Advertorial 2023’e göre Dataiku sponsorluğundaki IDC InfoBrief – Kurumsal Verilerinizden Daha Fazla İş Değeri Yaratın – “[AI] benimseme hızla artıyor olsa da, proje başarısızlık oranları yüksek olmaya devam ediyor. Dünya çapındaki kuruluşlar, başarıyı engelleyen unsurları ele alma, yapay zekanın gücünü ortaya çıkarma ve dijital çağda başarılı olma vizyonlarını değerlendirmelidir."

Analitiğin ve yapay zeka proje başarısızlığının üstesinden gelmenin en önemli çıkarımlarından biri, asla tek bir suçlunun tekrarlanmamasıdır — hem iş hem de teknik ekiplerde yapay zeka projesinin çeşitli başarısızlık noktaları vardır. Yukarıdaki etkileşimli mikro site, AI proje yaşam döngüsü boyunca en yaygın başarısızlık noktalarını görsel olarak gösterir ve veri, analitik ve BT liderlerinin Dataiku ile bunları nasıl hızlı bir şekilde çözebileceğine dair çözümleri paylaşır.

Madalyonun diğer tarafında, bu makale yapay zeka projesinin başarısız olmasına neden olan en yaygın nedenlerden bazılarına (ve bu nedenleri yönlendirmeye yönelik ipuçlarına) değinecek.

AI yetenek açığı (insanlar!)

Yapay zekayı ölçeklendirmenin en büyük engelleyicilerinden ikisi, analitik ve yapay zeka becerilerine sahip kişileri işe almak ve iyi iş örneklerini belirlemektir. Ne yazık ki, yüzlerce veya binlerce veri bilimciyi işe almak çoğu kuruluş için gerçekçi değildir ve her iki sorunu da ele alabilen insanlar (AI ve iş becerilerine sahip olanlar) genellikle o kadar nadirdir ki, onlara tek boynuzlu at denir. 

Bu sorunların her ikisini de aynı anda ele almak için kuruluşların "tek boynuzlu at ekipleri kurun, tek boynuzlu insanları işe almayın." Bu, hem veri hem de alan uzmanlarından oluşan ekipler oluşturmaları ve aynı zamanda yapay zeka işletim modelini geliştirmek (aynı anda yapay zeka olgunluklarını artıracak) zamanla. Bu işe yarıyor: Yapay zekayı başarıyla ölçeklendiren şirketlerin %85'i disiplinler arası geliştirme ekipleri kullanıyor, Harvard Business Review'a göre.

IDC'den İpucu: "Veri bilimcilerin rolünü, bilgi çalışanları ve endüstri uzmanlığı ile birlikte düşünün. Bilgi çalışanlarını güçlendirmek, değer elde etme süresini hızlandıracaktır.”

AI yönetişimi ve gözetim eksikliği (süreçler!)

Bu makro ekonomik ortamda ekibin karşılayamayacağı şey, AI bütçelerinin düşürülmesi veya tamamen kesilmesidir. Bunun olmasına ne yol açardı diye sorabilirsiniz? Makine öğrenimi modellerini oluşturmak ve test etmek için harcanan zaman o kadar fazladır ki, işletme için gerçek, somut değer (kazanılan para, tasarruf edilen para veya bugün yapılamayan yeni bir süreç gibi) oluşturmaya başlamak için asla üretime geçemezler. ).

İyi haber: Analitik ve yapay zeka ekiplerinin yapay zeka çabalarını güvenli bir şekilde düzene koymak ve ölçeklendirmek için uygulayabilecekleri stratejiler ve en iyi uygulamalar vardır. bir AI Yönetişimi stratejisi oluşturmak (MLOps gibi operasyonel öğeler ve Sorumlu Yapay Zeka gibi değere dayalı öğeler dahil).

Kötü haber: Çoğu zaman, ekipler ya bu süreçleri dağıtımdan önce kurmazlar (bu da birçok birleştirme sorununa yol açabilir) ve iş değeri yaratan ve kullanımdan kaldırılan doğru projelerle net bir şekilde ilerlemenin bir yolunu bulamaz. düşük performans gösterenler.

Yapay Zeka Yönetişimi, riske göre ayarlanmış değer sunumuna ve yapay zeka ölçeklendirmesinde verimliliğe odaklanarak, tamamı yönetmeliklerle uyumlu, ölçekte uçtan uca model yönetimi sunar. Ekiplerin, kavramların kanıtı (POC'ler), self servis veri girişimleri ve endüstriyel veri ürünleri ile her birini çevreleyen yönetişim ihtiyaçları arasında ayrım yapması gerekir. Keşif ve deneyler için yer ayrılması gerekir, ancak ekiplerin ayrıca self servis projelerin veya POC'lerin endüstrileşmiş, operasyonel bir çözüm haline gelmesi için ne zaman fon, test ve güvenceye sahip olması gerektiği konusunda net kararlar vermesi gerekir.

