3 häufige Gründe für das Scheitern von Analyse- und KI-Projekten

3 häufige Gründe für das Scheitern von Analyse- und KI-Projekten

Zeitstempel: 16. August 2023, 9:32 Uhr
3 häufige Gründe für das Scheitern von Analyse- und KI-Projekten PlatoBlockchain Data Intelligence. Vertikale Suche. Ai.

Advertorial Laut dem 2023 Von Dataiku gesponserter IDC InfoBrief – Schaffen Sie mehr Geschäftswert aus Ihren Unternehmensdaten – „Obwohl die Akzeptanz von [KI] schnell zunimmt, bleiben die Projektfehlerquoten hoch. Organisationen auf der ganzen Welt müssen ihre Vision bewerten, um die Hemmnisse für den Erfolg zu beseitigen, die Kraft der KI freizusetzen und im digitalen Zeitalter erfolgreich zu sein.“

Eine der wichtigsten Erkenntnisse, wenn es darum geht, das Scheitern von Analyse- und KI-Projekten zu überwinden, ist, dass es nie nur einen Wiederholungstäter gibt – es gibt verschiedene Ursachen für das Scheitern von KI-Projekten sowohl in geschäftlichen als auch in technischen Teams. Die interaktive Microsite oben stellt die häufigsten Fehlerquellen im gesamten KI-Projektlebenszyklus visuell dar und bietet Lösungen dafür, wie Daten-, Analyse- und IT-Führungskräfte diese mit Dataiku schnell beheben können.

Auf der anderen Seite geht dieser Artikel auf einige der häufigsten Gründe ein, die zum Scheitern von KI-Projekten führen (und gibt Tipps, wie man damit umgeht).

Die KI-Talentlücke (Menschen!)

Zwei der größten Hindernisse für die Skalierung von KI sind die Einstellung von Mitarbeitern mit Analyse- und KI-Kenntnissen und die Identifizierung guter Geschäftsfälle. Leider ist die Einstellung von Hunderten oder Tausenden von Datenwissenschaftlern für die meisten Unternehmen nicht realistisch, und die Leute, die beide Probleme angehen können (solche mit KI- und Geschäftskenntnissen), sind oft so selten, dass man sie Einhörner nennt. 

Um diese beiden Probleme tatsächlich gleichzeitig anzugehen, sollten Unternehmen dies tun „Bilden Sie Einhorn-Teams, stellen Sie keine Einhorn-Leute ein.“ Das bedeutet, dass sie Teams aufbauen sollten, die sowohl aus Daten- als auch Fachexperten bestehen, und gleichzeitig darauf abzielen ihr KI-Betriebsmodell weiterentwickeln (was gleichzeitig ihre KI-Reife steigern wird) im Laufe der Zeit. Das funktioniert: 85 % der Unternehmen, die KI erfolgreich skaliert haben, nutzen interdisziplinäre Entwicklungsteams, laut Harvard Business Review.

Tipp von IDC: „Berücksichtigen Sie die Rolle von Datenwissenschaftlern zusammen mit Wissensarbeitern und Branchenexpertise. Durch die Stärkung von Wissensarbeitern wird die Zeit bis zur Wertschöpfung verkürzt.“

Mangelnde KI-Governance und -Überwachung (Prozesse!)

Was sich Teams in diesem makroökonomischen Klima nicht leisten können, ist eine Kürzung oder vollständige Kürzung der KI-Budgets. Was könnte dazu führen, dass dies geschieht, fragen Sie sich vielleicht? Zeitverschwendung beim Erstellen und Testen von Modellen für maschinelles Lernen, sodass diese nie in die Produktion gelangen und einen echten, greifbaren Wert für das Unternehmen generieren können (z. B. verdientes Geld, gespartes Geld oder die Einführung eines neuen Prozesses, der heute nicht durchgeführt werden könnte). ).

Die gute Nachricht: Es gibt Strategien und Best Practices, die Analyse- und KI-Teams implementieren können, um ihre KI-Bemühungen sicher zu rationalisieren und zu skalieren, z Etablierung einer KI-Governance-Strategie (einschließlich operativer Elemente wie MLOps und wertbasierter Elemente wie Responsible AI).

