分析和人工智能项目失败的 3 个常见原因

由柏拉图重新发布

关注： 0

分析和人工智能项目失败的 3 个常见原因 PlatoBlockchain 数据智能。垂直搜索。人工智能。

社论式广告根据2023 Dataiku 赞助的 IDC InfoBrief – 从您的组织数据中创造更多商业价值 – “尽管 [AI] 的采用正在迅速扩大，但项目失败率仍然很高。世界各地的组织必须评估他们的愿景，以解决成功的障碍，释放人工智能的力量，并在数字时代蓬勃发展。”

在克服分析和 AI 项目失败方面，最重要的收获之一是，从来没有一个屡犯者 - 业务和技术团队都存在不同的 AI 项目失败点。上面的交互式微型网站直观地显示了整个 AI 项目生命周期中最常见的故障点，并分享了数据、分析和 IT 领导者如何使用 Dataiku 快速解决这些问题的解决方案。

另一方面，本文将讨论导致人工智能项目失败的一些最常见原因（以及解决这些问题的技巧）。

人工智能人才缺口（人！）

扩展人工智能的两个主要障碍是雇用具有分析和人工智能技能的人员以及识别良好的业务案例。不幸的是，对于大多数组织来说，雇用数百或数千名数据科学家是不现实的，并且能够解决这两个问题的人（具有人工智能和商业技能的人）往往非常罕见，以至于他们被称为独角兽。

那么，要真正同时解决这两个问题，组织应该 “建立独角兽团队，而不是雇佣独角兽人。” 这意味着他们应该建立由数据和领域专家组成的团队，同时也致力于发展他们的人工智能运营模式（这将同时提高他们的人工智能成熟度）随着时间的推移。这是有效的：85% 成功扩展人工智能规模的公司都使用跨学科开发团队，据《哈佛商业评论》报道.

IDC 的提示：“考虑数据科学家以及知识工作者和行业专业知识的角色。赋予知识工作者权力将加快实现价值的时间。”

缺乏人工智能治理和监督（流程！）

在这种宏观经济环境下，团队无法承受减少或完全削减人工智能预算。您可能会问，什么会导致这种情况发生？浪费时间构建和测试机器学习模型，以至于它们从未投入生产来开始为企业产生真正的、有形的价值（例如赚到的钱、节省的钱或建立了今天无法完成的新流程））。

好消息：分析和人工智能团队可以实施一些策略和最佳实践来安全地简化和扩展他们的人工智能工作，例如制定人工智能治理策略（包括 MLOps 等运营元素和 Responsible AI 等基于价值的元素）。

坏消息：通常，团队要么在部署之前没有设置这些流程（这可能会导致许多复杂的问题），要么没有办法明确推进确实产生业务价值和弃用的正确项目表现不佳的。

AI 治理大规模提供端到端模型管理，重点关注风险调整后的价值交付和 AI 扩展的效率，所有这些都符合法规。团队需要区分概念验证 (POC)、自助数据计划和工业化数据产品，以及围绕每个产品的治理需求。需要为探索和实验提供空间，但团队还需要就自助服务项目或 POC 何时应获得资金、测试和保证以成为工业化、可操作的解决方案做出明确的决定。

IDC 提示：“制定明确的数据隐私、决策权、问责制和透明度政策。由 IT 部门以及业务和合规部门共同执行主动且持续的风险管理和治理。”

不采取平台思维（技术！）

团队如何确定正确的技术和流程来大规模使用人工智能？

端到端平台（例如 Dataiku）在分析和人工智能项目生命周期的各个步骤之间带来凝聚力，并在团队完成这些步骤时提供一致的外观、感觉和方法。

在构建现代人工智能平台策略时，重要的是要考虑一体化平台的价值，从数据准备到监控生产中的机器学习模型。相反，为每个组件购买单独的工具可能会非常具有挑战性，因为生命周期的不同领域存在多个难题（如下所示）。

为了通过人工智能程序进入长期文化转型阶段，重要的是要确保 IT 从一开始就参与其中。 IT 经理对于有效、顺利地推出任何技术都至关重要，并且从更哲学的角度来看，对于灌输一种与适当的治理和控制相平衡的数据访问文化也至关重要。

IDC 提示：“不要实施不同的解决方案来处理小任务，而是采用平台方法来支持一致的体验和标准化。

展望未来

扩展分析和人工智能工作需要大量的时间和资源，因此您最不想做的就是失败。但与此同时，只要团队能够快速失败并实施他们的学习成果，实验过程中的一些健康失败也是有价值的。他们应该确保专注于技能提升和培训（即让业务从业者越来越多地参与），使人工智能工具和技术民主化，并建立正确的护栏以确保负责任的人工智能部署。

进一步解决人工智能项目失败的问题

在这个交互式视觉效果中，您可以发现 AI 项目失败背后的首要技术原因，以及导致项目失败的商业原因的额外资源（以及 Dataiku 如何在这两个方面提供帮助）。

为什么你的人工智能项目失败了？探索 这个互动微型网站 了解更多信息。

由达泰库赞助。