3 veelvoorkomende redenen voor het mislukken van analyses en AI-projecten

3 veelvoorkomende redenen voor het mislukken van analyses en AI-projecten

Tijdstempel: 16 augustus 2023 9:32 uur
3 veelvoorkomende redenen voor het mislukken van analyses en AI-projecten PlatoBlockchain Data Intelligence. Verticaal zoeken. Ai.

Advertorial Volgens de 2023 Door Dataiku gesponsorde IDC InfoBrief – Creëer meer zakelijke waarde uit uw organisatiegegevens – “Hoewel de acceptatie van [AI] snel toeneemt, blijven de mislukkingspercentages van projecten hoog. Organisaties over de hele wereld moeten hun visie evalueren om de belemmeringen voor succes aan te pakken, de kracht van AI te ontketenen en te gedijen in het digitale tijdperk.”

Een van de belangrijkste conclusies als het gaat om het overwinnen van analyses en het mislukken van AI-projecten, is dat er nooit slechts één recidivist is - er zijn verschillende punten waarop AI-projecten mislukken bij zowel zakelijke als technische teams. De interactieve microsite hierboven geeft visueel de meest voorkomende faalpunten in de levenscyclus van het AI-project weer en deelt oplossingen over hoe data-, analyse- en IT-leiders deze snel kunnen aanpakken met Dataiku.

Aan de andere kant van de medaille gaat dit artikel in op enkele van de meest voorkomende redenen voor het mislukken van AI-projecten (en tips om deze te navigeren).

De AI-talentenkloof (mensen!)

Twee van de grootste blokkades voor het opschalen van AI zijn het inhuren van mensen met analytische en AI-vaardigheden en het identificeren van goede businesscases. Helaas is het inhuren van honderden of duizenden datawetenschappers voor de meeste organisaties niet realistisch en de mensen die beide problemen kunnen aanpakken (die met AI en zakelijke vaardigheden) zijn vaak zo zeldzaam dat ze eenhoorns worden genoemd. 

Om beide problemen tegelijk aan te pakken, zouden organisaties dat moeten doen "eenhoornteams bouwen, geen eenhoornmensen inhuren." Dit betekent dat ze teams moeten samenstellen die bestaan ​​uit zowel data- als domeinexperts, en dat ook moeten nastreven hun AI-bedrijfsmodel te ontwikkelen (wat tegelijkertijd hun AI-volwassenheid zal vergroten) in de loop van de tijd. Dit werkt: 85% van de bedrijven die AI met succes hebben geschaald, gebruiken interdisciplinaire ontwikkelingsteams, volgens de Harvard Business Review.

Tip van IDC: “Denk aan de rol van datawetenschappers samen met kenniswerkers en branche-expertise. Het versterken van kenniswerkers zal de time-to-value versnellen.”

Gebrek aan AI-governance en toezicht (processen!)

Wat teams zich in dit macro-economische klimaat niet kunnen veroorloven, is dat AI-budgetten worden verlaagd of volledig worden verlaagd. Wat zou ertoe leiden dat dit gebeurt, vraag je je misschien af? Verspilde tijd aan het bouwen en testen van modellen voor machinaal leren, zozeer zelfs dat ze nooit in productie komen om echte, tastbare waarde voor het bedrijf te genereren (zoals verdiend geld, geld bespaard of een nieuw proces opgezet dat vandaag niet kan worden gedaan). ).

Het goede nieuws: er zijn strategieën en best practices-analyses en AI-teams kunnen implementeren om hun AI-inspanningen veilig te stroomlijnen en op te schalen, zoals het opzetten van een AI Governance-strategie (inclusief operationele elementen zoals MLOps en op waarde gebaseerde elementen zoals Responsible AI).

Het slechte nieuws: vaak hebben teams deze processen niet opgezet voorafgaand aan de implementatie (wat tot veel samengestelde problemen kan leiden) en hebben ze geen manier om duidelijk verder te gaan met de juiste projecten die wel bedrijfswaarde genereren en afgeschreven worden de slecht presterende.

AI Governance levert end-to-end modelbeheer op schaal, met een focus op risico-aangepaste waardelevering en efficiëntie in AI-schaalvergroting, allemaal in overeenstemming met regelgeving. Teams moeten onderscheid maken tussen proof-of-concepts (POC's), self-service data-initiatieven en geïndustrialiseerde dataproducten, evenals de governancebehoeften die elk omringen. Er moet ruimte worden gegeven voor verkenning en experimenten, maar teams moeten ook duidelijke beslissingen nemen over wanneer zelfbedieningsprojecten of POC's de financiering, testen en zekerheid moeten hebben om een ​​geïndustrialiseerde, geoperationaliseerde oplossing te worden.

Tip van IDC: “Stel een duidelijk beleid op voor gegevensprivacy, beslissingsrechten, verantwoording en transparantie. Laat proactief en doorlopend risicobeheer en governance gezamenlijk uitvoeren door IT en de business en compliance.” 

Geen platformmindset nemen (technologie!)

Hoe kunnen teams de juiste technologieën en processen bepalen om het gebruik van AI op grote schaal mogelijk te maken?

Een end-to-end platform (zoals Dataiku) zorgt voor samenhang tussen de stappen van de analyse- en AI-projectlevenscyclus en zorgt voor een consistent uiterlijk, gevoel en aanpak wanneer teams deze stappen doorlopen. 

Bij het bouwen van een moderne AI-platformstrategie is het belangrijk om rekening te houden met de waarde van een alles-in-één platform voor alles, van gegevensvoorbereiding tot het monitoren van machine learning-modellen in productie. Het kopen van afzonderlijke tools voor elk onderdeel kan daarentegen een enorme uitdaging zijn, aangezien er meerdere puzzelstukjes zijn in verschillende delen van de levenscyclus (hieronder geïllustreerd).

Om via een AI-programma het stadium van culturele transformatie op de lange termijn te bereiken, is het belangrijk om ervoor te zorgen dat IT vanaf het allereerste begin wordt betrokken. IT-managers zijn essentieel voor een effectieve, soepele uitrol van elke technologie en - vanuit een meer filosofisch perspectief - zijn ze van cruciaal belang voor het creëren van een cultuur van toegang tot gegevens die in evenwicht is met de juiste governance en controle.

Tip van IDC: “In plaats van afzonderlijke oplossingen te implementeren om kleine taken uit te voeren, omarm je de platformbenadering om consistente ervaringen en standaardisatie te ondersteunen. 

De toekomst

Het opschalen van analyses en AI-inspanningen kost veel tijd en middelen, dus het laatste wat u wilt is mislukken. Tegelijkertijd is een beetje gezond falen tijdens het experimenteren echter waardevol, zolang teams maar snel kunnen falen en hun lessen kunnen implementeren. Ze moeten zich zeker richten op bijscholing en training (dwz het steeds meer betrekken van zakenmensen), het democratiseren van AI-tools en -technologieën en het opzetten van de juiste vangrails om verantwoorde AI-implementaties te waarborgen.

Ga verder met het aanpakken van mislukte AI-projecten

Ontdek in deze interactieve visual de belangrijkste technische redenen achter het mislukken van AI-projecten, evenals aanvullende bronnen voor zakelijke redenen die het mislukken van projecten in de hand werken (en hoe Dataiku beide kan helpen).

Waarom mislukken uw AI-projecten? Ontdekken deze interactieve microsite om meer te leren.

Gesponsord door Dataiku.

Tijdstempel:

Meer van Het register