3 lý do phổ biến khiến dự án phân tích & AI thất bại

3 lý do phổ biến khiến dự án phân tích & AI thất bại

Dấu thời gian: 16:2023 sáng ngày 9 tháng 32 năm XNUMX
3 lý do phổ biến khiến dự án phân tích & AI thất bại PlatoBlockchain Data Intelligence. Tìm kiếm dọc. Ái.

Quảng cáo Theo 2023 Dataiku-sponsored IDC InfoBrief – Tạo thêm giá trị kinh doanh từ dữ liệu tổ chức của bạn – “Mặc dù việc áp dụng [AI] đang mở rộng nhanh chóng, nhưng tỷ lệ thất bại của dự án vẫn ở mức cao. Các tổ chức trên toàn thế giới phải đánh giá tầm nhìn của họ để giải quyết các yếu tố cản trở thành công, giải phóng sức mạnh của AI và phát triển mạnh trong kỷ nguyên kỹ thuật số.”

Một trong những điểm quan trọng nhất khi nói đến việc khắc phục lỗi phân tích và thất bại của dự án AI là không bao giờ chỉ có một người tái phạm — có nhiều điểm khác nhau dẫn đến thất bại của dự án AI ở cả nhóm kinh doanh và kỹ thuật. Trang web tương tác ở trên hiển thị trực quan các điểm lỗi phổ biến nhất trong vòng đời của dự án AI và chia sẻ các giải pháp về cách các nhà lãnh đạo dữ liệu, phân tích và CNTT có thể nhanh chóng giải quyết chúng bằng Dataiku.

Mặt khác, bài viết này sẽ giải quyết một số lý do phổ biến nhất dẫn đến thất bại của dự án AI (và các mẹo để điều hướng chúng).

Khoảng cách tài năng AI (con người!)

Hai trong số những công cụ hàng đầu để mở rộng quy mô AI đang tuyển dụng những người có kỹ năng phân tích và AI, đồng thời xác định các trường hợp kinh doanh tốt. Thật không may, việc thuê hàng trăm hoặc hàng nghìn nhà khoa học dữ liệu là không thực tế đối với hầu hết các tổ chức và những người có thể giải quyết cả hai vấn đề (những người có kỹ năng kinh doanh và AI) thường hiếm đến mức họ được gọi là kỳ lân. 

Để thực sự giải quyết cả hai vấn đề này cùng một lúc, các tổ chức nên “xây dựng đội kỳ lân, không thuê người kỳ lân.” Điều này có nghĩa là họ nên xây dựng các nhóm bao gồm cả chuyên gia về dữ liệu và miền, đồng thời nhằm mục đích phát triển mô hình hoạt động AI của họ (điều này sẽ đồng thời thúc đẩy sự trưởng thành AI của họ) theo thời gian. Điều này hiệu quả: 85% các công ty đã mở rộng thành công AI sử dụng các nhóm phát triển liên ngành, theo Harvard Business Review.

Lời khuyên từ IDC: “Hãy xem xét vai trò của các nhà khoa học dữ liệu cùng với những người lao động tri thức và chuyên môn trong ngành. Trao quyền cho những người lao động tri thức sẽ đẩy nhanh thời gian đạt được giá trị.”

Thiếu quản trị và giám sát AI (quy trình!)

Những gì nhóm không thể đủ khả năng trong môi trường kinh tế vĩ mô này là giảm hoặc cắt hoàn toàn ngân sách AI. Điều gì sẽ dẫn đến điều này xảy ra, bạn có thể hỏi? Lãng phí thời gian xây dựng và thử nghiệm các mô hình máy học, nhiều đến mức chúng không bao giờ được đưa vào sản xuất để bắt đầu tạo ra giá trị thực, hữu hình cho doanh nghiệp (chẳng hạn như tiền kiếm được, tiền tiết kiệm được hoặc một quy trình mới được thiết lập mà không thể thực hiện được ngày nay) ).

Tin tốt: Có các chiến lược và phương pháp hay nhất mà các nhóm phân tích và AI có thể triển khai để hợp lý hóa và mở rộng quy mô các nỗ lực AI của họ một cách an toàn, chẳng hạn như thiết lập chiến lược Quản trị AI (bao gồm các yếu tố vận hành như MLOps và các yếu tố dựa trên giá trị như Trí tuệ nhân tạo có trách nhiệm).

Tin xấu: Thông thường, các nhóm không có các quy trình này được thiết lập trước khi triển khai (điều này có thể dẫn đến nhiều vấn đề phức tạp) và không có cách nào để tiến lên một cách rõ ràng với các dự án phù hợp tạo ra giá trị kinh doanh và không dùng nữa. những người làm việc kém hiệu quả.

