Az analitika és az AI-projektek kudarcainak 3 gyakori oka

Az analitika és az AI-projektek kudarcainak 3 gyakori oka

Időbélyeg: 16. augusztus 2023. 9:32
3 common reasons for analytics & AI project failures PlatoBlockchain Data Intelligence. Vertical Search. Ai.

Reklámfilmek Az 2023 szerint A Dataiku által szponzorált IDC InfoBrief – Hozzon létre több üzleti értéket szervezeti adataiból – „Bár az [AI] alkalmazása gyorsan terjed, a projektek meghiúsulási aránya továbbra is magas. A szervezeteknek világszerte értékelniük kell elképzeléseiket, hogy megbirkózzanak a sikert gátló tényezőkkel, felszabadítsák a mesterséges intelligencia erejét, és boldoguljanak a digitális korszakban.”

Az analitika és az AI-projektek kudarcainak leküzdésében az egyik legfontosabb kitétel az, hogy soha nem csak egy ismétlődő szabálysértő – az AI-projekt kudarcainak számos pontja van mind az üzleti, mind a műszaki csapatok között. A fenti interaktív mikrowebhely vizuálisan megjeleníti a leggyakoribb hibapontokat az AI-projekt életciklusa során, és megosztja a megoldásokat arra vonatkozóan, hogy az adatok, az elemzések és az IT-vezetők hogyan tudják gyorsan kezelni ezeket a Dataiku segítségével.

Az érem másik oldalán ez a cikk a mesterséges intelligencia-projekt kudarcát okozó leggyakoribb okok némelyikével foglalkozik (és tippekkel a navigáláshoz).

Az AI tehetségszakadéka (emberek!)

A mesterséges intelligencia skálázásának két leghatékonyabb blokkolója az analitikai és mesterséges intelligencia készségekkel rendelkező emberek felvétele, valamint a jó üzleti esetek azonosítása. Sajnos a legtöbb szervezet számára nem reális adattudósok százait vagy ezreit felvenni, és azok az emberek, akik mindkét problémát meg tudják oldani (a mesterséges intelligencia és az üzleti ismeretekkel rendelkezők), gyakran olyan ritkák, hogy unikornisoknak hívják őket. 

Ahhoz, hogy mindkét kérdést egyszerre kezeljék, a szervezeteknek foglalkozniuk kell „Unikornis csapatokat építsünk, ne unikornis embereket alkalmazzanak.” Ez azt jelenti, hogy adat- és tartományszakértőkből álló csapatokat kell felépíteniük, miközben arra is törekednek fejlesztik a mesterséges intelligencia működési modelljét (ami egyben növeli a mesterséges intelligencia érettségét) idővel. Ez működik: a mesterséges intelligenciát sikeresen skálázó vállalatok 85%-a interdiszciplináris fejlesztőcsapatokat használ, a Harvard Business Review szerint.

Tipp az IDC-től: „Fontoljuk meg az adattudósok szerepét a tudásmunkások és az iparági szakértelem mellett. A tudással dolgozó munkavállalók felhatalmazása felgyorsítja az értékteremtés idejét.”

A mesterséges intelligencia irányításának és felügyeletének hiánya (folyamatok!)

Ebben a makrogazdasági környezetben a csapatok nem engedhetik meg maguknak, hogy a mesterséges intelligencia költségvetését csökkentsék vagy teljesen levágják. Mi vezethet ehhez, kérdezheti? Elpazarolt idő a gépi tanulási modellek építésére és tesztelésére, olyannyira, hogy soha nem kezdik meg a termelést, hogy valódi, kézzelfogható értéket termeljenek a vállalkozás számára (például pénzt, megtakarított pénzt vagy egy új folyamatot, amelyet ma már nem lehetne megvalósítani) ).

A jó hír: Vannak stratégiák és bevált gyakorlatok elemzése, és az AI-csapatok bevezethetik mesterséges intelligencia-erõfeszítéseik biztonságos racionalizálását és méretezését, mint pl. mesterséges intelligencia-irányítási stratégia kialakítása (beleértve a működési elemeket, például az MLOp-okat és az értékalapú elemeket, például a felelős AI-t).

