3 yleistä syytä analytiikka- ja tekoälyprojektien epäonnistumiseen

3 yleistä syytä analytiikka- ja tekoälyprojektien epäonnistumiseen

Aikaleima: 16. elokuuta 2023 9
3 yleistä syytä analytiikka- ja tekoälyprojektien epäonnistumiseen PlatoBlockchain Data Intelligence. Pystysuuntainen haku. Ai.

puffi 2023in mukaan Dataikun tukema IDC InfoBrief – Luo lisää liiketoiminta-arvoa organisaatiotiedoistasi – ”Vaikka [AI]:n käyttöönotto laajenee nopeasti, projektien epäonnistumisprosentti on edelleen korkea. Organisaatioiden on maailmanlaajuisesti arvioitava näkemyksensä puuttuakseen menestyksen estäjiin, vapauttaakseen tekoälyn voimat ja menestyäkseen digitaalisella aikakaudella."

Yksi tärkeimmistä huomioista analytiikan ja tekoälyprojektin epäonnistumisen voittamisessa on se, että koskaan ei ole vain yksi toistuva tekijä – tekoälyprojektien epäonnistumiseen liittyy useita kohtia sekä liike- että teknisissä tiimeissä. Yllä oleva interaktiivinen mikrosivusto näyttää visuaalisesti yleisimmät vikakohdat tekoälyprojektin elinkaaren aikana ja jakaa ratkaisuja siihen, kuinka data-, analytiikka- ja IT-johtajat voivat korjata ne nopeasti Dataikun avulla.

Kolikon toisella puolella tämä artikkeli käsittelee joitain yleisimmistä syistä, jotka aiheuttavat tekoälyprojektin epäonnistumista (ja vinkkejä niiden navigoimiseen).

Tekoälykyvyn kuilu (ihmiset!)

Kaksi parasta tekoälyn skaalauksen estäjää ovat analytiikan ja tekoälytaitojen omaavien ihmisten palkkaaminen ja hyvien liiketoimintatapausten tunnistaminen. Valitettavasti satojen tai tuhansien tietotieteilijöiden palkkaaminen ei ole realistista useimmille organisaatioille, ja ihmiset, jotka pystyvät käsittelemään molempia ongelmia (ne, joilla on tekoäly- ja liiketoimintataitoja), ovat usein niin harvinaisia, että heitä kutsutaan yksisarvisiksi. 

Organisaatioiden pitäisi todella käsitellä näitä molempia asioita kerralla "rakenna yksisarvistiimejä, älä palkkaa yksisarvisia ihmisiä." Tämä tarkoittaa, että heidän tulisi rakentaa tiimejä, jotka koostuvat sekä data- että toimialueen asiantuntijoista, mutta samalla pyrittävä siihen kehittää tekoälyn toimintamalliaan (joka samalla lisää heidän tekoälyn kypsyyttä) ajan myötä. Tämä toimii: 85 % yrityksistä, jotka ovat onnistuneet skaalaamaan tekoälyn, käyttää monitieteisiä kehitystiimejä, Harvard Business Reviewin mukaan.

Vinkki IDC:ltä: "Ajattele datatieteilijöiden roolia tietotyöntekijöiden ja alan asiantuntemuksen ohella. Tietotyöntekijöiden voimaannuttaminen nopeuttaa arvostamisen aikaa."

Tekoälyn hallinnan ja valvonnan puute (prosessit!)

Mihin tiimillä ei ole varaa tässä makrotaloudellisessa ilmapiirissä, on tekoälybudjettien pienentäminen tai leikkaus kokonaan. Mikä johtaisi tähän, saatat kysyä? Aikaa haaskattu koneoppimismallien rakentamiseen ja testaamiseen niin paljon, etteivät ne koskaan pääse tuotantoon alkaakseen tuottaa yritykselle todellista, konkreettista lisäarvoa (kuten ansaittua rahaa, säästettyä rahaa tai uutta prosessia, jota ei voida tehdä tänään ).

Hyvä uutinen: On olemassa strategioita ja parhaiden käytäntöjen analytiikkaa, ja tekoälytiimit voivat ottaa käyttöön tekoälytyönsä turvallisesti virtaviivaistamiseksi ja skaalaamiseksi, kuten esim. tekoälyn hallintostrategian luominen (mukaan lukien toiminnalliset elementit, kuten MLOps ja arvopohjaiset elementit, kuten Responsible AI).

