3 vanlige årsaker til feil i analyser og AI-prosjekter

3 vanlige årsaker til feil i analyser og AI-prosjekter

Tidsstempel: 16. august 2023 kl.9: 32
3 vanlige årsaker til feil i analyser og AI-prosjekter PlatoBlockchain Data Intelligence. Vertikalt søk. Ai.

advertentie Ifølge 2023 Dataiku-sponset IDC InfoBrief – Skap mer forretningsverdi fra organisasjonsdataene dine – «Selv om bruken av [AI] vokser raskt, forblir feilraten for prosjekter høy. Organisasjoner over hele verden må evaluere sin visjon for å adressere inhibitorene for suksess, slippe løs kraften til AI og trives i den digitale æra.»

En av de viktigste løsningene når det gjelder å overvinne analyser og AI-prosjektfeil er at det aldri bare er én gjentakende lovbryter – det er forskjellige punkter med AI-prosjektfeil på tvers av både forretnings- og tekniske team. Den interaktive mikrosiden ovenfor viser visuelt de vanligste feilpunktene i hele AI-prosjektets livssyklus og deler løsninger på hvordan data, analyser og IT-ledere raskt kan løse dem med Dataiku.

På den andre siden av mynten vil denne artikkelen ta for seg noen av de vanligste årsakene til at AI-prosjektet mislykkes (og tips for å navigere i dem).

AI-talentgapet (mennesker!)

To av de beste blokkeringene for å skalere AI er å ansette folk med analyse- og AI-ferdigheter og identifisere gode forretningscases. Dessverre er det ikke realistisk å ansette hundrevis eller tusenvis av dataforskere for de fleste organisasjoner, og menneskene som kan løse begge problemene (de med kunstig intelligens og forretningsferdigheter) er ofte så sjeldne at de kalles enhjørninger. 

For å faktisk ta opp begge disse problemene samtidig, bør organisasjoner "bygg enhjørningsteam, ikke ansett enhjørningsmennesker." Dette betyr at de bør bygge team bestående av både data- og domeneeksperter, samtidig som de har som mål å utvikle sin AI-driftsmodell (som samtidig vil øke deres AI-modenhet) over tid. Dette fungerer: 85 % av selskapene som har vellykket skalert AI, bruker tverrfaglige utviklingsteam, ifølge Harvard Business Review.

Tips fra IDC: «Vurder rollen til dataforskere sammen med kunnskapsarbeidere og bransjeekspertise. Å styrke kunnskapsarbeidere vil akselerere tid til verdi."

Mangel på AI-styring og tilsyn (prosesser!)

Det teamet ikke har råd til i dette makroøkonomiske klimaet er at AI-budsjettene reduseres eller kuttes helt. Hva vil føre til at dette skjer, spør du kanskje? Tid bortkastet med å bygge og teste maskinlæringsmodeller, så mye at de aldri kommer i produksjon for å begynne å generere reell, håndgripelig verdi for virksomheten (som penger tjent, penger spart eller en ny prosess etablert som ikke kunne gjøres i dag ).

Den gode nyheten: Det finnes strategier og beste praksis-analyse og AI-team kan implementere for å strømlinjeforme og skalere AI-innsatsen på en sikker måte, som f.eks. etablere en AI Governance-strategi (inkludert operasjonelle elementer som MLOps og verdibaserte elementer som Responsible AI).

De dårlige nyhetene: Ofte har team enten ikke disse prosessene satt opp før distribusjon (noe som kan føre til mange sammensatte problemer) og har ikke en måte å tydelig gå videre med de riktige prosjektene som genererer forretningsverdi og avvikler de underpresterende.

AI Governance leverer ende-til-ende modellstyring i stor skala, med fokus på risikojustert verdilevering og effektivitet i AI-skalering, alt i tråd med regelverket. Teamene må gjøre forskjeller mellom proof-of-concepts (POC), selvbetjente datainitiativer og industrialiserte dataprodukter, samt styringsbehovene rundt hver. Det må gis plass til utforskning og eksperimentering, men teamene må også ta klare beslutninger om når selvbetjeningsprosjekter eller POC-er skal ha finansiering, testing og sikkerhet for å bli en industrialisert, operasjonalisert løsning.

Tips fra IDC: «Etabler klare retningslinjer for personvern, beslutningsrettigheter, ansvarlighet og åpenhet. Ha proaktiv og løpende risikostyring og styring utført i fellesskap av IT og de som driver virksomhet og compliance.» 

Ikke ta en plattformtankegang (teknologi!)

Hvordan kan team finne de riktige teknologiene og prosessene for å muliggjøre bruk av AI i stor skala?

En ende-til-ende-plattform (som Dataiku) bringer samhørighet på tvers av trinnene i analyse- og AI-prosjektets livssyklus og gir et konsistent utseende, følelse og tilnærming når teamene beveger seg gjennom disse trinnene. 

Når du bygger en moderne AI-plattformstrategi, er det viktig å vurdere verdien av en alt-i-ett-plattform for alt fra dataforberedelser til overvåking av maskinlæringsmodeller i produksjon. Å kjøpe separate verktøy for hver komponent, omvendt, kan være enormt utfordrende siden det er flere brikker i puslespillet på tvers av forskjellige områder av livssyklusen (illustrert nedenfor).

For å komme til stadiet av langsiktig kulturell transformasjon via et AI-program, er det viktig å være sikker på at IT er involvert helt fra begynnelsen. IT-ledere er avgjørende for effektiv, jevn utrulling av enhver teknologi og – fra et mer filosofisk perspektiv – er avgjørende for å skape en kultur med tilgang til data balansert med riktig styring og kontroll.

Tips fra IDC: «I stedet for å implementere distinkte løsninger for å håndtere små oppgaver, omfavn plattformtilnærmingen for å støtte konsistente opplevelser og standardisering. 

Ser framover

Skaleringsanalyse og AI-innsats tar en betydelig mengde tid og ressurser, så det siste du vil gjøre er å mislykkes. Samtidig er litt sunn feil under eksperimentering verdifull, så lenge teamene kan mislykkes raskt og implementere læringen sin. De bør være sikker på å fokusere på oppkvalifisering og opplæring (dvs. å få forretningsutøvere mer og mer involvert), demokratisere AI-verktøy og -teknologier og sette de riktige rekkverkene på plass for å sikre ansvarlig AI-utplassering.

Gå videre med å adressere AI-prosjektfeil

I denne interaktive visualiseringen kan du oppdage de viktigste tekniske årsakene bak AI-prosjektfeil, samt ekstra ressurser av forretningsmessige årsaker som gir næring til prosjektsvikt (og hvordan Dataiku kan hjelpe på veien for begge).

Hvorfor mislykkes AI-prosjektene dine? Utforske denne interaktive mikrosiden for å lære mer.

Sponset av Dataiku.

Tidstempel:

Mer fra Registeret