?

哪些因素會導致AI項目的失敗？

?

當分析人工智能（AI）項目失敗的原因時，我們會發現，永遠不會只有一個錯誤——業務和技術團隊都有人工智能項目失敗的不同點。本文將討論導致AI項目失敗的一些最常見的原因。

?人才：人工智能人才缺口

擴展人工智能的兩個主要障礙是雇用具有AI技能的人員，以及確定良好的業務案例。不幸的是，對于大多數組織來說，雇傭數百或數千名數據科學家是不現實的，能夠同時解決這兩個問題的人(既擁有人工智能技能又擁有商業技能的人)往往非常罕見，以至于人們把他們稱為獨角獸。

為了同時解決這兩個問題，公司應該“建立獨角獸團隊，而非雇傭獨角獸人員”。這意味著他們應該建立由數據和領域專家組成的團隊，同時也要致力于隨著時間的推移發展他們的人工智能運營模式，這將同時提高他們的AI成熟度。這是有效的：根據《哈佛商業評論》，85%成功擴展了人工智能的公司使用了跨學科開發團隊。

IDC的建議：“注意考慮數據科學家以及知識工作者和行業專家的角色。為知識工作者賦能將縮短實現價值的時間。”

?流程：缺乏人工智能治理和監督

在這種宏觀經濟環境下，團隊無法承受的是削減或完全削減AI預算。你可能會問，是什么導致了這種情況的發生？構建和測試機器學習模型浪費了太多時間，結果便是它們從未投入生產，無法開始為業務創造真正的、有形的價值，例如賺到的錢、節省的錢或建立今天無法完成的新流程。

好消息是，AI團隊可以實施一些策略和最佳分析實踐來安全地簡化和擴展其AI工作，例如建立AI治理策略，包括MLOps等運營要素和負責任AI等基于價值的要素。

壞消息是，通常，團隊要么在部署之前沒有設置這些流程(這可能導致許多復雜的問題)，要么沒有辦法明確地推進能夠產生業務價值的正確項目，并棄用表現不佳的項目。

重點關注人工智能擴展中的風險調整價值交付和效率，所有這些都需符合法規。團隊需要區分概念驗證（POC）、自助服務數據計劃和工業化數據產品，以及圍繞它們的治理需求。需要為探索和實驗提供空間，但團隊還需要做出明確的決定，即自助服務項目或POC何時應獲得資金、測試和保證，以成為工業化、可操作的解決方案。

IDC的建議：“為數據隱私、決策權、問責制和透明度制定明確的制度。由IT部門、業務部門和合規部門共同執行前瞻性、持續性的風險管理和治理。”

?技術：缺乏平臺思維

團隊如何確定正確的技術流程，以實現人工智能的大規模使用？端到端平臺(如Dataiku)給AI項目生命周期的各個步驟帶來了凝聚力，并在團隊完成這些步驟時提供了一致的外觀、感覺和方法。在構建現代AI平臺策略時，務必考慮一體化平臺的價值，從數據準備到監控生產中的機器學習模型。相反，為每個組件購買單獨的工具可能極具挑戰性，因為在生命周期的不同區域存在著多個拼圖。

確保IT從一開始就參與進來非常重要。IT經理對于有效、順利地推出任何技術都至關重要，而且從更哲學的角度來看，對于灌輸一種數據訪問與適當的治理和控制相平衡的文化同樣如此。

IDC的建議：“與其實施不同的解決方案來處理小任務，不如采用平臺方法來支持一致的體驗和標準化。”

?展望未來

擴展AI工作需要花費大量時間和資源，我們都不想要失敗。但與此同時，只要團隊能夠在快速失敗后立即落實他們的經驗教訓，在實驗過程中出現一些有益的失敗也是有價值的。他們應該確保專注于技能提升和培訓（即讓業務從業者越來越多地參與進來），使人工智能工具和技術民主化。

審核編輯：劉清