Huono uutinen: Usein tiimeillä ei ole joko määritetty näitä prosesseja ennen käyttöönottoa (mikä voi johtaa moniin monimutkaisiin ongelmiin), eikä heillä ole tapaa edetä selkeästi oikeissa projekteissa, jotka luovat liikearvoa ja poistavat käytöstä. heikosti suoriutuneita.

AI Governance tarjoaa kokonaisvaltaista mallinhallintaa mittakaavassa keskittyen riskisopeutettuun arvon tuottamiseen ja tekoälyn skaalauksen tehokkuuteen, kaikki säädösten mukaisesti. Tiimien on tehtävä ero käsitteiden todisteiden (POC), itsepalvelutietoaloitteiden ja teollistuneiden tietotuotteiden välillä sekä niitä koskevien hallintotarpeiden välillä. Tilaa on annettava tutkimiselle ja kokeilulle, mutta tiimien on myös tehtävä selkeät päätökset siitä, milloin itsepalveluprojekteilla tai POC-projekteilla tulisi olla rahoitus, testaus ja varmuus, jotta niistä tulee teollistunut, toiminnallinen ratkaisu.

IDC:n vinkki: "Luo selkeät käytännöt tietosuojaa, päätösoikeuksia, vastuullisuutta ja avoimuutta varten. Anna IT:n ja liike-elämän ja vaatimustenmukaisuuden alan toimijoiden tehdä ennakoivaa ja jatkuvaa riskienhallintaa ja hallintoa yhdessä." 

Ei ota foorumiajattelutapaa (tekniikka!)

Kuinka tiimit voivat paikantaa oikeat tekniikat ja prosessit mahdollistaakseen tekoälyn laajamittaisen käytön?

Päästä päähän -alusta (kuten Dataiku) tuo yhteenkuuluvuutta analytiikan ja tekoälyprojektin elinkaaren vaiheissa ja tarjoaa yhtenäisen ilmeen, tuntuman ja lähestymistavan, kun tiimit etenevät näiden vaiheiden läpi. 

Kun rakennetaan modernia tekoälystrategiaa, on tärkeää ottaa huomioon all-in-one-alustan arvo kaikessa datan valmistelusta koneoppimismallien seurantaan tuotannossa. Erillisten työkalujen ostaminen kullekin komponentille voi päinvastoin olla äärimmäisen haastavaa, koska palapelissä on useita osia elinkaaren eri alueilla (kuvitettu alla).

Jotta AI-ohjelman kautta päästään pitkän aikavälin kulttuurimuutoksen vaiheeseen, on tärkeää varmistaa, että IT on mukana alusta alkaen. IT-päälliköt ovat välttämättömiä minkä tahansa tekniikan tehokkaalle ja sujuvalle käyttöönotolle, ja – filosofisemmasta näkökulmasta katsottuna – he ovat ratkaisevan tärkeitä sellaisen tiedonsaantikulttuurin juurruttamiseksi, joka on tasapainossa asianmukaisen hallinnon ja valvonnan kanssa.

Vinkki IDC:ltä: ”Sen sijaan, että ottaisit käyttöön erillisiä ratkaisuja pienten tehtävien hoitamiseen, omaksu alustalähestymistapa, joka tukee johdonmukaisia ​​kokemuksia ja standardointia. 

Katse eteenpäin

Skaalausanalytiikan ja tekoälyn ponnistelut vievät huomattavan määrän aikaa ja resursseja, joten viimeinen asia, jonka haluat tehdä, on epäonnistua. Samalla kuitenkin pieni terve epäonnistuminen kokeilun aikana on arvokasta, kunhan tiimit voivat epäonnistua nopeasti ja toteuttaa oppimaansa. Heidän tulee varmasti keskittyä osaamisen parantamiseen ja koulutukseen (eli yrittäjien saamiseen yhä enemmän mukaan), demokratisoida tekoälytyökalut ja -teknologiat sekä asettaa oikeat suojakaiteet varmistaakseen vastuullisen tekoälyn käyttöönoton.

Jatka tekoälyprojektin epäonnistumisen käsittelemistä

Tässä interaktiivisessa visualisoinnissa löydät tärkeimmät tekniset syyt tekoälyprojektien epäonnistumiseen sekä lisäresursseja liiketoimintasyistä, jotka ruokkivat projektin epäonnistumista (ja kuinka Dataiku voi auttaa molemmissa).

Miksi tekoälyprojektisi epäonnistuvat? Tutkia tämä interaktiivinen mikrosivusto lisätietoja.

Sponsorina Dataiku.

Aikaleima:

Lisää aiheesta Rekisteri