AI -Projekt zum Erfolg, das Mastering -Erwartungsmanagement steht an erster Stelle.
Bei der Arbeit mit AI -Projets ist Unsicherheit nicht nur ein Nebeneffekt, sondern die gesamte Initiative.
Die meisten Menschen, die von KI -Projekten betroffen sind, verstehen nicht vollständig, wie KI funktioniert oder dass Fehler nicht nur unvermeidlich, sondern tatsächlich ein natürlicher und wichtiger Bestandteil des Prozesses sind. Wenn Sie zuvor an AI -Projekten beteiligt waren, haben Sie wahrscheinlich gesehen, wie die Dinge schnell schief gehen können, wenn die Erwartungen nicht eindeutig mit den Stakeholdern festgelegt sind.
In diesem Beitrag werde ich praktische Tipps teilen, um die Erwartungen zu verwalten und Ihr nächstes KI-Projekt auf dem richtigen Weg zu halten, insbesondere in Projekten im Bereich B2B (Enterprise-to-Enterprise).
(Selten) versprechen Leistung
Wenn Sie die Daten, die Umgebung oder sogar das genaue Ziel des Projekts noch nicht kennen, ist die vielversprechende Leistung im Voraus eine perfekte Möglichkeit, um einen Ausfall zu gewährleisten.
Sie werden wahrscheinlich die Marke verpassen oder schlechter angeregt, fragwürdige statistische Tips zu verwenden, um die Ergebnisse besser aussehen als sie.
Ein besserer Ansatz ist es, Leistungserwartungen zu diskutieren Nur danach Sie haben die Daten gesehen und das Drawback eingehend untersucht. Bei Dayaredata fügt eine unserer Hauptpraktiken a hinzu „Part 0“ Projekte. Diese frühe Part ermöglicht es uns, mögliche Richtungen zu untersuchen, die Machbarkeit zu bewerten und eine potenzielle Foundation zu etablieren, bevor der Kunde das Projekt offiziell genehmigt.
Ich empfehle nur, von Anfang an ein Leistungsziel zu verpflichten, wann:
- Sie haben das vollständige Vertrauen in und tiefes Wissen über die vorhandenen Daten.
- Sie haben das gleiche Drawback schon oft erfolgreich gelöst.
MAP -Stakeholder
Ein weiterer wesentlicher Schritt ist die Identifizierung Wer interessiert sich für Ihr Projekt von Anfang an. Haben Sie mehrere Stakeholder? Sind sie eine Mischung aus geschäftlichen und technischen Profilen?
Jede Gruppe hat unterschiedliche Prioritäten, Perspektiven und Erfolgsmaßnahmen. Ihre Aufgabe ist es, sicherzustellen, dass Sie allen von ihnen wichtig sind.
Hier Stakeholder Mapping wird wesentlich. Sie müssen ihre Ziele, Bedenken und Erwartungen erkennen. Und Sie maßen Ihre Kommunikation und Entscheidungsfindung während des gesamten Projekts in den verschiedenen Dimnsionen am meisten an.
Geschäftstakeholder sind sich möglicherweise am meisten um ROI und operative Auswirkungen, während sich die technischen Stakeholder auf Datenqualität, Infrastruktur und Skalierbarkeit konzentrieren. Wenn beide Seiten der Meinung sind, dass ihre Bedürfnisse nicht gerichtet werden, haben Sie es schwer, Ihr Produkt oder Ihre Lösung zu versenden.
Ein Beispiel aus meiner Karriere battle ein Projekt, bei dem ein Kunde eine Integration in eine Produktscanning-App benötigte. Von Anfang an battle diese Integration nicht garantiert, und wir hatten keine Ahnung, wie einfach es wäre, umzusetzen. Wir beschlossen, die Entwickler der App frühzeitig in das Gespräch zu bringen. Dann erfuhren wir, dass sie nur zwei Wochen später die genaue Funktion starten wollten, die wir bauen wollten. Dies spart dem Kunden viel Zeit und Geld und verschonte das Staff von der Frustration, etwas zu schaffen, das niemals verwendet werden würde.
Die probabilistische Natur von AI frühzeitig kommunizieren
Ai ist probabilistisch von Natur ausein grundlegender Unterschied zum traditionellen Software program -Engineering. In den meisten Fällen sind die Stakeholder nicht daran gewöhnt, an dieser Artwork von Unsicherheit zu arbeiten. Um zu helfen, können Menschen nicht intestine an Wahrscheinlichkeiten denken, es sei denn, wir wurden dafür geschult (weshalb sich Lotterien immer noch so intestine verkaufen).
