3 συνηθισμένοι λόγοι για αποτυχίες έργων ανάλυσης και τεχνητής νοημοσύνης

3 συνηθισμένοι λόγοι για αποτυχίες έργων ανάλυσης και τεχνητής νοημοσύνης

Χρονική σήμανση: 16 Αυγούστου 2023 9:32 π.μ.
3 common reasons for analytics & AI project failures PlatoBlockchain Data Intelligence. Vertical Search. Ai.

αγγελίας Σύμφωνα με το 2023 IDC InfoBrief που χρηματοδοτείται από την Dataiku – Δημιουργήστε περισσότερη επιχειρηματική αξία από τα δεδομένα του οργανισμού σας – «Αν και η υιοθέτηση [AI] επεκτείνεται γρήγορα, τα ποσοστά αποτυχίας έργων παραμένουν υψηλά. Οι οργανισμοί σε όλο τον κόσμο πρέπει να αξιολογήσουν το όραμά τους για να αντιμετωπίσουν τους αναστολείς για επιτυχία, να απελευθερώσουν τη δύναμη της τεχνητής νοημοσύνης και να ευδοκιμήσουν στην ψηφιακή εποχή».

Ένα από τα πιο σημαντικά βήματα όσον αφορά την αντιμετώπιση της αποτυχίας του έργου ανάλυσης και τεχνητής νοημοσύνης είναι ότι δεν υπάρχει ποτέ μόνο ένας επαναλαμβανόμενος παραβάτης — υπάρχουν διάφορα σημεία αποτυχίας έργου τεχνητής νοημοσύνης τόσο σε επιχειρηματικές όσο και σε τεχνικές ομάδες. Ο παραπάνω διαδραστικός microsite εμφανίζει οπτικά τα πιο κοινά σημεία αποτυχίας σε όλο τον κύκλο ζωής του έργου AI και μοιράζεται λύσεις σχετικά με τον τρόπο με τον οποίο τα δεδομένα, τα αναλυτικά στοιχεία και οι ηγέτες πληροφορικής μπορούν να τα αντιμετωπίσουν γρήγορα με το Dataiku.

Από την άλλη πλευρά του νομίσματος, αυτό το άρθρο θα εξετάσει μερικούς από τους πιο συνηθισμένους λόγους που τροφοδοτούν την αποτυχία του έργου AI (και συμβουλές για την πλοήγησή τους).

Το χάσμα ταλέντων AI (άνθρωποι!)

Δύο από τους κορυφαίους αποκλεισμούς για την κλιμάκωση της τεχνητής νοημοσύνης είναι η πρόσληψη ατόμων με ικανότητες ανάλυσης και τεχνητής νοημοσύνης και ο εντοπισμός καλών επιχειρηματικών περιπτώσεων. Δυστυχώς, η πρόσληψη εκατοντάδων ή χιλιάδων επιστημόνων δεδομένων δεν είναι ρεαλιστική για τους περισσότερους οργανισμούς και τα άτομα που μπορούν να αντιμετωπίσουν και τα δύο ζητήματα (αυτά με τεχνητή νοημοσύνη και επιχειρηματικές δεξιότητες) είναι συχνά τόσο σπάνια που ονομάζονται μονόκεροι. 

Για να αντιμετωπίσουν πραγματικά και τα δύο αυτά ζητήματα ταυτόχρονα, οι οργανισμοί θα πρέπει «Χτίστε ομάδες μονόκερων, όχι προσλάβετε ανθρώπους μονόκερου». Αυτό σημαίνει ότι θα πρέπει να δημιουργήσουν ομάδες που θα αποτελούνται από ειδικούς τόσο σε δεδομένα όσο και σε τομείς, ενώ στοχεύουν επίσης εξελίξουν το λειτουργικό τους μοντέλο AI (το οποίο θα ενισχύσει ταυτόχρονα την ωριμότητα της τεχνητής νοημοσύνης τους) με την πάροδο του χρόνου. Αυτό λειτουργεί: το 85% των εταιρειών που έχουν κλιμακώσει με επιτυχία την τεχνητή νοημοσύνη χρησιμοποιούν διεπιστημονικές ομάδες ανάπτυξης, σύμφωνα με το Harvard Business Review.

