3 alasan umum kegagalan proyek analitik & AI

3 alasan umum kegagalan proyek analitik & AI

Stempel Waktu: 16 Agustus 2023 9
3 alasan umum kegagalan proyek analitik & AI PlatoBlockchain Data Intelligence. Pencarian Vertikal. Ai.

iklan Menurut 2023 InfoBrief IDC yang disponsori Dataiku – Ciptakan Lebih Banyak Nilai Bisnis Dari Data Organisasi Anda – “Meskipun adopsi [AI] berkembang pesat, tingkat kegagalan proyek tetap tinggi. Organisasi di seluruh dunia harus mengevaluasi visi mereka untuk mengatasi penghambat kesuksesan, melepaskan kekuatan AI, dan berkembang di era digital.”

Salah satu kesimpulan terpenting dalam mengatasi analitik dan kegagalan proyek AI adalah bahwa tidak pernah hanya ada satu pelanggar berulang — ada berbagai titik kegagalan proyek AI di tim bisnis dan teknis. Situs mikro interaktif di atas secara visual menampilkan titik kegagalan paling umum di seluruh siklus hidup proyek AI dan berbagi solusi tentang bagaimana data, analitik, dan pemimpin TI dapat dengan cepat mengatasinya dengan Dataiku.

Di sisi lain, artikel ini akan membahas beberapa alasan paling umum yang memicu kegagalan proyek AI (dan tip untuk menavigasinya).

Kesenjangan bakat AI (orang!)

Dua pemblokir teratas untuk penskalaan AI mempekerjakan orang dengan keterampilan analitik dan AI dan mengidentifikasi kasus bisnis yang baik. Sayangnya, mempekerjakan ratusan atau ribuan ilmuwan data tidak realistis bagi sebagian besar organisasi dan orang-orang yang dapat mengatasi kedua masalah tersebut (mereka yang memiliki AI dan keterampilan bisnis) seringkali sangat langka sehingga disebut unicorn. 

Untuk benar-benar mengatasi kedua masalah ini sekaligus, organisasi harus melakukannya "membangun tim unicorn, bukan mempekerjakan orang unicorn." Ini berarti mereka harus membangun tim yang terdiri dari pakar data dan domain, sekaligus bertujuan untuk itu mengembangkan model operasi AI mereka (yang secara bersamaan akan meningkatkan kematangan AI mereka) dari waktu ke waktu. Ini berhasil: 85% perusahaan yang telah berhasil meningkatkan AI menggunakan tim pengembangan interdisipliner, menurut Tinjauan Bisnis Harvard.

Tip Dari IDC: “Pertimbangkan peran ilmuwan data bersama dengan pekerja pengetahuan dan keahlian industri. Memberdayakan pekerja pengetahuan akan mempercepat waktu untuk menghargai.”

Kurangnya tata kelola dan pengawasan AI (proses!)

Apa yang tidak mampu dilakukan tim dalam iklim ekonomi makro ini adalah anggaran AI dikurangi atau dipotong seluruhnya. Apa yang akan menyebabkan hal ini terjadi, Anda mungkin bertanya? Waktu yang terbuang untuk membangun dan menguji model pembelajaran mesin, sedemikian rupa sehingga mereka tidak pernah membuatnya menjadi produksi untuk mulai menghasilkan nilai bisnis yang nyata dan nyata (seperti uang yang dihasilkan, uang yang dihemat, atau proses baru yang dibuat yang tidak dapat dilakukan hari ini ).

Kabar baiknya: Ada strategi dan analitik praktik terbaik dan tim AI dapat menerapkan untuk merampingkan dan menskalakan upaya AI mereka dengan aman, seperti menetapkan strategi Tata Kelola AI (termasuk elemen operasional seperti MLOps dan elemen berbasis nilai seperti AI yang Bertanggung Jawab).

