3 pogosti razlogi za neuspeh projektov analitike in umetne inteligence

Ponovno objavil Platon

Spremljevalci: 0

3 pogosti razlogi za neuspešne projekte analitike in umetne inteligence PlatoBlockchain Data Intelligence. Navpično iskanje. Ai.

Oglaševalec Glede na 2023 IDC InfoBrief, ki ga sponzorira Dataiku – ustvarite več poslovne vrednosti iz svojih organizacijskih podatkov – »Čeprav se uporaba [AI] hitro širi, stopnje neuspešnih projektov ostajajo visoke. Organizacije po vsem svetu morajo oceniti svojo vizijo, da bi odpravile zaviralce uspeha, sprostile moč umetne inteligence in uspevale v digitalni dobi.«

Eden najpomembnejših zaključkov, ko gre za premagovanje analitike in neuspeha projektov umetne inteligence, je, da nikoli ni le enega ponovnega kršitelja – obstajajo različne točke neuspeha projektov umetne inteligence v poslovnih in tehničnih ekipah. Zgornje interaktivno mikrostran vizualno prikazuje najpogostejše točke napak v celotnem življenjskem ciklu projekta umetne inteligence in deli rešitve o tem, kako jih lahko vodje podatkov, analitike in IT hitro rešijo z Dataiku.

Po drugi strani pa bo ta članek obravnaval nekaj najpogostejših razlogov, ki spodbujajo neuspeh projektov umetne inteligence (in nasvete za krmarjenje po njih).

Vrzel v talentih AI (ljudje!)

Dva najboljša blokatorja za povečanje umetne inteligence zaposlujeta ljudi z analitiko in veščinami umetne inteligence ter prepoznava dobre poslovne primere. Na žalost najem sto ali tisoč podatkovnih znanstvenikov za večino organizacij ni realističen in ljudje, ki lahko rešijo obe težavi (tisti z umetno inteligenco in poslovnimi znanji), so pogosto tako redki, da jih imenujejo samorogi.

Organizacije bi morale dejansko obravnavati obe vprašanji hkrati "zgradite ekipe samorogov, ne najemajte ljudi samorogov." To pomeni, da bi morali sestaviti ekipe, sestavljene iz strokovnjakov za podatke in področja, hkrati pa si prizadevati za razvijajo svoj operativni model AI (kar bo hkrati povečalo njihovo zrelost AI) sčasoma. To deluje: 85 % podjetij, ki so uspešno razširila AI, uporablja interdisciplinarne razvojne ekipe, glede na Harvard Business Review.

Namig IDC: »Razmislite o vlogi podatkovnih znanstvenikov skupaj z delavci znanja in strokovnim znanjem v industriji. Opolnomočenje delavcev znanja bo pospešilo čas do vrednosti.«

Pomanjkanje upravljanja in nadzora AI (procesi!)

Ekipe si v tej makroekonomski klimi ne morejo privoščiti zmanjšanja ali popolnega zmanjšanja proračunov za umetno inteligenco. Kaj bi pripeljalo do tega, se lahko vprašate? Zapravljen čas za gradnjo in preizkušanje modelov strojnega učenja, tako zelo, da nikoli ne pridejo v proizvodnjo, da bi začeli ustvarjati resnično, oprijemljivo vrednost za podjetje (kot je zasluženi denar, prihranjen denar ali vzpostavljen nov proces, ki ga danes ni mogoče izvesti ).

Dobra novica: obstajajo strategije in najboljše prakse, ki jih analitika in ekipe za umetno inteligenco lahko izvajajo za varno racionalizacijo in povečanje svojih prizadevanj na področju umetne inteligence, kot je npr. vzpostavitev strategije upravljanja AI (vključno z operativnimi elementi, kot so MLOps, in elementi, ki temeljijo na vrednosti, kot je odgovorna umetna inteligenca).

