Введение
Неудивительно, что ИИ и машинное обучение стали ключевыми составляющими современных технологий и киберпространства. От носимых устройств до робототехники ИИ присутствует почти везде и в каждом секторе. Большинство компаний протягивают руки поставщикам ИИ, чтобы внедрить ИИ в свой рабочий процесс. Они потратили много времени, денег и усилий, чтобы обеспечить успешный проект. Однако, по оценкам Gartner, более 85 процентов проектов ИИ терпят неудачу и рендерятся с ошибками. В другом отчете говорится, что около 70% компаний утверждают, что внедрение ИИ оказывает минимальное или нулевое влияние на общую эффективность рабочего процесса. В этой статье будут проанализированы распространенные причины, по которым проекты ИИ терпят неудачу, и способы их преодоления.
Причина неудач всех проектов ИИ —
Многие проекты ИИ терпят неудачу, потому что интеграция ИИ в устаревшую систему часто становится сложной. Чтобы это слияние стало возможным, система ИИ должна быть первоклассного качества и работать. Большинство предприятий постоянно думают о том, насколько продуктивным станет проект ИИ. Но организация никогда не спрашивает, насколько хорошо они отреагируют на слияние с существующей системой. Давайте обсудим некоторые другие ошибочные убеждения, которые в конечном итоге приводят проект на основе ИИ к провалу.
· Подготовка к надежной системе. Проекты на основе ИИ сталкиваются с множеством трудностей, когда сталкиваются с производственными условиями. На этапе разработки и обучения возникает множество ситуаций, когда проект перестает работать или не обеспечивает желаемых результатов. Например, проект ИИ перестанет работать, если обнаружит отсутствующие или неправильные данные. Это тоже влияет на скорость. Такая ситуация в конечном итоге значительно снижает производительность проекта ИИ и, следовательно, всего бизнеса. Таким образом, команда ИИ должна создать надежную систему, чтобы избежать узких мест в обработке, покрывающей проблемы с задержкой. Кроме того, команда должна иметь в виду планы на случай непредвиденных обстоятельств на случай сбоя проекта.
· Недостаточно опыта. Одна из основных причин неудач проектов ИИ заключается в том, что технология все еще находится в зачаточном состоянии. Многие инженеры и большая аудитория не находят это актуальным или понятным. Для проектов ИИ требуются большие наборы данных, модели инструкций, структура данных, алгоритмы безопасности и множество других областей. Приведение проекта ИИ в соответствие с бизнес-требованиями требует огромных командных усилий. Если один из участников проекта не понимает цели проекта или не имеет опыта в своей области, весь проект может провалиться.
· Каждого большого размера недостаточно: Да, мы говорим о больших данных и их необходимости в ИИ. Недостаток искусственного создания наборов данных часто снижает потенциал ИИ. В сфере здравоохранения и травматологии часто отсутствуют надлежащие (искусственные) наборы данных. Как мы все знаем, предсказание становится лучше с большими наборами данных. Но есть препятствие больших наборов данных. С увеличением размера наборов данных возникают проблемы; системам искусственного интеллекта нужно время для обработки этих больших данных. Опять же, объединение данных из нескольких источников не синхронизируется каждый раз. Это становится сложной задачей для системы искусственного интеллекта, чтобы переварить и понять цель, стоящую за подачей мультитенантных данных. Итак, все зависит от типа бизнеса и предоставления адекватного набора данных модели ML. Таким образом, организациям следует нанимать специалистов по данным и опытных консультантов по искусственному интеллекту для тщательного обсуждения ожиданий и наборов данных о текущем состоянии.
· Нарушение безопасности и киберриски. Еще одна серьезная проблема, которая возникает при расширении бизнес-процессов с помощью систем на основе ИИ, — это безопасность. Масштабирование ИИ для производства может привести к проблемам с безопасностью. Компании не относятся серьезно к вопросам безопасности при развертывании проектов ИИ. ИИ представляет новое измерение уязвимостей и угроз. Любая форма неправильного обращения или неправильной работы ИИ может привести к утечке данных или созданию угроз для киберрисков, таких как утечка данных, сбой системы или нарушение безопасности.
· Отсутствие сотрудничества: отсутствие сотрудничества между различными участниками разработки или его внутренними командами может быть причиной провала проекта ИИ. Все различные участники проекта, такие как специалисты по данным, аналитики данных, инженеры данных, DevOps, специалисты по бизнес-аналитике и программисты, должны находиться на одной странице. Для этого продакт-менеджер должен ответственно взять на себя управление проектом и убедиться, что все согласуются с целями проекта.
· Управление данными и соблюдение стандартов. Многие бизнес-лидеры и руководители компаний уделяют пристальное внимание конфиденциальности пользователей и безопасности данных среди беспрецедентных возможностей ИИ. В наши дни даже клиенты и пользователи также знают о конфиденциальности данных. Несмотря на то, что данные являются основным компонентом систем искусственного интеллекта, организации часто используют данные клиентов без соблюдения нормативных стандартов обработки данных. Отсутствие адекватных стандартов данных, соответствия и прозрачности в рабочем процессе алгоритма может в конечном итоге разрушить проект ИИ. Это оказывается еще одной заметной причиной, по которой проекты ИИ так часто терпят неудачу.
· Неожиданное поведение. Системы ИИ часто демонстрируют необычное поведение во время фактического внедрения или совместной работы с существующей бизнес-системой. Проект ИИ, который хорошо работает на этапе тестирования, может дать сбой при масштабировании продукта до реального рабочего процесса. Вот почему руководители проектов в сотрудничестве с учеными по данным должны тщательно анализировать узкие места и склонности системы. Организации также могут использовать алгоритмы машинного обучения, чтобы со временем совершенствоваться и повышать точность алгоритма ИИ.
· Неясные бизнес-цели: системы искусственного интеллекта слишком надежны и могут обслуживать крупные и мощные реализации. Таким образом, использование возможностей ИИ без четкой бизнес-стратегии не сделает проект ИИ успешным. Вместо того, чтобы начинать с неопределенной бизнес-проблемы, предприятия должны сначала определить бизнес-проблему, а затем решить, может ли проект ИИ помочь решить эту проблему.
Список некоторых известных провалов проектов ИИ —
· Одним из известных провалов проекта ИИ является сотрудничество IBM с Техасским университетом (онкологический центр доктора медицины Андерсона) в разработке IBM Watson для онкологии. Проект был небезопасным и проводил неправильное лечение рака.
· Еще один провал проекта ИИ был у канадского технологического стартапа Element AI. Она столкнулась с проблемами» при подготовке своей продукции к выходу на рынок из-за необычных эксплуатационных расходов.
Заключение -
Компании, планирующие разрабатывать свои решения на основе ИИ, могут передать свою работу на аутсорсинг тем компаниям, которые знают реальную суть того, где проекты ИИ терпят неудачу. Они понимают спецификации клиента и составляют систему, которая безотказно работает с текущим бизнес-сценарием.
Если вам нужен такой технический контент или статья для вашего бизнеса B2B или B2C, свяжитесь со мной здесь. Я пишу выдающийся и универсальный технический и нетехнический контент с инфографикой, анимацией и SEO-стратегиями, которые могут привлечь потенциальных клиентов и аудиторию на ваш сайт. В конечном итоге вы можете наслаждаться большей видимостью и трафиком на своем веб-сайте. Цена/проект или цена за слово договорная.
