3 razones comunes por las que fallan los proyectos de análisis e IA

3 razones comunes por las que fallan los proyectos de análisis e IA

Marca de tiempo: 16 de agosto de 2023 9:32 a.m.
Tres razones comunes para el fracaso de proyectos de análisis e inteligencia artificial PlatoBlockchain Data Intelligence. Búsqueda vertical. Ai.

Publicitario De acuerdo con el  Resumen informativo de IDC patrocinado por Dataiku: cree más valor comercial a partir de los datos de su organización – “Aunque la adopción [IA] se está expandiendo rápidamente, las tasas de fracaso de los proyectos siguen siendo altas. Las organizaciones de todo el mundo deben evaluar su visión para abordar los inhibidores del éxito, liberar el poder de la IA y prosperar en la era digital”.

Una de las conclusiones más importantes cuando se trata de superar el análisis y el fracaso del proyecto de IA es que nunca hay un solo infractor reincidente: hay varios puntos de fracaso del proyecto de IA en los equipos comerciales y técnicos. El micrositio interactivo anterior muestra visualmente los puntos de falla más comunes en el ciclo de vida del proyecto de IA y comparte soluciones sobre cómo los líderes de datos, análisis y TI pueden abordarlos rápidamente con Dataiku.

En el otro lado de la moneda, este artículo abordará algunas de las razones más comunes que alimentan el fracaso de los proyectos de IA (y consejos para navegar por ellos).

La brecha de talento de la IA (¡gente!)

Dos de los principales obstáculos para escalar la IA son la contratación de personas con habilidades analíticas y de IA y la identificación de buenos casos comerciales. Desafortunadamente, contratar cientos o miles de científicos de datos no es realista para la mayoría de las organizaciones y las personas que pueden abordar ambos problemas (aquellos con inteligencia artificial y habilidades comerciales) a menudo son tan raras que se les llama unicornios. 

Entonces, para abordar ambos problemas a la vez, las organizaciones deben “Construir equipos de unicornios, no contratar gente de unicornios”. Esto significa que deben crear equipos formados por expertos en datos y dominios, al mismo tiempo que tienen como objetivo evolucionar su modelo operativo de IA (que impulsará simultáneamente su madurez de IA) con el tiempo. Esto funciona: el 85 % de las empresas que escalaron con éxito la IA utilizan equipos de desarrollo interdisciplinarios, según Harvard Business Review.

Sugerencia de IDC: “Considere el papel de los científicos de datos junto con los trabajadores del conocimiento y la experiencia en la industria. Empoderar a los trabajadores del conocimiento acelerará el tiempo de valor”.

Falta de gobernanza y supervisión de la IA (¡procesos!)

Lo que los equipos no pueden permitirse en este clima macroeconómico es que los presupuestos de IA se reduzcan o eliminen por completo. ¿Qué llevaría a que esto sucediera, podrías preguntar? Tiempo desperdiciado construyendo y probando modelos de aprendizaje automático, tanto que nunca llegan a la producción para comenzar a generar valor real y tangible para el negocio (como dinero ganado, dinero ahorrado o un nuevo proceso establecido que no se podría hacer hoy ).

La buena noticia: hay estrategias y mejores prácticas que los equipos de análisis e IA pueden implementar para optimizar y escalar de manera segura sus esfuerzos de IA, como establecer una estrategia de gobernanza de la IA (incluidos elementos operativos como MLOps y elementos basados ​​en valores como IA responsable).

Las malas noticias: a menudo, los equipos no tienen estos procesos configurados antes de la implementación (lo que puede generar muchos problemas complejos) y no tienen una forma clara de avanzar con los proyectos correctos que generan valor comercial y obsoleto. los de bajo rendimiento.

AI Governance ofrece una gestión de modelos de extremo a extremo a escala, con un enfoque en la entrega de valor ajustado al riesgo y la eficiencia en el escalado de IA, todo en consonancia con las regulaciones. Los equipos deben hacer distinciones entre prueba de concepto (POC), iniciativas de datos de autoservicio y productos de datos industrializados, así como las necesidades de gobierno que rodean a cada uno. Se debe dar espacio para la exploración y la experimentación, pero los equipos también deben tomar decisiones claras sobre cuándo los proyectos de autoservicio o POC deben tener la financiación, las pruebas y la garantía para convertirse en una solución industrializada y operativa.

Sugerencia de IDC: “Establezca políticas claras para la privacidad de los datos, los derechos de decisión, la responsabilidad y la transparencia. Tener una gestión de riesgos y un gobierno proactivos y continuos realizados conjuntamente por TI y aquellos en el negocio y el cumplimiento”. 

No tener una mentalidad de plataforma (¡tecnología!)

¿Cómo pueden los equipos identificar las tecnologías y los procesos adecuados para permitir el uso de la IA a escala?

Una plataforma de extremo a extremo (como Datos) brinda cohesión a través de los pasos del ciclo de vida del proyecto de análisis e inteligencia artificial y proporciona una apariencia, una sensación y un enfoque consistentes a medida que los equipos avanzan a través de esos pasos. 

Al crear una estrategia de plataforma de IA moderna, es importante considerar el valor de una plataforma todo en uno para todo, desde la preparación de datos hasta el monitoreo de modelos de aprendizaje automático en producción. Comprar herramientas separadas para cada componente, por el contrario, puede ser un gran desafío ya que hay múltiples piezas del rompecabezas en diferentes áreas del ciclo de vida (ilustrado a continuación).

Para llegar a la etapa de transformación cultural a largo plazo a través de un programa de IA, es importante asegurarse de que TI participe desde el principio. Los administradores de TI son esenciales para una implementación eficaz y fluida de cualquier tecnología y, desde una perspectiva más filosófica, son fundamentales para inculcar una cultura de acceso a los datos equilibrada con la gobernanza y el control adecuados.

Sugerencia de IDC: “En lugar de implementar distintas soluciones para manejar pequeñas tareas, adopte el enfoque de plataforma para respaldar experiencias consistentes y estandarización. 

Mirando hacia el futuro

Escalar los esfuerzos de análisis e inteligencia artificial requiere una cantidad significativa de tiempo y recursos, por lo que lo último que quiere hacer es fallar. Sin embargo, al mismo tiempo, un poco de falla saludable durante la experimentación es valiosa, siempre que los equipos puedan fallar rápidamente e implementar sus aprendizajes. Deben asegurarse de centrarse en la mejora de las habilidades y la capacitación (es decir, involucrar cada vez más a los profesionales de negocios), democratizar las herramientas y tecnologías de IA y establecer las medidas de seguridad adecuadas para garantizar implementaciones de IA responsables.

Ir más allá para abordar el fracaso del proyecto de IA

En este visual interactivo, descubra las principales razones técnicas detrás del fracaso del proyecto de IA, así como recursos adicionales por razones comerciales que alimentan el fracaso del proyecto (y cómo Dataiku puede ayudar en el camino para ambos).

¿Por qué están fallando sus proyectos de IA? Explorar este micrositio interactivo para obtener más información.

Patrocinado por Dataiku.

Sello de tiempo:

Mas de El registro