3 motivi comuni per i fallimenti dei progetti di analisi e intelligenza artificiale

3 motivi comuni per i fallimenti dei progetti di analisi e intelligenza artificiale

Timestamp: 16 agosto 2023 9:32
3 ragioni comuni per il fallimento dei progetti di analisi e intelligenza artificiale PlatoBlockchain Data Intelligence. Ricerca verticale. Ai.

Redazionale Secondo 2023 InfoBrief IDC sponsorizzato da Dataiku: crea più valore aziendale dai tuoi dati organizzativi – “Sebbene l'adozione di [AI] sia in rapida espansione, i tassi di fallimento dei progetti rimangono elevati. Le organizzazioni di tutto il mondo devono valutare la loro visione per affrontare gli ostacoli al successo, liberare il potere dell'intelligenza artificiale e prosperare nell'era digitale".

Uno degli aspetti più importanti quando si tratta di superare l'analisi e il fallimento del progetto di intelligenza artificiale è che non c'è mai un solo recidivo: ci sono vari punti di fallimento del progetto di intelligenza artificiale sia nei team aziendali che in quelli tecnici. Il microsito interattivo sopra mostra visivamente i punti di errore più comuni durante il ciclo di vita del progetto AI e condivide soluzioni su come i leader di dati, analisi e IT possono affrontarli rapidamente con Dataiku.

Dall'altro lato della medaglia, questo articolo affronterà alcuni dei motivi più comuni che alimentano il fallimento dei progetti di intelligenza artificiale (e suggerimenti per affrontarli).

Il divario di talenti dell'IA (persone!)

Due dei principali ostacoli al ridimensionamento dell'IA sono l'assunzione di persone con competenze di analisi e intelligenza artificiale e l'identificazione di buoni casi aziendali. Sfortunatamente, l'assunzione di centinaia o migliaia di data scientist non è realistica per la maggior parte delle organizzazioni e le persone in grado di affrontare entrambi i problemi (quelle con capacità di intelligenza artificiale e di business) sono spesso così rare da essere chiamate unicorni. 

Per affrontare effettivamente entrambi questi problemi contemporaneamente, quindi, le organizzazioni dovrebbero "costruisci squadre di unicorni, non assumere persone di unicorni". Ciò significa che dovrebbero creare team composti sia da esperti di dati che di dominio, mirando anche a farlo evolvere il loro modello operativo AI (che aumenterà contemporaneamente la loro maturità IA) nel tempo. Funziona: l'85% delle aziende che hanno scalato con successo l'IA utilizza team di sviluppo interdisciplinari, secondo l'Harvard Business Review.

Consiglio di IDC: “Considera il ruolo dei data scientist insieme ai knowledge worker e alle competenze del settore. L'empowerment dei lavoratori della conoscenza accelererà il time-to-value".

Mancanza di governance e supervisione dell'IA (processi!)

Ciò che il team non può permettersi in questo clima macroeconomico è che i budget dell'IA vengano ridotti o tagliati del tutto. Cosa porterebbe a questo, potresti chiedere? Tempo sprecato a costruire e testare modelli di machine learning, tanto che non entrano mai in produzione per iniziare a generare valore reale e tangibile per l'azienda (come denaro guadagnato, denaro risparmiato o un nuovo processo stabilito che non potrebbe essere fatto oggi ).

La buona notizia: ci sono strategie e best practice che i team di analisi e intelligenza artificiale possono implementare per semplificare e ridimensionare in modo sicuro i loro sforzi di intelligenza artificiale, come stabilire una strategia di governance dell'IA (inclusi elementi operativi come MLOps ed elementi basati sul valore come Responsible AI).

La cattiva notizia: spesso, i team non hanno impostato questi processi prima della distribuzione (il che può portare a molti problemi di composizione) e non hanno un modo per andare avanti chiaramente con i progetti giusti che generano valore aziendale e deprecano quelli poco performanti.

AI Governance offre una gestione del modello end-to-end su larga scala, con particolare attenzione alla fornitura di valore aggiustato per il rischio e all'efficienza nel ridimensionamento dell'IA, il tutto in linea con le normative. I team devono fare distinzioni tra proof of concept (POC), iniziative di dati self-service e prodotti di dati industrializzati, nonché le esigenze di governance che li circondano. È necessario dare spazio all'esplorazione e alla sperimentazione, ma i team devono anche prendere decisioni chiare su quando i progetti self-service o POC dovrebbero avere i finanziamenti, i test e la garanzia per diventare una soluzione industrializzata e operativa.

Suggerimento da IDC: “Stabilire politiche chiare per la privacy dei dati, i diritti decisionali, la responsabilità e la trasparenza. Avere una gestione e una governance del rischio proattive e continue eseguite congiuntamente dall'IT e da coloro che si occupano di business e conformità. 

Non adottare una mentalità da piattaforma (tecnologia!)

In che modo i team possono individuare le tecnologie e i processi giusti per consentire l'uso dell'IA su larga scala?

Una piattaforma end-to-end (come Dataik) porta coesione attraverso le fasi del ciclo di vita del progetto di analisi e intelligenza artificiale e fornisce un aspetto, una sensazione e un approccio coerenti mentre i team si muovono attraverso queste fasi. 

Quando si crea una moderna strategia per una piattaforma di intelligenza artificiale, è importante considerare il valore di una piattaforma all-in-one per tutto, dalla preparazione dei dati al monitoraggio dei modelli di machine learning in produzione. L'acquisto di strumenti separati per ciascun componente, al contrario, può essere estremamente impegnativo in quanto vi sono più pezzi del puzzle in diverse aree del ciclo di vita (illustrato di seguito).

Per arrivare alla fase della trasformazione culturale a lungo termine tramite un programma di intelligenza artificiale, è importante essere sicuri che l'IT sia coinvolto fin dall'inizio. I responsabili IT sono essenziali per un'implementazione efficace e senza intoppi di qualsiasi tecnologia e, da una prospettiva più filosofica, sono fondamentali per instillare una cultura dell'accesso ai dati equilibrata con governance e controllo adeguati.

Suggerimento di IDC: "Invece di implementare soluzioni distinte per gestire piccole attività, adotta l'approccio della piattaforma per supportare esperienze coerenti e standardizzazione. 

Guardando al futuro

Il ridimensionamento degli sforzi di analisi e intelligenza artificiale richiede una notevole quantità di tempo e risorse, quindi l'ultima cosa che vuoi fare è fallire. Allo stesso tempo, però, un po' di sano fallimento durante la sperimentazione è prezioso, a patto che i team possano fallire velocemente e implementare ciò che hanno appreso. Dovrebbero assicurarsi di concentrarsi sul miglioramento delle competenze e sulla formazione (vale a dire, coinvolgere sempre di più i professionisti del settore), democratizzare gli strumenti e le tecnologie dell'IA e mettere in atto i giusti parapetti per garantire un'implementazione responsabile dell'IA.

Andare oltre nell'affrontare il fallimento del progetto AI

In questa visuale interattiva, scopri i principali motivi tecnici alla base del fallimento del progetto AI, nonché risorse aggiuntive per motivi aziendali che alimentano il fallimento del progetto (e come Dataiku può aiutare lungo il percorso per entrambi).

Perché i tuoi progetti di intelligenza artificiale stanno fallendo? Esplorare questo microsito interattivo per saperne di più.

Sponsorizzato da Dataiku.

Timestamp:

Di più da Il registro