3 motive comune pentru eșecurile proiectelor de analiză și AI

3 motive comune pentru eșecurile proiectelor de analiză și AI

Marca temporală: 16 august 2023 9:32
3 motive comune pentru eșecurile proiectelor de analiză și AI PlatoBlockchain Data Intelligence. Căutare verticală. Ai.

Reclamă Conform 2023 IDC InfoBrief sponsorizat de Dataiku – Creați mai multă valoare comercială din datele dumneavoastră organizaționale – „Deși adoptarea [AI] se extinde rapid, ratele de eșec ale proiectelor rămân ridicate. Organizațiile din întreaga lume trebuie să își evalueze viziunea de a aborda inhibitorii pentru succes, de a elibera puterea AI și de a prospera în era digitală.”

Una dintre cele mai importante concluzii atunci când vine vorba de depășirea eșecului proiectelor de analiză și AI este că nu există niciodată un singur recidiv – există diverse puncte de eșec al proiectului AI atât în ​​​​echipele de afaceri, cât și în cele tehnice. Microsite-ul interactiv de mai sus afișează vizual cele mai comune puncte de eșec de-a lungul ciclului de viață al proiectului AI și împărtășește soluții despre modul în care liderii de date, de analiză și IT le pot aborda rapid cu Dataiku.

Pe de altă parte a monedei, acest articol va aborda unele dintre cele mai comune motive care alimentează eșecul proiectului AI (și sfaturi pentru navigarea lor).

Decalajul de talent AI (oameni!)

Doi dintre cei mai buni blocanți pentru scalarea AI sunt angajarea de oameni cu abilități de analiză și AI și identificarea unor cazuri de afaceri bune. Din păcate, angajarea a sute sau mii de oameni de știință a datelor nu este realistă pentru majoritatea organizațiilor, iar oamenii care pot aborda ambele probleme (cei cu AI și abilități de afaceri) sunt adesea atât de rari încât sunt numiți unicorni. 

Pentru a aborda de fapt ambele probleme simultan, atunci organizațiile ar trebui „Construiți echipe de unicorni, nu angajați oameni de unicorni.” Aceasta înseamnă că ar trebui să construiască echipe formate atât din experți în date, cât și din domeniu, urmărind totodată să-și evolueze modelul de operare AI (care le va spori simultan maturitatea AI) în timp. Acest lucru funcționează: 85% dintre companiile care au scalat cu succes AI folosesc echipe de dezvoltare interdisciplinare, conform Harvard Business Review.

Sfat de la IDC: „Luați în considerare rolul oamenilor de știință în date, împreună cu lucrătorii în cunoaștere și expertiza în industrie. Împuternicirea lucrătorilor din cunoștințe va accelera timpul de valorificare.”

Lipsa guvernării și supravegherii AI (procese!)

Ceea ce echipa nu își poate permite în acest climat macro-economic este ca bugetele AI să fie reduse sau tăiate complet. Ce ar duce la acest lucru, te-ai putea întreba? Timp pierdut în construirea și testarea modelelor de învățare automată, atât de mult încât nu ajung niciodată în producție pentru a începe să genereze valoare reală și tangibilă pentru afacere (cum ar fi banii câștigați, banii economisiți sau un nou proces stabilit care nu a putut fi realizat astăzi. ).

Vestea bună: există strategii și bune practici de analiză și echipele de inteligență artificială le pot implementa pentru a eficientiza și a scala în siguranță eforturile lor de inteligență artificială, cum ar fi stabilirea unei strategii de guvernare AI (inclusiv elemente operaționale precum MLOps și elemente bazate pe valoare, cum ar fi Responsible AI).

Vestea proastă: de multe ori, echipele fie nu au aceste procese configurate înainte de implementare (ceea ce poate duce la multe probleme agravate) și nu au o modalitate de a merge mai departe cu proiectele potrivite care generează valoare de afaceri și depreciază. cele subperformante.

AI Governance oferă un management de model de la capăt la capăt la scară, cu accent pe livrarea valorii ajustate la risc și eficiența în scalarea AI, totul în conformitate cu reglementările. Echipele trebuie să facă distincții între dovezi de concept (POC), inițiative de date cu autoservire și produse de date industrializate, precum și nevoile de guvernanță care le înconjoară fiecare. Trebuie acordat spațiu pentru explorare și experimentare, dar echipele trebuie, de asemenea, să ia decizii clare cu privire la momentul în care proiectele de autoservire sau POC-urile ar trebui să aibă finanțarea, testarea și asigurarea pentru a deveni o soluție industrializată și operațională.

Sfat de la IDC: „Stabiliți politici clare pentru confidențialitatea datelor, drepturile de decizie, responsabilitate și transparență. Să dispună de managementul și guvernanța riscurilor proactiv și continuu realizat în comun de IT și cei din afaceri și conformitate.” 

Nu asumați o mentalitate de platformă (tehnologie!)

Cum pot echipele să identifice tehnologiile și procesele potrivite pentru a permite utilizarea AI la scară?

O platformă end-to-end (cum ar fi Dataiku) aduce coeziune între etapele ciclului de viață al proiectului de analiză și inteligență artificială și oferă un aspect, o senzație și o abordare consistente pe măsură ce echipele parcurg acești pași. 

Când construiți o strategie modernă de platformă AI, este important să luați în considerare valoarea unei platforme all-in-one pentru orice, de la pregătirea datelor până la monitorizarea modelelor de învățare automată în producție. Cumpărarea de instrumente separate pentru fiecare componentă, dimpotrivă, poate fi extrem de dificilă, deoarece există mai multe piese ale puzzle-ului în diferite zone ale ciclului de viață (ilustrat mai jos).

Pentru a ajunge la stadiul transformării culturale pe termen lung printr-un program AI, este important să fii sigur că IT este implicat de la bun început. Managerii IT sunt esențiali pentru implementarea eficientă și fără probleme a oricărei tehnologii și, dintr-o perspectivă mai filozofică, sunt esențiali pentru insuflarea unei culturi a accesului la date echilibrată cu guvernanța și controlul adecvat.

Sfat de la IDC: „În loc să implementați soluții distincte pentru a gestiona sarcini mici, adoptați abordarea platformei pentru a sprijini experiențe consecvente și standardizare. 

Privind înainte

Scalarea eforturilor de analiză și AI necesită o cantitate semnificativă de timp și resurse, așa că ultimul lucru pe care vrei să-l faci este să eșuezi. În același timp, totuși, un pic de eșec sănătos în timpul experimentării este valoros, atâta timp cât echipele pot eșua rapid și își pot implementa învățările. Aceștia ar trebui să fie siguri că se concentrează pe perfecționare și formare (adică, implicarea din ce în ce mai mult a practicienilor în afaceri), să democratizeze instrumentele și tehnologiile AI și să pună barierele potrivite pentru a asigura implementări responsabile de AI.

Mergeți mai departe în abordarea eșecului proiectului AI

În această imagine interactivă, descoperiți principalele motive tehnice din spatele eșecului proiectului AI, precum și resurse suplimentare pentru motive de afaceri care alimentează eșecul proiectului (și modul în care Dataiku poate ajuta pe parcurs pentru ambele).

De ce proiectele tale AI eșuează? Explora acest microsite interactiv pentru a afla mai multe.

Sponsorizat de Dataiku.

Timestamp-ul:

Mai mult de la Registrul