3 motivos comuns para falhas em projetos de análise e IA

3 motivos comuns para falhas em projetos de análise e IA

Carimbo de data / hora: 16 de agosto de 2023, 9h
3 motivos comuns para falhas em projetos de análise e IA PlatoBlockchain Data Intelligence. Pesquisa vertical. Ai.

Advertorial De acordo com o 2023 IDC InfoBrief patrocinado pela Dataiku – Crie mais valor comercial a partir de seus dados organizacionais – “Embora a adoção [IA] esteja se expandindo rapidamente, as taxas de falha do projeto permanecem altas. Organizações em todo o mundo devem avaliar sua visão para abordar os inibidores do sucesso, liberar o poder da IA ​​e prosperar na era digital.”

Uma das conclusões mais importantes quando se trata de superar a falha de análise e projeto de IA é que nunca há apenas um infrator reincidente – há vários pontos de falha de projeto de IA nas equipes técnicas e de negócios. O microsite interativo acima exibe visualmente os pontos de falha mais comuns em todo o ciclo de vida do projeto de IA e compartilha soluções sobre como dados, análises e líderes de TI podem resolvê-los rapidamente com o Dataiku.

Do outro lado da moeda, este artigo abordará alguns dos motivos mais comuns que alimentam o fracasso do projeto de IA (e dicas para navegar por eles).

A lacuna de talentos da IA ​​(pessoas!)

Dois dos principais bloqueadores do dimensionamento da IA ​​estão contratando pessoas com habilidades analíticas e de IA e identificando bons casos de negócios. Infelizmente, contratar centenas ou milhares de cientistas de dados não é realista para a maioria das organizações e as pessoas que podem lidar com ambos os problemas (aqueles com IA e habilidades de negócios) costumam ser tão raras que são chamadas de unicórnios. 

Para realmente abordar essas duas questões ao mesmo tempo, as organizações devem “Construa equipes de unicórnios, não contrate pessoas de unicórnios.” Isso significa que eles devem formar equipes compostas por especialistas em dados e domínio, ao mesmo tempo em que visam evoluir seu modelo operacional de IA (que aumentará simultaneamente sua maturidade de IA) ao longo do tempo. Isso funciona: 85% das empresas que escalaram com sucesso a IA usam equipes de desenvolvimento interdisciplinares, de acordo com a Harvard Business Review.

Dica da IDC: “Considere a função dos cientistas de dados juntamente com os trabalhadores do conhecimento e a experiência do setor. Capacitar os trabalhadores do conhecimento acelerará o tempo de valorização.”

Falta de governança e supervisão de IA (processos!)

O que as equipes não podem pagar neste clima macroeconômico é que os orçamentos de IA sejam reduzidos ou totalmente cortados. O que levaria a isso acontecer, você pode perguntar? Tempo perdido construindo e testando modelos de aprendizado de máquina, tanto que eles nunca chegam à produção para começar a gerar valor real e tangível para os negócios (como dinheiro ganho, dinheiro economizado ou um novo processo estabelecido que não poderia ser feito hoje ).

A boa notícia: existem estratégias e melhores práticas analíticas e as equipes de IA podem implementar para simplificar e dimensionar com segurança seus esforços de IA, como estabelecer uma estratégia de governança de IA (incluindo elementos operacionais como MLOps e elementos baseados em valor como IA responsável).

A má notícia: muitas vezes, as equipes não têm esses processos configurados antes da implantação (o que pode levar a muitos problemas compostos) e não têm uma maneira de avançar claramente com os projetos certos que geram valor comercial e depreciam os de baixo desempenho.

A governança de IA oferece gerenciamento de modelo de ponta a ponta em escala, com foco na entrega de valor ajustado ao risco e eficiência no dimensionamento de IA, tudo em alinhamento com os regulamentos. As equipes precisam fazer distinções entre prova de conceito (POCs), iniciativas de dados de autoatendimento e produtos de dados industrializados, bem como as necessidades de governança em torno de cada um. É necessário dar espaço para exploração e experimentação, mas as equipes também precisam tomar decisões claras sobre quando projetos de autoatendimento ou POCs devem ter financiamento, teste e garantia para se tornar uma solução industrializada e operacionalizada.

Dica da IDC: “Estabeleça políticas claras para privacidade de dados, direitos de decisão, responsabilidade e transparência. Tenha gerenciamento de riscos e governança proativos e contínuos executados em conjunto pela TI e pelos negócios e compliance.” 

Não adotar uma mentalidade de plataforma (tecnologia!)

Como as equipes podem identificar as tecnologias e processos certos para permitir o uso de IA em escala?

Uma plataforma de ponta a ponta (como dataiku) traz coesão entre as etapas do ciclo de vida do projeto de análise e IA e fornece uma aparência, sensação e abordagem consistentes à medida que as equipes passam por essas etapas. 

Ao criar uma estratégia de plataforma de IA moderna, é importante considerar o valor de uma plataforma completa para tudo, desde a preparação de dados até o monitoramento de modelos de aprendizado de máquina na produção. Comprar ferramentas separadas para cada componente, por outro lado, pode ser extremamente desafiador, pois há várias peças do quebra-cabeça em diferentes áreas do ciclo de vida (ilustrado abaixo).

Para chegar ao estágio de transformação cultural de longo prazo por meio de um programa de IA, é importante ter certeza de que a TI está envolvida desde o início. Os gerentes de TI são essenciais para a implementação eficaz e tranquila de qualquer tecnologia e — de uma perspectiva mais filosófica — são essenciais para incutir uma cultura de acesso aos dados equilibrada com governança e controle adequados.

Dica da IDC: “Em vez de implementar soluções distintas para lidar com pequenas tarefas, adote a abordagem de plataforma para dar suporte a experiências consistentes e padronização. 

Olhando para o futuro

A análise de escala e os esforços de IA consomem uma quantidade significativa de tempo e recursos, então a última coisa que você quer é falhar. Ao mesmo tempo, porém, um pouco de falha saudável durante a experimentação é valioso, desde que as equipes possam falhar rapidamente e implementar seus aprendizados. Eles devem ter certeza de se concentrar na qualificação e treinamento (ou seja, envolver cada vez mais os profissionais de negócios), democratizar as ferramentas e tecnologias de IA e colocar as proteções certas para garantir implantações responsáveis ​​de IA.

Vá mais longe ao lidar com falhas de projetos de IA

Neste visual interativo, descubra os principais motivos técnicos por trás do fracasso do projeto de IA, bem como recursos adicionais para motivos de negócios que alimentam o fracasso do projeto (e como o Dataiku pode ajudar ao longo do caminho para ambos).

Por que seus projetos de IA estão falhando? Explorar este microsite interativo para saber mais.

Patrocinado por Dataiku.

Carimbo de hora:

Mais de O registro