สาเหตุทั่วไป 3 ประการที่ทำให้การวิเคราะห์และโครงการ AI ล้มเหลว

สาเหตุทั่วไป 3 ประการที่ทำให้การวิเคราะห์และโครงการ AI ล้มเหลว

Time Stamp: 16 สิงหาคม 2023 9:32
3 สาเหตุทั่วไปสำหรับการวิเคราะห์และความล้มเหลวของโครงการ AI PlatoBlockchain Data Intelligence ค้นหาแนวตั้ง AI.

บทความโฆษณา ตาม 2023 IDC InfoBrief ที่สนับสนุนโดย Dataiku – สร้างมูลค่าทางธุรกิจเพิ่มเติมจากข้อมูลองค์กรของคุณ – “แม้ว่าการยอมรับ [AI] จะขยายตัวอย่างรวดเร็ว แต่อัตราความล้มเหลวของโครงการยังคงสูงอยู่ องค์กรทั่วโลกต้องประเมินวิสัยทัศน์ของตนเพื่อจัดการกับตัวขัดขวางความสำเร็จ ปลดปล่อยพลังของ AI และเติบโตในยุคดิจิทัล”

ประเด็นที่สำคัญที่สุดประการหนึ่งเมื่อพูดถึงการเอาชนะการวิเคราะห์และความล้มเหลวของโครงการ AI คือไม่มีผู้กระทำผิดซ้ำเพียงคนเดียว — ความล้มเหลวของโครงการ AI มีหลายจุดทั้งในทีมธุรกิจและทีมเทคนิค ไมโครไซต์เชิงโต้ตอบด้านบนแสดงจุดความล้มเหลวที่พบบ่อยที่สุดในวงจรชีวิตโครงการ AI และแบ่งปันโซลูชันเกี่ยวกับวิธีที่ผู้นำข้อมูล การวิเคราะห์ และไอทีสามารถจัดการกับปัญหาเหล่านั้นได้อย่างรวดเร็วด้วย Dataiku

ในอีกด้านหนึ่งของเหรียญ บทความนี้จะกล่าวถึงสาเหตุทั่วไปบางส่วนที่ทำให้โครงการ AI ล้มเหลว (และคำแนะนำในการนำทาง)

ช่องว่างความสามารถของ AI (คน!)

ตัวบล็อกอันดับต้น ๆ สองตัวสำหรับการปรับขนาด AI กำลังจ้างคนที่มีทักษะด้านการวิเคราะห์และ AI และระบุกรณีธุรกิจที่ดี น่าเสียดายที่การจ้างนักวิทยาศาสตร์ข้อมูลเป็นร้อยเป็นพันนั้นไม่ใช่เรื่องจริงสำหรับองค์กรส่วนใหญ่ และผู้ที่สามารถจัดการปัญหาทั้งสองอย่างได้ (ผู้ที่มีทักษะด้าน AI และธุรกิจ) มักจะหายากมากจนเรียกว่ายูนิคอร์น 

เพื่อแก้ไขปัญหาทั้งสองนี้พร้อมกันอย่างแท้จริง องค์กรควร “สร้างทีมยูนิคอร์น ไม่ใช่จ้างคนยูนิคอร์น” ซึ่งหมายความว่าพวกเขาควรสร้างทีมที่ประกอบด้วยผู้เชี่ยวชาญด้านข้อมูลและโดเมน ในขณะเดียวกันก็มีเป้าหมาย พัฒนารูปแบบการทำงานของ AI (ซึ่งจะช่วยเพิ่มวุฒิภาวะ AI ของพวกเขาไปพร้อม ๆ กัน) เมื่อเวลาผ่านไป สิ่งนี้ได้ผล: 85% ของบริษัทที่ประสบความสำเร็จในการปรับขนาด AI ใช้ทีมพัฒนาแบบสหวิทยาการ ตามรายงานของ Harvard Business Review.

