3 поширені причини невдач аналітики та проектів ШІ

3 поширені причини невдач аналітики та проектів ШІ

Мітка часу: 16 серпня 2023 р., 9:32
3 поширені причини невдач аналітики та проектів AI PlatoBlockchain Data Intelligence. Вертикальний пошук. Ai.

Рекламний За даними 2023 Інформаційний бюлетень IDC, спонсорований Dataiku – створюйте більше цінності для бізнесу на основі даних вашої організації – «Хоча впровадження [ШІ] швидко розширюється, рівень невдач проектів залишається високим. Організації в усьому світі повинні оцінити своє бачення, щоб усунути гальмівники успіху, розкрити потужність ШІ та процвітати в цифрову еру».

Один із найважливіших висновків, коли справа доходить до подолання невдач аналітики та проектів штучного інтелекту, полягає в тому, що ніколи не буває лише одного повторного порушника — існують різні моменти невдач проектів штучного інтелекту як у бізнес-команд, так і в технічних команд. Інтерактивний мікросайт вище візуально відображає найпоширеніші точки збою протягом життєвого циклу проекту ШІ та ділиться рішеннями про те, як дані, аналітика та ІТ-лідери можуть швидко вирішити їх за допомогою Dataiku.

З іншого боку медалі, у цій статті розглядатимуться деякі з найпоширеніших причин провалу проекту ШІ (та поради щодо їх вирішення).

Розрив у талантах AI (люди!)

Двома найкращими блокувальниками для масштабування ШІ є наймання людей з аналітикою та навичками штучного інтелекту та визначення хороших бізнес-кейсів. На жаль, найняти сотні чи тисячі спеціалістів із обробки даних нереалістично для більшості організацій, а люди, які можуть вирішити обидві проблеми (ті, що володіють штучним інтелектом і бізнес-навичками), часто настільки рідкісні, що їх називають єдинорогами. 

Отже, організації повинні фактично вирішити обидві ці проблеми одночасно «створюйте команди єдинорогів, а не наймайте людей-єдинорогів». Це означає, що вони повинні створювати команди, що складаються як з експертів із даних, так і з експертів із домену, а також прагнути розвивати свою операційну модель ШІ (що одночасно підвищить їхню зрілість ШІ) з часом. Це працює: 85% компаній, які успішно розширили ШІ, використовують міждисциплінарні команди розробників, згідно з Harvard Business Review.

Порада від IDC: «Подумайте про роль спеціалістів із обробки даних разом із працівниками інтелектуальної техніки та галузевим досвідом. Розширення можливостей інтелектуальних працівників пришвидшить час для отримання цінності».

Відсутність управління ШІ та нагляду (процеси!)

Чого команда не може дозволити собі в цьому макроекономічному кліматі, так це скоротити або повністю скоротити бюджети ШІ. Ви можете запитати, що може призвести до цього? Витрачений час на створення та тестування моделей машинного навчання настільки, що їх ніколи не запускають у виробництво, щоб почати генерувати реальну відчутну цінність для бізнесу (наприклад, зароблені гроші, заощаджені гроші або новий процес, створений, який неможливо виконати сьогодні ).

Хороші новини: існують стратегії та найкращі методи аналітики, які команди штучного інтелекту можуть застосувати, щоб безпечно оптимізувати та масштабувати свої зусилля ШІ, наприклад створення стратегії управління AI (включно з оперативними елементами, такими як MLOps, і ціннісними елементами, такими як відповідальний штучний інтелект).

Погана новина: часто у команд не налаштовано ці процеси перед розгортанням (що може призвести до багатьох ускладнень), і вони не мають способу чітко просуватися вперед із потрібними проектами, які створюють цінність для бізнесу, і припиняють ті, що не працюють.

Управління штучним інтелектом забезпечує наскрізне масштабне керування моделлю, зосереджуючись на отриманні цінності з поправкою на ризик і ефективності масштабування штучного інтелекту відповідно до нормативних актів. Команди повинні розрізняти перевірку концепції (POC), ініціативи з обробки даних із самообслуговуванням і індустріалізовані продукти обробки даних, а також потреби в управлінні, що стосуються кожного з них. Необхідно надати простір для досліджень і експериментів, але команди також повинні приймати чіткі рішення щодо того, коли проекти самообслуговування або POC повинні мати фінансування, тестування та гарантії, щоб стати індустріалізованим, оперативним рішенням.

Порада від IDC: «Встановіть чітку політику щодо конфіденційності даних, прав прийняття рішень, підзвітності та прозорості. Проактивне та безперервне управління ризиками та управління, що здійснюються спільно ІТ-спеціалістами, бізнесменами та відповідальністю». 

Не приймаючи мислення платформи (технології!)

Як команди можуть точно визначити правильні технології та процеси, щоб забезпечити масштабне використання ШІ?

Наскрізна платформа (як Датайку) забезпечує згуртованість між етапами життєвого циклу проекту аналітики та штучного інтелекту та забезпечує послідовний вигляд, відчуття та підхід під час проходження командами цих етапів. 

Розробляючи сучасну стратегію платформи штучного інтелекту, важливо враховувати цінність платформи «все в одному» для всього, від підготовки даних до моніторингу моделей машинного навчання у виробництві. Купівля окремих інструментів для кожного компонента, навпаки, може бути надзвичайно складною, оскільки існує кілька частин головоломки в різних сферах життєвого циклу (ілюстровано нижче).

Щоб досягти етапу довгострокової культурної трансформації за допомогою програми AI, важливо бути впевненим, що ІТ задіяні з самого початку. ІТ-менеджери мають важливе значення для ефективного, плавного розгортання будь-якої технології та — з більш філософської точки зору — мають вирішальне значення для прищеплення культури доступу до даних, збалансованої з належним управлінням і контролем.

Порада від IDC: «Замість того, щоб впроваджувати різні рішення для обробки невеликих завдань, прийміть підхід платформи для підтримки узгодженого досвіду та стандартизації. 

Забігаючи вперед

Масштабна аналітика та зусилля штучного інтелекту потребують значної кількості часу та ресурсів, тому останнє, що ви хочете зробити, це зазнати невдачі. У той же час, трохи здорових невдач під час експерименту є цінним, якщо команди можуть швидко зазнавати невдач і застосовувати свої знання. Їм слід обов’язково зосередитися на підвищенні кваліфікації та навчанні (тобто залучати бізнес-практиків до більшої й більшої участі), демократизувати інструменти та технології штучного інтелекту та встановлювати правильні перешкоди для забезпечення відповідального розгортання штучного інтелекту.

Йдіть далі щодо вирішення проблеми невдачі проекту AI

У цьому інтерактивному відео ви дізнаєтеся про головні технічні причини провалу проекту штучного інтелекту, а також про додаткові ресурси для бізнес-причин, що сприяють провалу проекту (і як Dataiku може допомогти на цьому шляху для обох).

Чому ваші проекти ШІ зазнають невдачі? Досліджуйте цей інтерактивний мікросайт щоб дізнатися більше.

Спонсор Dataiku.

Часова мітка:

Більше від Реєстр