3 распространенные причины провала проектов аналитики и искусственного интеллекта

3 распространенные причины провала проектов аналитики и искусственного интеллекта

Отметка времени: 16 августа 2023 г., 9:32
3 частые причины неудач проектов в области аналитики и искусственного интеллекта PlatoBlockchain Data Intelligence. Вертикальный поиск. Ай.

объявление о Согласно 2023 Информационный брифинг IDC, спонсируемый Dataiku, — создайте дополнительную ценность для бизнеса из своих организационных данных – «Несмотря на то, что внедрение [ИИ] быстро расширяется, процент неудачных проектов остается высоким. Организации во всем мире должны оценить свое видение, чтобы устранить препятствия на пути к успеху, раскрыть мощь ИИ и добиться процветания в эпоху цифровых технологий».

Один из самых важных выводов, когда дело доходит до преодоления провала аналитики и проекта ИИ, заключается в том, что никогда не бывает только одного рецидивиста — существуют различные точки провала проекта ИИ как в бизнес-, так и в технических командах. Интерактивный микросайт выше визуально отображает наиболее распространенные точки сбоев в жизненном цикле проекта ИИ и предлагает решения о том, как руководители данных, аналитики и ИТ могут быстро решить их с помощью Dataiku.

С другой стороны, в этой статье будут рассмотрены некоторые из наиболее распространенных причин провала проектов ИИ (и советы по их устранению).

Дефицит талантов ИИ (люди!)

Два основных препятствия для масштабирования ИИ — это найм людей с навыками аналитики и ИИ и выявление хороших бизнес-кейсов. К сожалению, нанять сотни или тысячи специалистов по данным нереально для большинства организаций, а люди, которые могут решить обе проблемы (с искусственным интеллектом и бизнес-навыками), часто настолько редки, что их называют единорогами. 

Таким образом, чтобы решить обе эти проблемы одновременно, организациям следует «Создавайте команды единорогов, а не нанимайте единорогов». Это означает, что они должны создавать команды, состоящие как из экспертов по данным, так и из экспертов в предметной области, а также стремиться к развивать свою операционную модель ИИ (что одновременно повысит зрелость их ИИ) с течением времени. Это работает: 85% компаний, успешно масштабировавших ИИ, используют междисциплинарные команды разработчиков, согласно Harvard Business Review.

Совет от IDC: «Учитывайте роль специалистов по данным наряду с работниками умственного труда и отраслевым опытом. Расширение прав и возможностей работников умственного труда ускорит окупаемость».

Отсутствие управления и контроля ИИ (процессы!)

Чего команда не может себе позволить в этом макроэкономическом климате, так это сокращения или полного сокращения бюджета на ИИ. Что может привести к этому, спросите вы? Потрачено время на создание и тестирование моделей машинного обучения, настолько много, что они никогда не попадают в производство, чтобы начать создавать реальную, ощутимую ценность для бизнеса (например, заработанные деньги, сэкономленные деньги или созданный новый процесс, который нельзя было сделать сегодня). ).

Хорошие новости: существуют стратегии и лучшие практики, которые аналитики и команды ИИ могут внедрить для безопасной оптимизации и масштабирования своих усилий в области ИИ, таких как создание стратегии управления ИИ (включая операционные элементы, такие как MLOps, и элементы, основанные на ценности, такие как ответственный ИИ).

Плохая новость: часто команды либо не настраивают эти процессы до развертывания (что может привести ко многим сложностям), либо не имеют возможности четко продвинуться вперед с нужными проектами, которые действительно создают ценность для бизнеса и устаревают. малоэффективные.

AI Governance обеспечивает сквозное управление моделью в масштабе, уделяя особое внимание предоставлению ценности с поправкой на риски и эффективности масштабирования ИИ в соответствии с нормативными требованиями. Команды должны различать проверки концепций (POC), инициативы самообслуживания данных и промышленные продукты данных, а также потребности управления, связанные с каждым из них. Необходимо предоставить пространство для исследований и экспериментов, но командам также необходимо принимать четкие решения о том, когда проекты самообслуживания или POC должны иметь финансирование, тестирование и гарантии, чтобы стать промышленным, операционным решением.

Совет от IDC: «Создайте четкие политики в отношении конфиденциальности данных, прав на принятие решений, подотчетности и прозрачности. Обеспечьте упреждающее и постоянное управление рисками и управление, осуществляемое совместно ИТ-отделом и теми, кто занимается бизнесом и соблюдением нормативных требований». 

Не принимая платформенное мышление (технология!)

Как команды могут определить правильные технологии и процессы, чтобы обеспечить масштабное использование ИИ?

Комплексная платформа (например, Датаику) обеспечивает согласованность этапов жизненного цикла аналитики и ИИ-проекта и обеспечивает единообразный внешний вид, ощущения и подход по мере прохождения командами этих этапов. 

При разработке стратегии современной платформы ИИ важно учитывать ценность универсальной платформы для всего: от подготовки данных до мониторинга моделей машинного обучения в производстве. И наоборот, покупка отдельных инструментов для каждого компонента может быть чрезвычайно сложной задачей, поскольку в разных областях жизненного цикла есть несколько частей головоломки (показано ниже).

Чтобы выйти на этап долгосрочной культурной трансформации с помощью программы искусственного интеллекта, важно убедиться, что ИТ задействованы с самого начала. ИТ-менеджеры необходимы для эффективного и плавного развертывания любой технологии и — с более философской точки зрения — имеют решающее значение для привития культуры доступа к данным, сбалансированной с надлежащим управлением и контролем.

Совет от IDC: «Вместо того, чтобы внедрять отдельные решения для решения небольших задач, используйте платформенный подход для поддержки согласованного опыта и стандартизации. 

Забегая вперед

Масштабирование аналитики и ИИ требует значительного количества времени и ресурсов, поэтому последнее, что вы хотите сделать, это потерпеть неудачу. В то же время, немного здоровой неудачи во время экспериментов ценно, если команды могут быстро потерпеть неудачу и применить свои знания. Они обязательно должны сосредоточиться на повышении квалификации и обучении (т. е. на все большем вовлечении бизнес-практиков), демократизации инструментов и технологий ИИ и создании правильных барьеров для обеспечения ответственного развертывания ИИ.

Идите дальше в решении проблемы провала проекта ИИ

В этом интерактивном визуальном представлении вы узнаете о главных технических причинах провала проекта ИИ, а также о дополнительных ресурсах по бизнес-причинам, которые привели к провалу проекта (и о том, как Dataiku может помочь в обоих случаях).

Почему ваши проекты ИИ терпят неудачу? Исследовать этот интерактивный микросайт чтобы узнать больше.

При поддержке Датаику.

Отметка времени:

Больше от Регистр