เคล็ดลับจาก IDC: “พิจารณาบทบาทของนักวิทยาศาสตร์ข้อมูลควบคู่ไปกับพนักงานที่มีความรู้และความเชี่ยวชาญในอุตสาหกรรม การเพิ่มขีดความสามารถของผู้ปฏิบัติงานที่มีความรู้จะช่วยเร่งเวลาในการสร้างคุณค่า”

ขาดการกำกับดูแลและการกำกับดูแลของ AI (กระบวนการ!)

สิ่งที่ทีมไม่สามารถจ่ายได้ในสภาพเศรษฐกิจมหภาคนี้คือการลดหรือตัดงบประมาณ AI ออกทั้งหมด อะไรจะนำไปสู่เหตุการณ์นี้ คุณอาจถาม? เสียเวลาไปกับการสร้างและทดสอบโมเดลแมชชีนเลิร์นนิง มากจนไม่ต้องลงมือผลิตเพื่อเริ่มสร้างมูลค่าที่แท้จริงและจับต้องได้สำหรับธุรกิจ (เช่น สร้างรายได้ ประหยัดเงิน หรือกระบวนการใหม่ที่สร้างขึ้นซึ่งไม่สามารถทำได้ในปัจจุบัน ).

ข่าวดี: มีการวิเคราะห์กลยุทธ์และแนวทางปฏิบัติที่ดีที่สุด และทีม AI สามารถนำไปใช้เพื่อเพิ่มความคล่องตัวและปรับขนาดความพยายามด้าน AI ได้อย่างปลอดภัย เช่น การกำหนดกลยุทธ์การกำกับดูแล AI (รวมถึงองค์ประกอบด้านการปฏิบัติงาน เช่น MLOps และองค์ประกอบตามมูลค่า เช่น Responsible AI)

ข่าวร้าย: บ่อยครั้งที่ทีมไม่ได้ตั้งค่ากระบวนการเหล่านี้ก่อนการปรับใช้ (ซึ่งอาจนำไปสู่ปัญหาที่ซับซ้อนมากมาย) และไม่มีทางที่จะก้าวไปข้างหน้าอย่างชัดเจนกับโครงการที่เหมาะสมซึ่งสร้างมูลค่าทางธุรกิจและเลิกใช้งาน ผู้ที่มีผลงานต่ำ

AI Governance นำเสนอการจัดการโมเดลแบบ end-to-end ตามขนาด โดยเน้นที่การส่งมอบคุณค่าที่ปรับตามความเสี่ยงและประสิทธิภาพในการปรับขนาด AI ทั้งหมดนี้สอดคล้องกับกฎระเบียบ ทีมจำเป็นต้องแยกความแตกต่างระหว่างการพิสูจน์แนวคิด (POC) การริเริ่มข้อมูลแบบบริการตนเอง และผลิตภัณฑ์ข้อมูลเชิงอุตสาหกรรม ตลอดจนความต้องการด้านธรรมาภิบาลในแต่ละด้าน จำเป็นต้องมีพื้นที่สำหรับการสำรวจและทดลอง แต่ทีมยังต้องตัดสินใจอย่างชัดเจนว่าเมื่อใดที่โครงการแบบบริการตนเองหรือ POC ควรมีเงินทุน การทดสอบ และการรับประกันเพื่อให้กลายเป็นโซลูชันเชิงอุตสาหกรรมและใช้งานได้จริง

เคล็ดลับจาก IDC: “กำหนดนโยบายที่ชัดเจนเกี่ยวกับความเป็นส่วนตัวของข้อมูล สิทธิ์ในการตัดสินใจ ความรับผิดชอบ และความโปร่งใส มีการจัดการความเสี่ยงเชิงรุกและต่อเนื่องและการกำกับดูแลที่ดำเนินการร่วมกันโดยฝ่ายไอทีและผู้ที่อยู่ในธุรกิจและการปฏิบัติตาม” 

ไม่คำนึงถึงแพลตฟอร์ม (เทคโนโลยี!)