Slaba novica: ekipe pogosto nimajo nastavljenih teh procesov pred uvedbo (kar lahko privede do številnih težav s sestavljanjem) in nimajo načina, da bi jasno napredovale s pravimi projekti, ki ustvarjajo poslovno vrednost, in opustijo slabše.

Upravljanje umetne inteligence zagotavlja upravljanje modela od konca do konca v velikem obsegu, s poudarkom na zagotavljanju vrednosti, prilagojenem tveganju, in učinkovitosti pri prilagajanju umetne inteligence, vse v skladu s predpisi. Ekipe morajo razlikovati med pobudami za dokazovanje konceptov (POC), samopostrežnimi podatkovnimi pobudami in industrializiranimi podatkovnimi izdelki ter potrebami po upravljanju, ki jih obdajajo. Treba je dati prostor za raziskovanje in eksperimentiranje, vendar se morajo ekipe tudi jasno odločiti, kdaj morajo samopostrežni projekti ali POC imeti financiranje, testiranje in zagotovilo, da postanejo industrializirana, operativna rešitev.

Namig IDC: »Vzpostavite jasne politike za zasebnost podatkov, pravice odločanja, odgovornost in preglednost. Omogočite proaktivno in stalno obvladovanje tveganja in vodenje, ki ga skupaj izvajajo IT in tisti, ki se ukvarjajo s poslovanjem in skladnostjo.«

Brez platforme (tehnologija!)

Kako lahko ekipe natančno določijo prave tehnologije in procese, da omogočijo uporabo umetne inteligence v velikem obsegu?

Platforma od konca do konca (npr Dataiku) prinaša kohezijo med koraki življenjskega cikla projekta analitike in umetne inteligence ter zagotavlja dosleden videz, občutek in pristop, ko se ekipe premikajo skozi te korake.

Ko gradite strategijo sodobne platforme AI, je pomembno upoštevati vrednost platforme vse v enem za vse, od priprave podatkov do spremljanja modelov strojnega učenja v proizvodnji. Nasprotno pa je nakup ločenih orodij za vsako komponento lahko izjemen izziv, saj obstaja več kosov sestavljanke na različnih področjih življenjskega cikla (prikazano spodaj).

Da bi prišli do stopnje dolgoročne kulturne preobrazbe prek programa AI, je pomembno zagotoviti, da je IT vključen že od samega začetka. Vodje IT so bistveni za učinkovito in nemoteno uvajanje katere koli tehnologije in – z bolj filozofskega vidika – so ključni za uvajanje kulture dostopa do podatkov, ki je uravnotežena z ustreznim upravljanjem in nadzorom.

Namig IDC: »Namesto izvajanja ločenih rešitev za obvladovanje majhnih nalog, sprejmite pristop platforme za podporo doslednih izkušenj in standardizacije.

Pogled naprej

Prizadevanja za prilagajanje analitike in umetne inteligence zahtevajo veliko časa in sredstev, zato je zadnja stvar, ki bi jo želeli narediti, neuspeh. Hkrati pa je nekaj zdravega neuspeha med eksperimentiranjem dragoceno, če lahko ekipe hitro spodletijo in uveljavijo svoja učenja. Zagotovo bi se morali osredotočiti na izpopolnjevanje in usposabljanje (tj. vedno bolj vključiti poslovneže), demokratizirati orodja in tehnologije umetne inteligence ter postaviti prave varovalne ograje, da bi zagotovili odgovorno uvajanje umetne inteligence.

Nadaljujte z obravnavanjem neuspeha projekta AI

V tem interaktivnem videu odkrijte najpomembnejše tehnične razloge za neuspeh projekta AI in dodatne vire za poslovne razloge, ki spodbujajo neuspeh projekta (in kako lahko Dataiku pomaga na poti za oboje).

Zakaj vaši projekti AI propadajo? Raziščite to interaktivno mikrostran Če želite izvedeti več.

Sponzor Dataiku.