3 vanliga orsaker till misslyckanden i analys- och AI-projekt

3 vanliga orsaker till misslyckanden i analys- och AI-projekt

Tidsstämpel: 16 augusti 2023 9:32
3 vanliga orsaker till misslyckanden i analys- och AI-projekt PlatoBlockchain Data Intelligence. Vertikal sökning. Ai.

advertorial Enligt 2023 Dataiku-sponsrad IDC InfoBrief – Skapa mer affärsvärde från din organisationsdata – "Även om användningen av [AI] växer snabbt, är andelen projektmisslyckanden fortfarande hög. Organisationer över hela världen måste utvärdera sin vision för att ta itu med hämmarna för framgång, släppa lös kraften i AI och frodas i den digitala eran.”

En av de viktigaste åtgärderna när det gäller att övervinna analyser och AI-projektmisslyckanden är att det aldrig bara finns en återfallsförbrytare – det finns olika punkter där AI-projekt misslyckats i både affärs- och tekniska team. Den interaktiva mikrosajten ovan visar visuellt de vanligaste felpunkterna under hela AI-projektets livscykel och delar lösningar på hur data-, analys- och IT-ledare snabbt kan åtgärda dem med Dataiku.

På andra sidan av myntet kommer den här artikeln att ta upp några av de vanligaste orsakerna till att AI-projekt misslyckas (och tips för att navigera i dem).

AI-talangsgapet (människor!)

Två av de främsta blockerarna för att skala AI är att anställa personer med analys- och AI-kunskaper och att identifiera bra affärscase. Tyvärr är det inte realistiskt att anställa hundratals eller tusentals dataforskare för de flesta organisationer och de människor som kan ta itu med båda problemen (de med AI och affärskunskaper) är ofta så sällsynta att de kallas enhörningar. 

För att faktiskt ta itu med båda dessa frågor på en gång, då borde organisationerna "bygga enhörningsteam, inte anställa enhörningsmänniskor." Detta innebär att de bör bygga team bestående av både data- och domänexperter, samtidigt som de strävar efter utveckla sin AI-operativmodell (vilket samtidigt kommer att öka deras AI-mognad) över tid. Detta fungerar: 85 % av företagen som framgångsrikt har skalat AI använder tvärvetenskapliga utvecklingsteam, enligt Harvard Business Review.

Tips från IDC: “Tänk på rollen som datavetare tillsammans med kunskapsarbetare och branschexpertis. Att stärka kunskapsarbetare kommer att påskynda tiden till värde."

Brist på AI-styrning och tillsyn (processer!)

Vad teamet inte har råd med i detta makroekonomiska klimat är att AI-budgetar ska minskas eller skäras helt. Vad skulle leda till att detta skulle hända, kan du fråga dig? Tid slösas bort med att bygga och testa maskininlärningsmodeller, så mycket att de aldrig kommer i produktion för att börja generera verkligt, påtagligt värde för verksamheten (som pengar som tjänats in, sparade pengar eller en ny process etablerad som inte kunde göras idag ).

De goda nyheterna: Det finns strategier och bästa praxis som analyser och AI-team kan implementera för att säkert effektivisera och skala sina AI-insatser, som t.ex. upprätta en AI-styrningsstrategi (inklusive operativa element som MLOps och värdebaserade element som Responsible AI).

De dåliga nyheterna: Ofta har team antingen inte dessa processer inrättade före implementeringen (vilket kan leda till många komplexa problem) och har inte ett sätt att tydligt gå vidare med rätt projekt som genererar affärsvärde och avskaffar de underpresterande.

AI Governance levererar end-to-end modellhantering i stor skala, med fokus på riskjusterad värdeleverans och effektivitet i AI-skalning, allt i linje med regelverk. Team måste göra skillnader mellan proof-of-concepts (POCs), självbetjäningsdatainitiativ och industrialiserade dataprodukter, såväl som styrningsbehoven kring var och en. Utrymme måste ges för utforskning och experiment, men team måste också fatta tydliga beslut om när självbetjäningsprojekt eller POC:er ska ha finansiering, testning och garanti för att bli en industrialiserad, operativ lösning.

Tips från IDC: "Skapa tydliga policyer för datasekretess, beslutsrätt, ansvarighet och transparens. Ha proaktiv och löpande riskhantering och styrning som utförs gemensamt av IT och de som arbetar med affärer och efterlevnad.” 

Inte ta ett plattformstänk (teknik!)

Hur kan team hitta rätt teknik och processer för att möjliggöra användningen av AI i stor skala?

En end-to-end-plattform (som Dataiku) ger sammanhållning över stegen i analys- och AI-projektets livscykel och ger ett konsekvent utseende, känsla och tillvägagångssätt när team går igenom dessa steg. 

När du bygger en modern AI-plattformsstrategi är det viktigt att överväga värdet av en allt-i-ett-plattform för allt från dataförberedelser till övervakning av maskininlärningsmodeller i produktion. Att köpa separata verktyg för varje komponent kan omvänt vara oerhört utmanande eftersom det finns flera pusselbitar över olika delar av livscykeln (illustreras nedan).

För att komma till stadiet av långsiktig kulturell transformation via ett AI-program är det viktigt att vara säker på att IT är med från första början. IT-chefer är avgörande för en effektiv och smidig utrullning av all teknik och – ur ett mer filosofiskt perspektiv – är avgörande för att skapa en kultur av tillgång till data balanserad med rätt styrning och kontroll.

Tips från IDC: "Istället för att implementera distinkta lösningar för att hantera små uppgifter, anamma plattformsstrategin för att stödja konsekventa upplevelser och standardisering. 

Ser framåt

Skalanalys och AI-ansträngningar tar en betydande mängd tid och resurser, så det sista du vill göra är att misslyckas. Samtidigt är lite hälsosamt misslyckande under experimentet värdefullt, så länge teamen kan misslyckas snabbt och implementera sina lärdomar. De bör vara säkra på att fokusera på kompetenshöjning och utbildning (dvs. engagera affärsutövare mer och mer), demokratisera AI-verktyg och -teknologier och sätta rätt skyddsräcken på plats för att säkerställa ansvarsfulla AI-utbyggnader.

Gå vidare med att ta itu med AI-projektmisslyckanden

I den här interaktiva bilden kan du upptäcka de främsta tekniska orsakerna bakom AI-projektmisslyckanden samt ytterligare resurser av affärsskäl som underblåser projektmisslyckanden (och hur Dataiku kan hjälpa till på vägen för båda).

Varför misslyckas dina AI-projekt? Utforska denna interaktiva mikrosajt att lära sig mer.

Sponsras av Dataiku.

Tidsstämpel:

Mer från Registret