3 دلیل رایج برای شکست پروژه های تجزیه و تحلیل و هوش مصنوعی

3 دلیل رایج برای شکست پروژه های تجزیه و تحلیل و هوش مصنوعی

تمبر زمانی: 16 اوت 2023، 9:32 صبح
3 common reasons for analytics & AI project failures PlatoBlockchain Data Intelligence. Vertical Search. Ai.

رپرتاژ آگهی با توجه به 2023 IDC InfoBrief تحت حمایت Dataiku - از داده های سازمانی خود ارزش تجاری بیشتری ایجاد کنید – «اگرچه پذیرش [AI] به سرعت در حال گسترش است، نرخ شکست پروژه همچنان بالاست. سازمان‌ها در سرتاسر جهان باید چشم‌انداز خود را برای مقابله با عوامل بازدارنده برای موفقیت، رها کردن قدرت هوش مصنوعی و پیشرفت در عصر دیجیتال ارزیابی کنند.»

یکی از مهم‌ترین راهکارها در مورد غلبه بر شکست پروژه‌های تحلیلی و هوش مصنوعی این است که هرگز فقط یک مجرم تکرار نمی‌شود – نقاط مختلفی از شکست پروژه هوش مصنوعی در تیم‌های تجاری و فنی وجود دارد. میکروسایت تعاملی بالا به صورت بصری رایج‌ترین نقاط شکست را در طول چرخه عمر پروژه هوش مصنوعی نشان می‌دهد و راه‌حل‌هایی را در مورد اینکه چگونه داده‌ها، تحلیل‌ها و رهبران فناوری اطلاعات می‌توانند به سرعت با Dataiku به آنها رسیدگی کنند به اشتراک می‌گذارد.

در طرف دیگر سکه، این مقاله به برخی از رایج ترین دلایلی که باعث شکست پروژه هوش مصنوعی می شود (و نکاتی برای پیمایش در آنها) می پردازد.

شکاف استعداد هوش مصنوعی (مردم!)

دو تا از بزرگ‌ترین مسدودکننده‌ها برای افزایش مقیاس هوش مصنوعی، استخدام افرادی با مهارت‌های تحلیلی و هوش مصنوعی و شناسایی موارد تجاری خوب هستند. متأسفانه، استخدام صدها یا هزاران دانشمند داده برای بیشتر سازمان‌ها واقع بینانه نیست و افرادی که می‌توانند به هر دو موضوع (آنهایی که مهارت‌های هوش مصنوعی و تجاری دارند) رسیدگی کنند، اغلب آنقدر نادر هستند که به آنها تک شاخ می‌گویند. 

برای رسیدگی به هر دوی این مسائل به طور همزمان، سازمان ها باید "تیم های تک شاخ بسازید، نه اینکه افراد تک شاخ را استخدام کنید." این بدان معناست که آنها باید تیم‌هایی متشکل از متخصصان داده و حوزه بسازند، در حالی که هدفشان این است مدل عملیاتی هوش مصنوعی خود را تکامل دهند (که به طور همزمان بلوغ هوش مصنوعی آنها را افزایش می دهد) در طول زمان. این کار می کند: 85٪ از شرکت هایی که با موفقیت مقیاس هوش مصنوعی را انجام داده اند از تیم های توسعه بین رشته ای استفاده می کنند. طبق بررسی هاروارد بیزینس ریویو.

نکته از IDC: «نقش دانشمندان داده در کنار کارکنان دانش و تخصص صنعت را در نظر بگیرید. توانمندسازی کارکنان دانش، زمان ارزش گذاری را تسریع می کند.»

فقدان حاکمیت و نظارت هوش مصنوعی (فرایندها!)

چیزی که تیم ها در این شرایط کلان اقتصادی نمی توانند از عهده آن برآیند، کاهش یا کاهش کامل بودجه های هوش مصنوعی است. ممکن است بپرسید چه چیزی منجر به این اتفاق می شود؟ زمان تلف شده برای ساخت و آزمایش مدل‌های یادگیری ماشینی، به حدی که هرگز آن را به تولید نمی‌رسانند تا ارزش واقعی و ملموس برای کسب‌وکار تولید کنند (مانند پول به دست آمده، پول پس‌انداز شده یا یک فرآیند جدید ایجاد شده که امروزه نمی‌توان انجام داد). ).

خبر خوب: استراتژی‌ها و بهترین شیوه‌های تجزیه و تحلیل وجود دارد و تیم‌های هوش مصنوعی می‌توانند برای ساده‌سازی و مقیاس‌بندی تلاش‌های هوش مصنوعی خود، مانند ایجاد استراتژی مدیریت هوش مصنوعی (شامل عناصر عملیاتی مانند MLOps و عناصر مبتنی بر ارزش مانند هوش مصنوعی مسئول).