Kabar buruknya: Sering kali, tim tidak menyiapkan proses ini sebelum penerapan (yang dapat menyebabkan banyak masalah yang bertambah) dan tidak memiliki cara untuk bergerak maju dengan jelas dengan proyek yang tepat yang menghasilkan nilai bisnis dan tidak lagi digunakan yang berkinerja buruk.

Tata Kelola AI memberikan manajemen model end-to-end dalam skala besar, dengan fokus pada pemberian nilai yang disesuaikan dengan risiko dan efisiensi dalam penskalaan AI, semuanya selaras dengan peraturan. Tim perlu membedakan antara bukti konsep (POC), inisiatif data swalayan, dan produk data industri, serta kebutuhan tata kelola di sekitar masing-masing. Ruang perlu diberikan untuk eksplorasi dan eksperimen, tetapi tim juga perlu membuat keputusan yang jelas tentang kapan proyek swalayan atau POC harus memiliki pendanaan, pengujian, dan jaminan untuk menjadi solusi yang dioperasionalkan dan diindustrialisasi.

Kiat Dari IDC: “Tetapkan kebijakan yang jelas untuk privasi data, hak keputusan, akuntabilitas, dan transparansi. Memiliki manajemen risiko dan tata kelola yang proaktif dan berkelanjutan yang dilakukan bersama oleh TI dan mereka yang berada dalam bisnis dan kepatuhan.” 

Tidak mengambil pola pikir platform (teknologi!)

Bagaimana tim dapat menentukan teknologi dan proses yang tepat untuk memungkinkan penggunaan AI dalam skala besar?

Platform end-to-end (seperti Dataku) menghadirkan kohesi di seluruh langkah siklus hidup proyek analitik dan AI serta memberikan tampilan, nuansa, dan pendekatan yang konsisten saat tim bergerak melalui langkah-langkah tersebut. 

Saat membangun strategi platform AI modern, penting untuk mempertimbangkan nilai platform all-in-one untuk segala hal mulai dari persiapan data hingga pemantauan model pembelajaran mesin dalam produksi. Membeli alat terpisah untuk setiap komponen, sebaliknya, bisa sangat menantang karena ada banyak potongan teka-teki di berbagai area siklus hidup (diilustrasikan di bawah).

Untuk mencapai tahap transformasi budaya jangka panjang melalui program AI, penting untuk memastikan bahwa TI terlibat sejak awal. Manajer TI sangat penting untuk peluncuran teknologi apa pun yang efektif dan lancar dan — dari perspektif yang lebih filosofis — sangat penting untuk menanamkan budaya akses ke data yang seimbang dengan tata kelola dan kontrol yang tepat.

Kiat dari IDC: “Alih-alih menerapkan solusi berbeda untuk menangani tugas-tugas kecil, gunakan pendekatan platform untuk mendukung pengalaman dan standardisasi yang konsisten. 

Melihat ke depan

Menskalakan analitik dan upaya AI membutuhkan banyak waktu dan sumber daya, jadi hal terakhir yang ingin Anda lakukan adalah gagal. Namun pada saat yang sama, sedikit kegagalan yang sehat selama eksperimen sangat berharga, selama tim dapat gagal dengan cepat dan menerapkan pembelajaran mereka. Mereka harus memastikan untuk fokus pada peningkatan keterampilan dan pelatihan (yaitu, semakin melibatkan praktisi bisnis), mendemokratisasi alat dan teknologi AI, dan menempatkan pagar pembatas yang tepat untuk memastikan penerapan AI yang bertanggung jawab.

Melangkah lebih jauh dalam mengatasi kegagalan proyek AI

Dalam visual interaktif ini, temukan alasan teknis teratas di balik kegagalan proyek AI serta sumber daya tambahan untuk alasan bisnis yang memicu kegagalan proyek (dan bagaimana Dataiku dapat membantu keduanya).

Mengapa proyek AI Anda gagal? Mengeksplorasi situs mikro interaktif ini untuk mempelajari lebih lanjut.

Disponsori oleh Dataiku.

Stempel Waktu:

Lebih dari Pendaftaran