3 סיבות נפוצות לכשלים בפרויקטים בניתוח ובינה מלאכותית

advertorial על פי ה- 2023 IDC InfoBrief בחסות Dataiku - צור ערך עסקי נוסף מהנתונים הארגוניים שלך – "למרות שהאימוץ של [AI] הולך ומתרחב במהירות, שיעורי הכישלון בפרויקט נותרו גבוהים. ארגונים ברחבי העולם חייבים להעריך את החזון שלהם להתמודד עם המעכבים להצלחה, לשחרר את הכוח של AI ולשגשג בעידן הדיגיטלי."

אחת הדרכים החשובות ביותר בכל הנוגע להתגברות על ניתוחים וכישלון פרויקט AI היא שלעולם אין רק עבריין אחד חוזר - ישנן נקודות שונות של כישלון פרויקט AI בצוותים עסקיים וטכניים כאחד. המיקרו-אתר האינטראקטיבי שלמעלה מציג חזותית את נקודות הכשל הנפוצות ביותר לאורך מחזור החיים של פרויקט הבינה המלאכותית ומשתף פתרונות כיצד נתונים, ניתוחים ומנהיגי IT יכולים לטפל בהן במהירות באמצעות Dataiku.

בצד השני של המטבע, מאמר זה יעסוק בכמה מהסיבות הנפוצות ביותר לדלקת כשל בפרויקט AI (וטיפים לניווט בהן).

פער הכישרונות בינה מלאכותית (אנשים!)

שניים מהחוסמים המובילים להגדלת קנה המידה של AI הם העסקת אנשים עם כישורי ניתוח ו-AI וזיהוי מקרים עסקיים טובים. למרבה הצער, העסקת מאות או אלפי מדעני נתונים אינה ריאלית עבור רוב הארגונים והאנשים שיכולים לטפל בשני הנושאים (אלה עם AI וכישורים עסקיים) לעתים קרובות כל כך נדירים עד שהם נקראים חדי קרן. 

כדי למעשה לטפל בשני הנושאים הללו בבת אחת, אם כן, ארגונים צריכים "בנה צוותי חד קרן, לא לשכור אנשי חדי קרן." משמעות הדבר היא שהם צריכים לבנות צוותים המורכבים ממומחי נתונים ומומחי תחום, תוך כוונה לכך לפתח את מודל ההפעלה של AI שלהם (מה שיגביר בו זמנית את בשלות ה-AI שלהם) לאורך זמן. זה עובד: 85% מהחברות שהגדילו בהצלחה את הבינה המלאכותית משתמשות בצוותי פיתוח בין-תחומיים, על פי הרווארד ביזנס ריוויו.

טיפ מהבינתחומי: "שקול את תפקידם של מדעני נתונים יחד עם עובדי ידע ומומחיות בתעשייה. העצמת עובדי ידע תאיץ את הזמן לערך."

היעדר ממשל ופיקוח בינה מלאכותית (תהליכים!)

מה שהצוות לא יכול להרשות לעצמו באקלים המאקרו-כלכלי הזה הוא שתקציבי בינה מלאכותית יצטמצמו או יקוצצו לחלוטין. מה יוביל לכך שזה יקרה, אתם אולי שואלים? זמן מבוזבז על בנייה ובדיקה של מודלים של למידת מכונה, עד כדי כך שהם לעולם לא מגיעים לייצור כדי להתחיל לייצר ערך אמיתי ומוחשי לעסק (כגון כסף שנעשה, כסף שנחסך או תהליך חדש שהוקם שלא ניתן היה לבצע היום ).

החדשות הטובות: ישנן אסטרטגיות ושיטות עבודה מומלצות שאנליטיות וצוותי בינה מלאכותית יכולים ליישם כדי לייעל ולהרחיב בבטחה את מאמצי הבינה המלאכותית שלהם, כגון הקמת אסטרטגיית ממשל בינה מלאכותית (כולל אלמנטים תפעוליים כמו MLOps ואלמנטים מבוססי ערך כמו Responsible AI).

החדשות הרעות: לעתים קרובות, לצוותים אין תהליכים אלה מוגדרים לפני הפריסה (מה שעלול להוביל לבעיות מורכבות רבות) ואין להם דרך להתקדם בבירור עם הפרויקטים הנכונים שאכן מייצרים ערך עסקי ומוציאים משימוש אלה עם ביצועים נמוכים.