Συμβουλή από την IDC: «Σκεφτείτε το ρόλο των επιστημόνων δεδομένων μαζί με τους εργαζόμενους στη γνώση και την τεχνογνωσία του κλάδου. Η ενδυνάμωση των εργαζομένων στη γνώση θα επιταχύνει το χρόνο για να αποκτήσουν αξία».

Έλλειψη διακυβέρνησης και επίβλεψης AI (διαδικασίες!)

Αυτό που η ομάδα δεν μπορεί να αντέξει οικονομικά σε αυτό το μακροοικονομικό κλίμα είναι να μειωθούν ή να περικοπούν πλήρως οι προϋπολογισμοί της τεχνητής νοημοσύνης. Τι θα οδηγούσε στο να συμβεί αυτό, θα ρωτήσετε; Χαμένος χρόνος για την κατασκευή και τη δοκιμή μοντέλων μηχανικής μάθησης, τόσο που δεν μπαίνουν ποτέ στην παραγωγή για να αρχίσουν να παράγουν πραγματική, απτή αξία για την επιχείρηση (όπως χρήματα που βγήκαν, χρήματα που εξοικονομήθηκαν ή μια νέα διαδικασία που δεν μπορούσε να γίνει σήμερα ).

Τα καλά νέα: Υπάρχουν στρατηγικές και βέλτιστες πρακτικές που μπορούν να εφαρμόσουν οι ομάδες ανάλυσης τεχνητής νοημοσύνης για να εξορθολογίσουν και να κλιμακώσουν με ασφάλεια τις προσπάθειές τους για τεχνητή νοημοσύνη, όπως π.χ. καθιέρωση στρατηγικής διακυβέρνησης AI (συμπεριλαμβανομένων λειτουργικών στοιχείων όπως MLOps και στοιχείων που βασίζονται σε αξία όπως το Responsible AI).

Τα κακά νέα: Συχνά, οι ομάδες είτε δεν έχουν ρυθμίσει αυτές τις διαδικασίες πριν από την ανάπτυξη (που μπορεί να οδηγήσει σε πολλά προβλήματα) και δεν έχουν τρόπο να προχωρήσουν σαφώς με τα σωστά έργα που δημιουργούν επιχειρηματική αξία και καταργούν οι υποαποδίδουσες.

Το AI Governance παρέχει διαχείριση μοντέλων από άκρο σε άκρο σε κλίμακα, με έμφαση στην απόδοση αξίας προσαρμοσμένης βάσει κινδύνου και στην αποτελεσματικότητα στην κλιμάκωση της τεχνητής νοημοσύνης, όλα σε ευθυγράμμιση με τους κανονισμούς. Οι ομάδες πρέπει να κάνουν διακρίσεις μεταξύ των proof-of-concepts (POC), των πρωτοβουλιών δεδομένων αυτοεξυπηρέτησης και των βιομηχανοποιημένων προϊόντων δεδομένων, καθώς και των αναγκών διακυβέρνησης που περιβάλλουν το καθένα. Πρέπει να δοθεί χώρος για εξερεύνηση και πειραματισμό, αλλά οι ομάδες πρέπει επίσης να λάβουν σαφείς αποφάσεις σχετικά με το πότε τα έργα αυτοεξυπηρέτησης ή τα POC θα πρέπει να έχουν τη χρηματοδότηση, τη δοκιμή και τη διασφάλιση για να γίνουν μια βιομηχανοποιημένη, λειτουργική λύση.

Συμβουλή από την IDC: «Καθορίστε σαφείς πολιτικές για το απόρρητο των δεδομένων, τα δικαιώματα λήψης αποφάσεων, τη λογοδοσία και τη διαφάνεια. Να έχετε προληπτική και συνεχή διαχείριση και διακυβέρνηση κινδύνου που εκτελείται από κοινού από την πληροφορική και τους επαγγελματίες και τη συμμόρφωση.» 

Μη υιοθετώντας μια νοοτροπία πλατφόρμας (τεχνολογία!)