ทีมจะระบุเทคโนโลยีและกระบวนการที่เหมาะสมเพื่อให้ใช้ AI ในวงกว้างได้อย่างไร

แพลตฟอร์มแบบ end-to-end (เช่น ดาไตคุ) นำความสอดคล้องกันในขั้นตอนต่างๆ ของวงจรชีวิตโครงการ Analytics และ AI และมอบรูปลักษณ์ ความรู้สึก และวิธีการที่สอดคล้องกันขณะที่ทีมเคลื่อนผ่านขั้นตอนเหล่านั้น 

เมื่อสร้างกลยุทธ์แพลตฟอร์ม AI ที่ทันสมัย ​​สิ่งสำคัญคือต้องพิจารณาถึงคุณค่าของแพลตฟอร์มแบบครบวงจรสำหรับทุกสิ่ง ตั้งแต่การเตรียมข้อมูลไปจนถึงการตรวจสอบโมเดลแมชชีนเลิร์นนิงในการผลิต ในทางกลับกัน การซื้อเครื่องมือแยกต่างหากสำหรับแต่ละส่วนประกอบอาจเป็นเรื่องที่ท้าทายอย่างมาก เนื่องจากมีจิ๊กซอว์หลายชิ้นในพื้นที่ต่างๆ ของวงจรชีวิต (ดูภาพประกอบด้านล่าง)

เพื่อเข้าสู่ขั้นตอนของการเปลี่ยนแปลงทางวัฒนธรรมในระยะยาวผ่านโปรแกรม AI สิ่งสำคัญคือต้องแน่ใจว่า IT มีส่วนร่วมตั้งแต่เริ่มต้น ผู้จัดการฝ่ายไอทีจำเป็นสำหรับการนำเทคโนโลยีใดๆ ที่มีประสิทธิภาพและราบรื่นมาใช้ และ — จากมุมมองทางปรัชญามากขึ้น — มีความสำคัญอย่างยิ่งต่อการปลูกฝังวัฒนธรรมการเข้าถึงข้อมูลที่สมดุลกับการกำกับดูแลและการควบคุมที่เหมาะสม

เคล็ดลับจาก IDC: “แทนที่จะใช้โซลูชันที่แตกต่างกันเพื่อจัดการงานเล็กๆ ให้หันมาใช้แนวทางของแพลตฟอร์มเพื่อสนับสนุนประสบการณ์และมาตรฐานที่สอดคล้องกัน 

มองไปข้างหน้า

การวิเคราะห์ปรับขนาดและความพยายามของ AI ใช้เวลาและทรัพยากรจำนวนมาก ดังนั้นสิ่งสุดท้ายที่คุณต้องการทำคือล้มเหลว ในขณะเดียวกัน ความล้มเหลวเพียงเล็กน้อยระหว่างการทดลองก็มีค่า ตราบใดที่ทีมสามารถล้มเหลวได้อย่างรวดเร็วและนำการเรียนรู้ไปใช้ พวกเขาควรแน่ใจว่าได้มุ่งเน้นไปที่การยกระดับทักษะและการฝึกอบรม (เช่น การให้ผู้ประกอบธุรกิจมีส่วนร่วมมากขึ้นเรื่อย ๆ) ทำให้เครื่องมือและเทคโนโลยี AI เป็นประชาธิปไตย และวางแนวป้องกันที่เหมาะสมเพื่อให้แน่ใจว่าการใช้งาน AI อย่างมีความรับผิดชอบ

ไปเพิ่มเติมเกี่ยวกับความล้มเหลวของโครงการ AI

ในภาพแบบอินเทอร์แอกทีฟนี้ ค้นพบสาเหตุทางเทคนิคที่สำคัญที่อยู่เบื้องหลังความล้มเหลวของโครงการ AI รวมถึงแหล่งข้อมูลเพิ่มเติมสำหรับเหตุผลทางธุรกิจที่กระตุ้นให้เกิดความล้มเหลวของโครงการ (และวิธีที่ Dataiku สามารถช่วยได้ทั้งสองอย่าง)

ทำไมโครงการ AI ของคุณถึงล้มเหลว สำรวจ ไมโครไซต์เชิงโต้ตอบนี้ เพื่อเรียนรู้เพิ่มเติม

สนับสนุนโดย Dataiku

ประทับเวลา:

เพิ่มเติมจาก ลงทะเบียน