3 najczęstsze przyczyny niepowodzeń projektów analitycznych i AI

3 najczęstsze przyczyny niepowodzeń projektów analitycznych i AI

Znacznik czasu: 16 sierpnia 2023 9:32
3 najczęstsze przyczyny niepowodzeń projektów analitycznych i AI PlatoBlockchain Data Intelligence. Wyszukiwanie pionowe. AI.

artykuł sponsorowany Zgodnie z 2023 IDC InfoBrief sponsorowany przez Dataiku — Twórz większą wartość biznesową ze swoich danych organizacyjnych – „Chociaż adopcja [AI] szybko się rozwija, wskaźniki niepowodzeń projektów pozostają wysokie. Organizacje na całym świecie muszą ocenić swoją wizję, aby zająć się czynnikami hamującymi sukces, uwolnić moc sztucznej inteligencji i rozwijać się w erze cyfrowej”.

Jednym z najważniejszych wniosków, jeśli chodzi o przezwyciężanie niepowodzeń projektów analitycznych i sztucznej inteligencji, jest to, że nigdy nie ma tylko jednego powtarzającego się winowajcy — istnieje wiele punktów niepowodzenia projektu AI zarówno w zespołach biznesowych, jak i technicznych. Powyższa interaktywna mikrowitryna wizualnie przedstawia najczęstsze punkty awarii w całym cyklu życia projektu AI i udostępnia rozwiązania dotyczące tego, w jaki sposób dane, analityka i liderzy IT mogą szybko rozwiązać te problemy za pomocą Dataiku.

Z drugiej strony, w tym artykule omówimy niektóre z najczęstszych przyczyn niepowodzeń projektów AI (oraz wskazówki, jak sobie z nimi radzić).

Luka talentów AI (ludzi!)

Dwa z największych blokerów skalowania sztucznej inteligencji to zatrudnianie osób z umiejętnościami analitycznymi i sztuczną inteligencją oraz identyfikowanie dobrych przypadków biznesowych. Niestety zatrudnianie setek lub tysięcy analityków danych jest nierealne dla większości organizacji, a ludzie, którzy mogą rozwiązać oba problemy (osoby ze sztuczną inteligencją i umiejętnościami biznesowymi), są często tak rzadko spotykani, że nazywani są jednorożcami. 

Aby faktycznie zająć się obydwoma tymi problemami jednocześnie, organizacje powinny „buduj zespoły jednorożców, a nie zatrudniaj jednorożców”. Oznacza to, że powinni budować zespoły złożone zarówno z ekspertów ds. danych, jak i dziedzin, jednocześnie dążąc do tego rozwijać swój model operacyjny AI (co jednocześnie zwiększy dojrzałość ich sztucznej inteligencji) z czasem. To działa: 85% firm, które z powodzeniem skalowały sztuczną inteligencję, korzysta z interdyscyplinarnych zespołów programistycznych, według Harvard Business Review.

Wskazówka od IDC: „Weź pod uwagę rolę analityków danych, pracowników umysłowych i specjalistyczną wiedzę branżową. Wzmocnienie pozycji pracowników wiedzy przyspieszy czas uzyskiwania korzyści”.

Brak zarządzania i nadzoru AI (procesy!)

To, na co zespół nie może sobie pozwolić w tym klimacie makroekonomicznym, to zmniejszenie lub całkowite obcięcie budżetów AI. Co mogłoby do tego doprowadzić, można zapytać? Czas zmarnowany na budowanie i testowanie modeli uczenia maszynowego w takim stopniu, że nigdy nie trafiły do ​​produkcji, aby zacząć generować rzeczywistą, namacalną wartość dla firmy (taką jak zarobione pieniądze, zaoszczędzone pieniądze lub ustanowiony nowy proces, którego nie można dziś wykonać) ).

Dobra wiadomość: istnieją strategie i najlepsze praktyki, które zespoły analityków i sztucznej inteligencji mogą wdrożyć, aby bezpiecznie usprawnić i skalować swoje działania w zakresie sztucznej inteligencji, takie jak ustanowienie strategii zarządzania AI (w tym elementy operacyjne, takie jak MLOps i elementy oparte na wartościach, takie jak Odpowiedzialna sztuczna inteligencja).