Πώς μπορούν οι ομάδες να εντοπίσουν τις σωστές τεχνολογίες και διαδικασίες για να καταστεί δυνατή η χρήση της τεχνητής νοημοσύνης σε κλίμακα;

Μια πλατφόρμα από άκρο σε άκρο (όπως Νταταϊκού) φέρνει συνοχή στα βήματα του κύκλου ζωής του έργου analytics και AI και παρέχει μια συνεπή εμφάνιση, αίσθηση και προσέγγιση καθώς οι ομάδες προχωρούν σε αυτά τα βήματα. 

Κατά τη δημιουργία μιας σύγχρονης στρατηγικής πλατφόρμας τεχνητής νοημοσύνης, είναι σημαντικό να λαμβάνεται υπόψη η αξία μιας πλατφόρμας all-in-one για τα πάντα, από την προετοιμασία δεδομένων έως την παρακολούθηση μοντέλων μηχανικής εκμάθησης στην παραγωγή. Η αγορά ξεχωριστών εργαλείων για κάθε εξάρτημα, αντίθετα, μπορεί να είναι εξαιρετικά δύσκολη καθώς υπάρχουν πολλά κομμάτια του παζλ σε διαφορετικούς τομείς του κύκλου ζωής (που φαίνεται παρακάτω).

Προκειμένου να φτάσετε στο στάδιο του μακροπρόθεσμου πολιτιστικού μετασχηματισμού μέσω ενός προγράμματος τεχνητής νοημοσύνης, είναι σημαντικό να είστε βέβαιοι ότι το IT συμμετέχει από την αρχή. Οι διαχειριστές πληροφορικής είναι απαραίτητοι για την αποτελεσματική, ομαλή ανάπτυξη οποιασδήποτε τεχνολογίας και — από μια πιο φιλοσοφική σκοπιά — είναι ζωτικής σημασίας για την ενστάλαξη μιας κουλτούρας πρόσβασης στα δεδομένα, σε συνδυασμό με την κατάλληλη διακυβέρνηση και έλεγχο.

Συμβουλή από την IDC: «Αντί να εφαρμόζετε ξεχωριστές λύσεις για την αντιμετώπιση μικρών εργασιών, υιοθετήστε την προσέγγιση της πλατφόρμας για να υποστηρίξετε συνεπείς εμπειρίες και τυποποίηση. 

Ατενίζοντας το μέλλον

Η κλιμάκωση των προσπαθειών ανάλυσης και τεχνητής νοημοσύνης απαιτεί σημαντικό χρόνο και πόρους, επομένως το τελευταίο πράγμα που θέλετε να κάνετε είναι να αποτύχετε. Ταυτόχρονα όμως, λίγη υγιής αποτυχία κατά τη διάρκεια του πειραματισμού είναι πολύτιμη, εφόσον οι ομάδες μπορούν να αποτύχουν γρήγορα και να εφαρμόσουν τις μαθησίες τους. Θα πρέπει να είναι βέβαιο ότι θα επικεντρωθούν στην αναβάθμιση των δεξιοτήτων και στην εκπαίδευση (δηλαδή, να εμπλέκονται όλο και περισσότερο οι επαγγελματίες των επιχειρήσεων), να εκδημοκρατίσουν τα εργαλεία και τις τεχνολογίες της τεχνητής νοημοσύνης και να θέσουν τα σωστά προστατευτικά κιγκλιδώματα για να διασφαλίσουν υπεύθυνες αναπτύξεις τεχνητής νοημοσύνης.

Προχωρήστε περαιτέρω στην αντιμετώπιση της αποτυχίας του έργου AI

Σε αυτό το διαδραστικό γραφικό, ανακαλύψτε τους κορυφαίους τεχνικούς λόγους πίσω από την αποτυχία του έργου AI, καθώς και πρόσθετους πόρους για επαγγελματικούς λόγους που τροφοδοτούν την αποτυχία του έργου (και πώς το Dataiku μπορεί να βοηθήσει στην πορεία και για τα δύο).

Γιατί αποτυγχάνουν τα έργα AI σας; Εξερευνώ αυτό το διαδραστικό microsite για να μάθετε περισσότερα.

Χορηγός της Dataiku.

Σφραγίδα ώρας:

Περισσότερα από Το μητρώο