IDC'den İpucu: “Veri gizliliği, karar verme hakları, hesap verebilirlik ve şeffaflık için net politikalar oluşturun. Proaktif ve sürekli risk yönetimi ve yönetişimin BT ile iş ve uyum alanındakiler tarafından ortaklaşa yürütülmesini sağlayın.” 

Bir platform zihniyeti benimsememek (teknoloji!)

Ekipler, yapay zekanın geniş ölçekte kullanılmasını sağlamak için doğru teknolojileri ve süreçleri nasıl belirleyebilir?

Uçtan uca bir platform (örneğin veriiku), analitik ve yapay zeka proje yaşam döngüsünün adımlarında uyum sağlar ve ekipler bu adımlarda ilerlerken tutarlı bir görünüm, his ve yaklaşım sağlar. 

Modern bir yapay zeka platformu stratejisi oluştururken, veri hazırlamadan üretimdeki makine öğrenimi modellerini izlemeye kadar her şey için hepsi bir arada platformun değerini göz önünde bulundurmak önemlidir. Öte yandan, her bir bileşen için ayrı araçlar satın almak, yaşam döngüsünün farklı alanlarında (aşağıda gösterilmektedir) yapbozun birden çok parçası olduğu için son derece zorlayıcı olabilir.

Bir AI programı aracılığıyla uzun vadeli kültürel dönüşüm aşamasına geçmek için BT'nin en başından dahil olduğundan emin olmak önemlidir. BT yöneticileri, herhangi bir teknolojinin etkili ve sorunsuz bir şekilde piyasaya sürülmesi için gereklidir ve - daha felsefi bir bakış açısıyla - uygun yönetişim ve kontrol ile dengelenmiş bir verilere erişim kültürünü aşılamak için kritik öneme sahiptir.

IDC'den İpucu: "Küçük görevlerin üstesinden gelmek için farklı çözümler uygulamak yerine, tutarlı deneyimleri ve standardizasyonu desteklemek için platform yaklaşımını benimseyin. 

İleriye baktığımızda

Ölçeklendirme analitiği ve yapay zeka çabaları önemli miktarda zaman ve kaynak gerektirir, bu nedenle yapmak isteyeceğiniz son şey başarısız olmaktır. Aynı zamanda, takımlar hızlı bir şekilde başarısız oldukları ve öğrendiklerini uygulayabildikleri sürece, deney sırasında bir miktar sağlıklı başarısızlık değerlidir. Beceri geliştirmeye ve eğitime odaklanacaklarından (yani iş pratisyenlerini giderek daha fazla dahil edeceklerinden), yapay zeka araçlarını ve teknolojilerini demokratikleştireceklerinden ve sorumlu yapay zeka konuşlandırmalarını sağlamak için doğru korkulukları yerleştireceklerinden emin olmalıdırlar.

AI projesi başarısızlığını ele alma konusunda daha ileri gidin

Bu etkileşimli görselde, AI proje başarısızlığının ardındaki en önemli teknik nedenlerin yanı sıra proje başarısızlığını körükleyen iş nedenlerine yönelik ek kaynakları (ve Dataiku'nun her ikisi için de yol boyunca nasıl yardımcı olabileceğini) keşfedin.

AI projeleriniz neden başarısız oluyor? Keşfetmek bu etkileşimli mikro site daha fazla öğrenmek için.

Dataiku'nun sponsorluğunda.

• SEO Destekli İçerik ve Halkla İlişkiler Dağıtımı. Bugün Gücünüzü Artırın.
• PlatoData.Network Dikey Üretken Yapay Zeka. Kendine güç ver. Buradan Erişin.
• PlatoAiStream. Web3 Zekası. Bilgi Genişletildi. Buradan Erişin.
• PlatoESG. Otomotiv / EV'ler, karbon, temiz teknoloji, Enerji, Çevre, Güneş, Atık Yönetimi. Buradan Erişin.
• PlatoSağlık. Biyoteknoloji ve Klinik Araştırmalar Zekası. Buradan Erişin.
• ChartPrime. Ticaret Oyununuzu ChartPrime ile yükseltin. Buradan Erişin.
• Blok Ofsetleri. Çevre Dengeleme Sahipliğini Modernleştirme. Buradan Erişin.
• Kaynak: https://go.theregister.com/feed/www.theregister.com/2023/08/16/3_of_the_most_common/