Złe wieści: często zespoły nie mają skonfigurowanych tych procesów przed wdrożeniem (co może prowadzić do wielu złożonych problemów) i nie mają sposobu, aby wyraźnie przejść do przodu z odpowiednimi projektami, które generują wartość biznesową i są przestarzałe te, które osiągają słabe wyniki.

AI Governance zapewnia kompleksowe zarządzanie modelami na dużą skalę, z naciskiem na dostarczanie wartości skorygowanej o ryzyko i efektywność skalowania AI, a wszystko to w zgodzie z przepisami. Zespoły muszą dokonać rozróżnienia między weryfikacją koncepcji (POC), samoobsługowymi inicjatywami w zakresie danych i uprzemysłowionymi produktami danych, a także otaczającymi je potrzebami zarządzania. Należy zapewnić miejsce na eksplorację i eksperymenty, ale zespoły muszą również podejmować jasne decyzje dotyczące tego, kiedy projekty samoobsługowe lub POC powinny mieć fundusze, testy i gwarancję, aby stać się uprzemysłowionym, zoperacjonalizowanym rozwiązaniem.

Wskazówka od IDC: „Opracuj jasne zasady dotyczące prywatności danych, praw decyzyjnych, odpowiedzialności i przejrzystości. Zapewnij proaktywne i bieżące zarządzanie ryzykiem i nadzór nad nim wspólnie przez dział IT oraz dział biznesowy i zgodność z przepisami”. 

Brak podejścia do platformy (technologia!)

W jaki sposób zespoły mogą wskazać odpowiednie technologie i procesy, aby umożliwić wykorzystanie sztucznej inteligencji na dużą skalę?

Platforma typu end-to-end (np Dataiku) zapewnia spójność na wszystkich etapach cyklu życia projektu analitycznego i sztucznej inteligencji oraz zapewnia spójny wygląd, sposób działania i podejście, gdy zespoły przechodzą przez te etapy. 

Tworząc strategię nowoczesnej platformy AI, należy wziąć pod uwagę wartość kompleksowej platformy do wszystkiego, od przygotowania danych po monitorowanie modeli uczenia maszynowego w produkcji. Kupowanie oddzielnych narzędzi dla każdego komponentu może być z drugiej strony ogromnym wyzwaniem, ponieważ istnieje wiele elementów układanki w różnych obszarach cyklu życia (zilustrowane poniżej).

Aby przejść do etapu długoterminowej transformacji kulturowej za pomocą programu AI, ważne jest, aby mieć pewność, że IT jest zaangażowane od samego początku. Menedżerowie IT są niezbędni do skutecznego, płynnego wdrażania dowolnej technologii i — z bardziej filozoficznego punktu widzenia — mają kluczowe znaczenie dla zaszczepienia kultury dostępu do danych zrównoważonej odpowiednim zarządzaniem i kontrolą.

Wskazówka od IDC: „Zamiast wdrażać odrębne rozwiązania do obsługi małych zadań, skorzystaj z podejścia platformowego, aby zapewnić spójność doświadczeń i standaryzację. 

Patrząc przed siebie

Skalowanie wysiłków analitycznych i sztucznej inteligencji wymaga znacznej ilości czasu i zasobów, więc ostatnią rzeczą, którą chcesz zrobić, to ponieść porażkę. Jednocześnie jednak odrobina zdrowego niepowodzenia podczas eksperymentów jest cenna, o ile zespoły mogą szybko ponieść porażkę i wdrożyć swoją wiedzę. Powinny one koncentrować się na podnoszeniu kwalifikacji i szkoleniach (tj. coraz większym zaangażowaniu praktyków biznesowych), demokratyzować narzędzia i technologie sztucznej inteligencji oraz wprowadzać odpowiednie bariery, aby zapewnić odpowiedzialne wdrażanie sztucznej inteligencji.

Przejdź dalej, aby rozwiązać problem niepowodzenia projektu AI

W tej interaktywnej wizualizacji odkryj główne przyczyny techniczne niepowodzenia projektu AI, a także dodatkowe zasoby z przyczyn biznesowych napędzających niepowodzenie projektu (oraz jak Dataiku może pomóc w obu przypadkach).

Dlaczego Twoje projekty AI kończą się niepowodzeniem? Badać ta interaktywna mikrostrona uczyć się więcej.

Sponsorowane przez Dataiku.

Znak czasu:

Więcej z Rejestr