خبر بد: اغلب، تیم‌ها یا این فرآیندها را قبل از استقرار راه‌اندازی نمی‌کنند (که می‌تواند به بسیاری از مسائل مرکب منجر شود) و راهی برای پیشبرد واضح پروژه‌های مناسب که ارزش تجاری ایجاد می‌کنند و منسوخ می‌شوند، ندارند. آنهایی که عملکرد ضعیفی دارند

AI Governance مدیریت مدل سرتاسری را در مقیاس ارائه می‌کند، با تمرکز بر تحویل ارزش با ریسک و کارایی در مقیاس‌بندی هوش مصنوعی، همه در راستای مقررات. تیم ها باید بین اثبات مفاهیم (POC)، ابتکارات داده های سلف سرویس، و محصولات داده صنعتی و همچنین نیازهای حاکمیتی پیرامون هر یک تمایز قائل شوند. باید فضا برای اکتشاف و آزمایش در نظر گرفته شود، اما تیم ها همچنین باید تصمیمات روشنی در مورد اینکه چه زمانی پروژه های سلف سرویس یا POC باید بودجه، آزمایش و اطمینان برای تبدیل شدن به یک راه حل صنعتی و عملیاتی را داشته باشند، اتخاذ کنند.

نکته از IDC: «سیاست‌های روشنی برای حفظ حریم خصوصی داده‌ها، حقوق تصمیم‌گیری، مسئولیت‌پذیری و شفافیت ایجاد کنید. مدیریت و حاکمیت ریسک فعال و مستمر را به طور مشترک توسط فناوری اطلاعات و کسانی که در کسب و کار و انطباق فعالیت می کنند انجام دهید.» 

عدم استفاده از طرز فکر پلت فرم (فناوری!)

چگونه تیم‌ها می‌توانند فناوری‌ها و فرآیندهای مناسب را برای فعال کردن استفاده از هوش مصنوعی در مقیاس مشخص کنند؟

یک پلت فرم سرتاسر (مانند داتيكو) انسجام را در مراحل چرخه عمر پروژه تجزیه و تحلیل و هوش مصنوعی به ارمغان می آورد و نگاه، احساس و رویکرد ثابتی را در حالی که تیم ها در این مراحل طی می کنند ارائه می دهد. 

هنگام ساخت یک استراتژی پلتفرم هوش مصنوعی مدرن، مهم است که ارزش یک پلت فرم همه کاره را برای همه چیز از آماده سازی داده گرفته تا نظارت بر مدل های یادگیری ماشین در تولید در نظر بگیرید. برعکس، خرید ابزار جداگانه برای هر جزء می تواند بسیار چالش برانگیز باشد زیرا چندین قطعه از پازل در مناطق مختلف چرخه حیات وجود دارد (تصویر زیر).

برای رسیدن به مرحله تحول فرهنگی طولانی مدت از طریق برنامه هوش مصنوعی، مهم است که مطمئن شوید که فناوری اطلاعات از همان ابتدا درگیر است. مدیران فناوری اطلاعات برای عرضه مؤثر و روان هر فناوری ضروری هستند و - از منظر فلسفی تر - برای القای فرهنگ دسترسی به داده های متعادل با حاکمیت و کنترل مناسب حیاتی هستند.

نکته از IDC: «به‌جای اجرای راه‌حل‌های متمایز برای رسیدگی به وظایف کوچک، رویکرد پلتفرم را برای پشتیبانی از تجارب و استانداردسازی ثابت بپذیرید. 

با نگاه به آینده

تجزیه و تحلیل مقیاس و تلاش های هوش مصنوعی زمان و منابع قابل توجهی را می طلبد، بنابراین آخرین کاری که می خواهید انجام دهید شکست است. در عین حال، کمی شکست سالم در طول آزمایش ارزشمند است، تا زمانی که تیم ها بتوانند سریع شکست بخورند و آموخته های خود را اجرا کنند. آن‌ها باید مطمئن باشند که بر ارتقای مهارت و آموزش تمرکز کنند (یعنی مشارکت بیشتر و بیشتر متخصصان کسب‌وکار)، ابزارها و فن‌آوری‌های هوش مصنوعی را مردمی‌سازی کنند، و نرده‌های محافظ مناسب را برای اطمینان از استقرار هوش مصنوعی مسئولانه در محل قرار دهند.

به بررسی شکست پروژه هوش مصنوعی ادامه دهید

در این تصویر تعاملی، دلایل فنی اصلی شکست پروژه هوش مصنوعی و همچنین منابع اضافی به دلایل تجاری که باعث شکست پروژه می‌شوند را کشف کنید (و اینکه چگونه Dataiku می‌تواند در این مسیر به هر دو کمک کند).

چرا پروژه های هوش مصنوعی شما شکست می خورند؟ کاوش کنید این میکروسایت تعاملی برای کسب اطلاعات بیشتر.

حمایت شده توسط Dataiku.

تمبر زمان:

بیشتر از ثبت نام