分析と AI プロジェクトが失敗する 3 つの一般的な理由

広告 2023によると Dataiku が後援する IDC InfoBrief – 組織データからより多くのビジネス価値を生み出す – 「[AI] の導入は急速に拡大していますが、プロジェクトの失敗率は依然として高いままです。 世界中の組織は、成功の阻害要因に対処し、AI の力を解き放ち、デジタル時代で成功するためのビジョンを評価する必要があります。」

分析および AI プロジェクトの失敗を克服する際の最も重要なポイントの XNUMX つは、常習犯は決して XNUMX 人だけではないということです。AI プロジェクトの失敗には、ビジネス チームと技術チームの両方にさまざまなポイントが存在します。 上記のインタラクティブなマイクロサイトは、AI プロジェクトのライフサイクル全体で最も一般的な障害点を視覚的に表示し、データ、分析、IT リーダーが Dataiku を使用してそれらに迅速に対処する方法に関するソリューションを共有します。

一方、この記事では、AI プロジェクトの失敗を促進する最も一般的な理由のいくつか (およびそれらを回避するためのヒント) について説明します。

AI 人材のギャップ (人材!)

AI の拡張を妨げる最大の要因のうち XNUMX つは、分析と AI のスキルを持つ人材を雇用することと、優れたビジネス ケースを特定することです。 残念ながら、何百人、何千人ものデータサイエンティストを雇用することはほとんどの組織にとって現実的ではなく、両方の問題に対処できる人材（AI とビジネススキルを持つ人材）はユニコーンと呼ばれるほど稀であることがよくあります。 

これらの問題の両方に実際に一度に対処するには、組織は次のことを行う必要があります。 「ユニコーン人材を雇用するのではなく、ユニコーンチームを構築しましょう。」 これは、データとドメインの両方の専門家で構成されるチームを構築すると同時に、 AI オペレーティング モデルを進化させる (同時に AI の成熟度も高まります)。 これはうまくいきます。AI の拡張に成功した企業の 85% は、学際的な開発チームを使用しています。 ハーバード ビジネス レビューによると.

IDC からのヒント: 「ナレッジ ワーカーや業界の専門知識とともに、データ サイエンティストの役割を考慮してください。 ナレッジ ワーカーに力を与えることで、価値を実現するまでの時間が短縮されます。」

AI のガバナンスと監視 (プロセス!) の欠如

このマクロ経済情勢においてチームが許容できないのは、AI 予算を削減または完全に削減することです。 何がこのようなことを引き起こすのでしょう? 機械学習モデルの構築とテストに時間が無駄になり、実際のビジネスに実際の具体的な価値 (収益、節約、または今日では実行できなかった新しいプロセスの確立など) の生成を開始することができませんでした。 ）。

良いニュース: 分析チームと AI チームが AI の取り組みを安全に合理化し、拡張するために実装できる戦略とベスト プラクティスがあります。 AI ガバナンス戦略の確立 (MLOps などの運用要素と、責任ある AI などの価値ベースの要素を含む)。

悪いニュース: 多くの場合、チームは展開前にこれらのプロセスを設定していないか (これにより、多くの複雑な問題が発生する可能性があります)、ビジネス価値を生み出し、廃止予定となる適切なプロジェクトを明確に進める方法がありません。パフォーマンスが低いもの。

AI ガバナンスは、リスク調整された価値の提供と AI スケーリングの効率に重点を置き、すべて規制に沿った大規模なエンドツーエンドのモデル管理を提供します。 チームは、概念実証 (POC)、セルフサービス データ イニシアチブ、工業化データ製品と、それぞれを取り巻くガバナンスのニーズを区別する必要があります。 探索と実験のためにスペースを与える必要がありますが、チームはまた、セルフサービス プロジェクトや POC が産業化され、運用可能なソリューションになるためにいつ資金、テスト、保証を得る必要があるかについて明確な決定を下す必要もあります。

IDC からのヒント: 「データ プライバシー、決定権、説明責任、透明性に関する明確なポリシーを確立します。 IT 部門とビジネス部門およびコンプライアンス部門が共同で積極的かつ継続的にリスク管理とガバナンスを実行します。」 

プラットフォームの考え方（テクノロジー！）を採用しない

チームは、AI を大規模に使用できるようにするために、適切なテクノロジーとプロセスをどのように特定できるでしょうか?

エンドツーエンドのプラットフォーム ( ダタリク) は、分析および AI プロジェクトのライフサイクルのステップ全体に一貫性をもたらし、チームがこれらのステップを進む際に一貫した外観、操作感、アプローチを提供します。 

最新の AI プラットフォーム戦略を構築するときは、データの準備から実稼働環境での機械学習モデルの監視に至るまで、あらゆる機能を備えたオールインワン プラットフォームの価値を考慮することが重要です。 逆に、コンポーネントごとに個別のツールを購入することは、ライフサイクルのさまざまな領域にわたってパズルの複数のピースが存在するため、非常に困難になる可能性があります (下図)。

AI プログラムによる長期的な文化変革の段階に到達するには、最初から IT を確実に関与させることが重要です。 IT マネージャーは、あらゆるテクノロジーを効果的かつスムーズに展開するために不可欠であり、より哲学的な観点から見ると、適切なガバナンスと制御とバランスのとれたデータへのアクセスの文化を浸透させるために不可欠です。

IDC からのヒント: 「小さなタスクを処理するために個別のソリューションを実装する代わりに、一貫したエクスペリエンスと標準化をサポートするプラットフォーム アプローチを採用してください。 

今後

分析と AI の取り組みをスケーリングするには、多大な時間とリソースが必要となるため、失敗することは最も避けたいことです。 しかし同時に、チームが素早く失敗して学んだことを実践できる限り、実験中の多少の健全な失敗は貴重です。 スキルアップとトレーニング（つまり、ビジネス実務者をますます関与させる）に重点を置き、AI ツールとテクノロジを民主化し、責任ある AI 導入を確保するための適切なガードレールを設置する必要があります。

AI プロジェクトの失敗への対処をさらに進める

このインタラクティブなビジュアルでは、AI プロジェクトの失敗の背後にある主な技術的理由と、プロジェクトの失敗を助長するビジネス上の理由に対する追加リソース (およびその両方に対して Dataiku がどのように役立つか) を発見します。

AI プロジェクトが失敗するのはなぜですか? 探検する このインタラクティブなマイクロサイト to learn more.

ダテイク主催。

• SEO を活用したコンテンツと PR 配信。 今日増幅されます。
• PlatoData.Network 垂直生成 Ai。 自分自身に力を与えましょう。 こちらからアクセスしてください。
• プラトアイストリーム。 Web3 インテリジェンス。 知識増幅。 こちらからアクセスしてください。
• プラトンESG。 自動車/EV、 カーボン、 クリーンテック、 エネルギー、 環境、 太陽、 廃棄物管理。 こちらからアクセスしてください。
• プラトンヘルス。 バイオテクノロジーと臨床試験のインテリジェンス。 こちらからアクセスしてください。
• チャートプライム。 ChartPrime でトレーディング ゲームをレベルアップしましょう。 こちらからアクセスしてください。
• ブロックオフセット。 環境オフセット所有権の近代化。 こちらからアクセスしてください。
• 情報源： https://go.theregister.com/feed/www.theregister.com/2023/08/16/3_of_the_most_common/