ממשל בינה מלאכותית מספקת ניהול מודלים מקצה לקצה בקנה מידה, עם התמקדות באספקת ערך מותאם סיכונים ויעילות בקנה מידה של AI, הכל בהתאם לתקנות. הצוותים צריכים לעשות הבחנה בין הוכחת מושגים (POCs), יוזמות נתונים בשירות עצמי ומוצרי נתונים מתועשים, כמו גם צורכי הממשל סביב כל אחד מהם. צריך לתת מקום לחקירה ולניסויים, אבל צוותים צריכים גם לקבל החלטות ברורות לגבי מתי פרויקטים בשירות עצמי או POCs צריכים לקבל את המימון, הבדיקות וההבטחה להפוך לפתרון מתועש ומתופעל.

טיפ מאת IDC: "קבע מדיניות ברורה לפרטיות נתונים, זכויות החלטה, אחריות ושקיפות. ניהול וממשל סיכונים פרואקטיביים ומתמשכים המבוצעים במשותף על ידי ה-IT והעוסקים בעסק ובציות". 

לא לוקח חשיבה של פלטפורמה (טכנולוגיה!)

איך צוותים יכולים לאתר את הטכנולוגיות והתהליכים הנכונים כדי לאפשר שימוש בבינה מלאכותית בקנה מידה?

פלטפורמה מקצה לקצה (כמו דאטאיקו) מביאה לכידות בין שלבי מחזור החיים של פרויקט האנליטיקה וה-AI ומספקת מראה, תחושה וגישה עקביים כאשר צוותים עוברים את השלבים הללו. 

כאשר בונים אסטרטגיית פלטפורמת בינה מלאכותית מודרנית, חשוב לקחת בחשבון את הערך של פלטפורמת הכל-באחד עבור כל דבר, מהכנת נתונים ועד לניטור מודלים של למידת מכונה בייצור. רכישת כלים נפרדים עבור כל רכיב, לעומת זאת, יכולה להיות מאתגרת מאוד מכיוון שיש מספר חלקים בפאזל על פני אזורים שונים של מחזור החיים (מתואר להלן).

על מנת להגיע לשלב של טרנספורמציה תרבותית ארוכת טווח באמצעות תוכנית בינה מלאכותית, חשוב להיות בטוח שה-IT מעורב כבר מההתחלה. מנהלי IT חיוניים להטמעה יעילה וחלקה של כל טכנולוגיה, ומבחינה פילוסופית יותר - הם קריטיים להקניית תרבות של גישה לנתונים מאוזנת עם ניהול ובקרה מתאימים.

טיפ מאת IDC: "במקום ליישם פתרונות ייחודיים לטיפול במשימות קטנות, אמצו את גישת הפלטפורמה כדי לתמוך בחוויות עקביות ובסטנדרטיזציה. 

להסתכל קדימה

ניתוח קנה מידה ומאמצי AI דורשים כמות משמעותית של זמן ומשאבים, כך שהדבר האחרון שאתה רוצה לעשות הוא להיכשל. יחד עם זאת, מעט כישלון בריא במהלך הניסוי הוא בעל ערך, כל עוד צוותים יכולים להיכשל במהירות וליישם את הלמידה שלהם. הם צריכים להיות בטוחים להתמקד בשיפור המיומנויות וההכשרה (כלומר, לגרום לעוסקים בעסקים להיות מעורבים יותר ויותר), לעשות דמוקרטיזציה של כלים וטכנולוגיות בינה מלאכותית ולהציב את מעקות הבטיחות הנכונים כדי להבטיח פריסת בינה מלאכותית אחראית.

המשך בטיפול בכישלון פרויקט AI

בסרטון האינטראקטיבי הזה, גלה את הסיבות הטכניות המובילות מאחורי כישלון פרויקט בינה מלאכותית, כמו גם משאבים נוספים מסיבות עסקיות המעודדות כישלון בפרויקט (ואיך Dataiku יכולה לעזור לאורך הדרך עבור שניהם).

מדוע פרויקטי הבינה המלאכותית שלך נכשלים? לַחקוֹר המיקרו-אתר האינטראקטיבי הזה ללמוד 'יותר.

בחסות Dataiku.

• הפצת תוכן ויחסי ציבור מופעל על ידי SEO. קבל הגברה היום.
• PlatoData.Network Vertical Generative Ai. העצים את עצמך. גישה כאן.
• PlatoAiStream. Web3 Intelligence. הידע מוגבר. גישה כאן.
• PlatoESG. רכב / רכבים חשמליים, פחמן, קלינטק, אנרגיה, סביבה, שמש, ניהול פסולת. גישה כאן.
• PlatoHealth. מודיעין ביוטכנולוגיה וניסויים קליניים. גישה כאן.
• ChartPrime. הרם את משחק המסחר שלך עם ChartPrime. גישה כאן.
• BlockOffsets. מודרניזציה של בעלות על קיזוז סביבתי. גישה כאן.
• מקור: https://go.theregister.com/feed/www.theregister.com/2023/08/16/3_of_the_most_common/