A rossz hír: a csapatok gyakran vagy nem állítják be ezeket a folyamatokat a telepítés előtt (ami sok összetett problémához vezethet), és nincs módjuk egyértelműen előrelépni a megfelelő projektekkel, amelyek üzleti értéket generálnak és elavulnak. az alulteljesítőket.

Az AI Governance teljes körű modellkezelést biztosít a méretekben, a kockázathoz igazított értékszolgáltatásra és az AI-skálázás hatékonyságára összpontosítva, mindezt a szabályozással összhangban. A csapatoknak különbséget kell tenniük a proof-of-koncepciók (POC), az önkiszolgáló adatkezdeményezések és az iparosított adattermékek, valamint az ezeket körülvevő irányítási igények között. Teret kell adni a feltárásnak és a kísérletezésnek, de a csapatoknak világos döntéseket kell hozniuk arról is, hogy az önkiszolgáló projekteknek vagy POC-knak mikor kell rendelkezniük a finanszírozással, a teszteléssel és a biztosítékkal ahhoz, hogy iparosodott, működőképes megoldássá váljanak.

Tipp az IDC-től: „Állítson fel egyértelmű irányelveket az adatvédelemre, a döntési jogokra, az elszámoltathatóságra és az átláthatóságra vonatkozóan. A proaktív és folyamatos kockázatkezelést és irányítást az IT és az üzleti életben és a megfelelésben részt vevők közösen végezzék.” 

Nem fogad el platformszemléletet (technológiát!)

Hogyan határozhatják meg a csapatok a megfelelő technológiákat és folyamatokat, amelyek lehetővé teszik a mesterséges intelligencia széles körű használatát?

Egy végponttól végpontig terjedő platform (pl Dataiku) kohéziót hoz az analitika és az AI projekt életciklusának lépései között, és egységes megjelenést, érzést és megközelítést biztosít, ahogy a csapatok áthaladnak ezeken a lépéseken. 

A modern mesterséges intelligencia platformstratégia kidolgozásakor fontos figyelembe venni a mindent az egyben platform értékét az adatok előkészítésétől a gépi tanulási modellek termelésben történő nyomon követéséig. Az egyes összetevőkhöz külön eszközök vásárlása viszont óriási kihívást jelenthet, mivel a kirakós játéknak több darabja van az életciklus különböző területein (lásd alább).

Ahhoz, hogy egy mesterségesintelligencia-programon keresztül a hosszú távú kulturális átalakulás szakaszába jussunk, fontos, hogy az informatika a kezdetektől fogva részt vegyen. Az IT-menedzserek nélkülözhetetlenek bármely technológia hatékony, zökkenőmentes bevezetéséhez, és – filozófiaibb szemszögből – kritikus szerepük van az adatokhoz való hozzáférés kultúrájának kialakításában, amely egyensúlyban van a megfelelő irányítással és ellenőrzéssel.

Tipp az IDC-től: „Ahelyett, hogy különálló megoldásokat vezetne be a kis feladatok kezelésére, használja a platform megközelítést a következetes tapasztalatok és szabványosítás támogatására. 

Előretekintés

A méretezési elemzések és a mesterséges intelligencia erőfeszítései jelentős mennyiségű időt és erőforrást igényelnek, így az utolsó dolog, amit tenni akar, az a kudarc. Ugyanakkor egy kis egészséges kudarc a kísérletezés során értékes, mindaddig, amíg a csapatok gyorsan kudarcot vallanak, és megvalósítják a tanultakat. Feltétlenül a továbbképzésre és a képzésre kell összpontosítaniuk (azaz az üzleti szakemberek egyre nagyobb bevonására), demokratizálniuk kell az AI-eszközöket és -technológiákat, és megfelelő védőkorlátokat kell kialakítaniuk a felelős mesterségesintelligencia-telepítések biztosításához.

Folytassa az AI-projekt kudarcának kezelésével

Ebben az interaktív képanyagban fedezze fel a mesterséges intelligencia-projektek sikertelensége mögött meghúzódó legfontosabb technikai okokat, valamint a projekt kudarcát előidéző ​​üzleti okokból származó további erőforrásokat (és azt, hogy a Dataiku hogyan segíthet mindkettőben).

Miért buknak meg az AI-projektjei? Fedezd fel ez az interaktív mikrooldal és tudjon meg többet!

A Dataiku szponzora.

Időbélyeg:

Még több A regisztráció