Die schlechte Nachricht: Oftmals haben Teams diese Prozesse entweder nicht vor der Bereitstellung eingerichtet (was zu vielen verschärfenden Problemen führen kann) und haben keine Möglichkeit, klar mit den richtigen Projekten voranzuschreiten, die geschäftlichen Nutzen generieren und veraltet sind die leistungsschwachen.

AI Governance bietet umfassendes, skalierbares Modellmanagement mit Schwerpunkt auf risikoadjustierter Wertschöpfung und Effizienz bei der KI-Skalierung, alles im Einklang mit den Vorschriften. Teams müssen zwischen Proof-of-Concepts (POCs), Self-Service-Dateninitiativen und industrialisierten Datenprodukten sowie den damit verbundenen Governance-Anforderungen unterscheiden. Es muss Raum für Erkundungen und Experimente gegeben werden, aber die Teams müssen auch klare Entscheidungen darüber treffen, wann Self-Service-Projekte oder POCs über die Finanzierung, Tests und Sicherheit verfügen sollen, um zu einer industrialisierten, operationellen Lösung zu werden.

Tipp von IDC: „Legen Sie klare Richtlinien für Datenschutz, Entscheidungsrechte, Rechenschaftspflicht und Transparenz fest. Lassen Sie ein proaktives und kontinuierliches Risikomanagement und eine gemeinsame Governance von der IT und den Geschäfts- und Compliance-Mitarbeitern durchführen.“ 

Keine Plattform-Denkweise (Technologie!) verfolgen

Wie können Teams die richtigen Technologien und Prozesse ermitteln, um den Einsatz von KI in großem Maßstab zu ermöglichen?

Eine End-to-End-Plattform (wie Dataiku) sorgt für Zusammenhalt zwischen den Schritten des Analyse- und KI-Projektlebenszyklus und sorgt für ein einheitliches Erscheinungsbild und einen einheitlichen Ansatz, während Teams diese Schritte durchlaufen. 

Beim Aufbau einer modernen KI-Plattformstrategie ist es wichtig, den Wert einer All-in-One-Plattform für alles zu berücksichtigen, von der Datenvorbereitung bis zur Überwachung von Modellen für maschinelles Lernen in der Produktion. Umgekehrt kann der Kauf separater Werkzeuge für jede Komponente eine enorme Herausforderung darstellen, da es mehrere Puzzleteile in verschiedenen Bereichen des Lebenszyklus gibt (siehe Abbildung unten).

Um mit einem KI-Programm in die Phase einer langfristigen kulturellen Transformation zu gelangen, ist es wichtig, die IT von Anfang an einzubeziehen. IT-Manager sind für die effektive und reibungslose Einführung jeder Technologie von entscheidender Bedeutung und – aus einer eher philosophischen Perspektive – von entscheidender Bedeutung für die Einführung einer Kultur des Datenzugriffs, die mit der richtigen Governance und Kontrolle in Einklang steht.

Tipp von IDC: „Anstatt unterschiedliche Lösungen für die Bewältigung kleiner Aufgaben zu implementieren, nutzen Sie den Plattformansatz, um konsistente Erfahrungen und Standardisierung zu unterstützen.“ 

Blick in die Zukunft

Die Skalierung von Analyse- und KI-Bemühungen nimmt viel Zeit und Ressourcen in Anspruch, sodass Sie auf keinen Fall scheitern möchten. Gleichzeitig ist ein bisschen gesundes Scheitern beim Experimentieren jedoch wertvoll, solange die Teams schnell scheitern und ihre Erkenntnisse umsetzen können. Sie sollten sich unbedingt auf die Weiterqualifizierung und Ausbildung konzentrieren (d. h. die Einbindung von Geschäftspraktikern immer stärker), KI-Tools und -Technologien demokratisieren und die richtigen Leitplanken setzen, um einen verantwortungsvollen KI-Einsatz zu gewährleisten.

Gehen Sie weiter auf das Scheitern von KI-Projekten ein

Entdecken Sie in diesem interaktiven Bild die wichtigsten technischen Gründe für das Scheitern von KI-Projekten sowie zusätzliche Ressourcen aus geschäftlichen Gründen, die zum Scheitern von Projekten führen (und wie Dataiku dabei helfen kann).

Warum scheitern Ihre KI-Projekte? Erkunden diese interaktive Microsite um mehr zu erfahren.

Gesponsert von Dataiku.

Zeitstempel:

Mehr von Das Register