertise. Bemyndigelse af vidensarbejdere vil fremskynde tid til værdi."

Mangel på AI-styring og tilsyn (processer!)

Hvad teamet ikke har råd til i dette makroøkonomiske klima, er, at AI-budgetter reduceres eller skæres helt ned. Hvad ville føre til, at dette sker, spørger du måske? Spildte tid på at bygge og teste maskinlæringsmodeller, så meget at de aldrig kommer i produktion for at begynde at skabe reel, håndgribelig værdi for virksomheden (såsom tjente penge, sparede penge eller etableret en ny proces, som ikke kunne udføres i dag ).

Den gode nyhed: Der er strategier og bedste praksis, analyser og AI-teams kan implementere for sikkert at strømline og skalere deres AI-indsats, som f.eks. etablering af en AI Governance-strategi (inklusive operationelle elementer som MLOps og værdibaserede elementer som Responsible AI).

Den dårlige nyhed: Ofte har teams enten ikke disse processer sat op før implementering (hvilket kan føre til mange sammensatte problemer) og har ikke en måde at komme videre med de rigtige projekter, der genererer forretningsværdi og forælder de underpræsterende.

AI Governance leverer end-to-end modelstyring i stor skala med fokus på risikojusteret værdilevering og effektivitet i AI-skalering, alt sammen i overensstemmelse med reglerne. Teams skal skelne mellem proof-of-concepts (POC'er), selvbetjeningsdatainitiativer og industrialiserede dataprodukter, såvel som styringsbehovene omkring hver enkelt. Der skal gives plads til udforskning og eksperimenter, men teams skal også træffe klare beslutninger om, hvornår selvbetjeningsprojekter eller POC'er skal have finansiering, testning og sikkerhed for at blive en industrialiseret, operationaliseret løsning.

Tip fra IDC: "Etabler klare politikker for databeskyttelse, beslutningsrettigheder, ansvarlighed og gennemsigtighed. Få proaktiv og løbende risikostyring og styring udført i fællesskab af it og dem i forretning og compliance." 

Tager ikke en platform tankegang (teknologi!)

Hvordan kan teams lokalisere de rigtige teknologier og processer for at muliggøre brugen af ​​AI i stor skala?

En end-to-end platform (som Dataiku) bringer sammenhæng på tværs af trinene i analyse- og AI-projektets livscyklus og giver et ensartet udseende, følelse og tilgang, når teams bevæger sig gennem disse trin. 

Når du bygger en moderne AI-platformstrategi, er det vigtigt at overveje værdien af ​​en alt-i-en platform til alt fra dataforberedelse til overvågning af maskinlæringsmodeller i produktionen. At købe separate værktøjer til hver komponent kan omvendt være enormt udfordrende, da der er flere brikker i puslespillet på tværs af forskellige områder af livscyklussen (illustreret nedenfor).

For at komme til stadiet af langsigtet kulturel transformation via et AI-program, er det vigtigt at være sikker på, at IT er involveret helt fra begyndelsen. It-chefer er afgørende for en effektiv, smidig udrulning af enhver teknologi og - fra et mere filosofisk perspektiv - er afgørende for at skabe en kultur med adgang til data afbalanceret med den rette styring og kontrol.

Tip fra IDC: “I stedet for at implementere særskilte løsninger til håndtering af små opgaver, omfavn platformstilgangen for at understøtte ensartede oplevelser og standardisering. 

Fremadrettet

Skaleringsanalyse og AI-indsats tager en betydelig mængde tid og ressourcer, så det sidste, du vil gøre, er at fejle. Samtidig er en smule sund fiasko under eksperimenter værdifuldt, så længe teams kan fejle hurtigt og implementere deres læring. De bør være sikre på at fokusere på opkvalificering og træning (dvs. at få erhvervsudøvere mere og mere involveret), demokratisere AI-værktøjer og -teknologier og sætte de rigtige autoværn på plads for at sikre ansvarlig AI-udrulning.

Gå videre med at løse AI-projektfejl

I denne interaktive visualisering kan du opdage de vigtigste tekniske årsager bag AI-projektfejl samt yderligere ressourcer af forretningsmæssige årsager, der giver næring til projektfejl (og hvordan Dataiku kan hjælpe på vej for begge).

Hvorfor fejler dine AI-projekter? Udforske denne interaktive mikroside at lære mere.

Sponsoreret af Dataiku.

Tidsstempel:

Mere fra Registret