Quản trị AI cung cấp khả năng quản lý mô hình từ đầu đến cuối trên quy mô lớn, tập trung vào việc cung cấp giá trị được điều chỉnh theo rủi ro và hiệu quả trong việc mở rộng quy mô AI, tất cả đều phù hợp với quy định. Các nhóm cần phân biệt giữa bằng chứng khái niệm (POC), sáng kiến ​​dữ liệu tự phục vụ và sản phẩm dữ liệu công nghiệp hóa, cũng như nhu cầu quản trị xung quanh từng sản phẩm. Cần có không gian để khám phá và thử nghiệm, nhưng các nhóm cũng cần đưa ra quyết định rõ ràng về thời điểm các dự án tự phục vụ hoặc POC nên có kinh phí, thử nghiệm và đảm bảo để trở thành một giải pháp vận hành, công nghiệp hóa.

Lời khuyên từ IDC: “Thiết lập các chính sách rõ ràng về quyền riêng tư dữ liệu, quyền quyết định, trách nhiệm giải trình và tính minh bạch. Có quản trị và quản lý rủi ro chủ động và liên tục được thực hiện bởi bộ phận CNTT và những người trong lĩnh vực kinh doanh và tuân thủ.” 

Không sử dụng tư duy nền tảng (công nghệ!)

Làm cách nào các nhóm có thể xác định chính xác các công nghệ và quy trình phù hợp để cho phép sử dụng AI trên quy mô lớn?

Một nền tảng đầu cuối (như dữ liệu) mang lại sự gắn kết trong các bước của vòng đời dự án AI và phân tích, đồng thời cung cấp giao diện, cảm nhận và cách tiếp cận nhất quán khi các nhóm di chuyển qua các bước đó. 

Khi xây dựng chiến lược nền tảng AI hiện đại, điều quan trọng là phải xem xét giá trị của nền tảng tất cả trong một cho mọi thứ, từ chuẩn bị dữ liệu đến giám sát các mô hình máy học trong sản xuất. Ngược lại, việc mua các công cụ riêng biệt cho từng thành phần có thể cực kỳ khó khăn vì có nhiều mảnh ghép trong các lĩnh vực khác nhau của vòng đời (minh họa bên dưới).

Để đạt được giai đoạn chuyển đổi văn hóa lâu dài thông qua một chương trình AI, điều quan trọng là phải đảm bảo rằng CNTT có liên quan ngay từ đầu. Các nhà quản lý CNTT rất cần thiết để triển khai hiệu quả, suôn sẻ bất kỳ công nghệ nào và — từ góc độ triết học hơn — rất quan trọng để thấm nhuần văn hóa truy cập dữ liệu cân bằng với quản trị và kiểm soát phù hợp.

Lời khuyên từ IDC: “Thay vì triển khai các giải pháp riêng biệt để xử lý các tác vụ nhỏ, hãy áp dụng cách tiếp cận nền tảng để hỗ trợ trải nghiệm nhất quán và tiêu chuẩn hóa. 

Nhìn về phía trước

Các nỗ lực mở rộng quy mô phân tích và AI cần một lượng thời gian và tài nguyên đáng kể, vì vậy điều cuối cùng bạn muốn làm là thất bại. Tuy nhiên, đồng thời, một chút thất bại lành mạnh trong quá trình thử nghiệm cũng có giá trị, miễn là các nhóm có thể thất bại nhanh chóng và thực hiện các bài học của họ. Họ nên đảm bảo tập trung vào nâng cao kỹ năng và đào tạo (tức là thu hút các học viên kinh doanh tham gia ngày càng nhiều hơn), dân chủ hóa các công cụ và công nghệ AI, đồng thời đặt các biện pháp bảo vệ phù hợp để đảm bảo triển khai AI có trách nhiệm.

Tiến xa hơn trong việc giải quyết thất bại của dự án AI

Trong hình ảnh tương tác này, hãy khám phá những lý do kỹ thuật hàng đầu đằng sau thất bại của dự án AI cũng như các nguồn lực bổ sung cho các lý do kinh doanh dẫn đến thất bại của dự án (và cách Dataiku có thể trợ giúp cho cả hai).

Tại sao các dự án AI của bạn thất bại? Khám phá microsite tương tác này để tìm hiểu thêm.

Được tài trợ bởi Dataiku.

Dấu thời gian:

Thêm từ Đăng ký