Deshalb ist es wichtig für wichtig Kommunizieren Sie die probabilistische Natur von KI -Projekten von Anfang an. Wenn die Stakeholder deterministische, 100% konsistente Ergebnisse erwarten, verlieren sie schnell das Vertrauen, wenn die Realität nicht mit dieser Imaginative and prescient übereinstimmt.
Heute ist dies einfacher zu veranschaulichen als je zuvor. Generative KI bietet klare, relatable Beispiele: Selbst wenn Sie genau den gleichen Eingang geben, ist die Ausgabe selten identisch. Verwenden Sie Vorführungen frühzeitig und kommunizieren Sie dies aus dem ersten Treffen. Gehen Sie nicht davon aus, dass die Stakeholder verstehen, wie KI funktioniert.
Meilensteine einstellen
Meilensteine von Anfang an schrittweise einstellen. Definieren Sie vom ersten Tag an klare Kontrollpunkte im Projekt, bei dem die Stakeholder den Fortschritt bewerten und eine GO/No-Go-Entscheidung treffen können. Dies schafft nicht nur Vertrauen, sondern stellt auch sicher, dass die Erwartungen während des gesamten Prozesses ausgerichtet sind.
Erstellen Sie für jeden Meilenstein eine konsistente Kommunikationsroutine mit Berichten, zusammenfassenden E -Mails oder kurzen Lenktreffen. Ziel ist es, alle über Fortschritte, Risiken und die nächsten Schritte auf dem Laufenden zu halten.
Denken Sie daran: Stakeholder würden lieber schlechte Nachrichten frühzeitig hören, als im Dunkeln zu bleiben.
Lenken
Allein technische Metriken erzählen selten die ganze Geschichte Wenn es darum geht, was am wichtigsten ist: Geschäftseffekte.
Nehmen Sie zum Beispiel die Genauigkeit. Wenn Ihr Modell 60percentbewertet, ist das intestine oder schlecht? Auf dem Papier könnte es arm aussehen. Aber was ist, wenn jedes wahre Constructive erhebliche Einsparungen für die Organisation erzielt und falsch constructive oder gar keine Kosten haben? Plötzlich sehen die gleichen 60% sehr attraktiv aus.
Geschäftstakeholder überbetonieren häufig technische Kennzahlen, da sie für sie leichter zu verstehen sind, was zu fehlgeleiteten Wahrnehmungen von Erfolg oder Misserfolg führen kann. In Wirklichkeit, Die Kommunikation des geschäftlichen Werts ist weitaus leistungsfähiger und leichter zu verstehen.
Konzentrieren Sie sich nach Möglichkeit Ihre Berichterstattung über geschäftliche Auswirkungen und überlassen Sie die technischen Metriken dem Knowledge Science -Staff.
Ein Beispiel aus einem Projekt, das wir in meinem Unternehmen gemacht haben: Wir haben einen Algorithmus zur Erkennung von Gerätenausfällen erstellt. Jeder korrekt identifizierte Fehler sparte das Unternehmen über 500 € professional Werk. Jedes falsch constructive Constructive stoppte die Produktionslinie jedoch länger als zwei Minuten und kostete durchschnittlich rund 300 €. Da die Kosten für ein falsches Positiv erheblich waren, konzentrierten wir uns auf die Optimierung für die Optimierung Präzision anstatt Genauigkeit zu treiben oder höher zu erinnern. Auf diese Weise haben wir unnötige Unterbrechungen vermieden und gleichzeitig die wertvollsten Fehler erfasst.
Unternehmensstakeholder überbetonieren häufig technische Metriken, da sie leichter zu verstehen sind, was zu fehlgeleiteten Wahrnehmungen von Erfolg oder Misserfolg führen kann.
Szenarien der Interpretierbarkeit präsentieren
Genauere Modelle sind nicht immer interpretierbarerUnd das ist ein Kompromiss, der vom ersten Tag an verstehen muss.
Oft sind die Techniken, die uns die höchste Leistung verleihen (wie komplexe Ensemble -Methoden oder tiefes Lernen) Warum Eine spezifische Vorhersage wurde gemacht. Einfachere Modelle hingegen können einfacher zu interpretieren sein, können aber die Genauigkeit opfern.
Dieser Kompromiss ist nicht von Natur aus intestine oder schlecht, es ist eine Entscheidung, die im Kontext der Ziele des Projekts getroffen werden sollte. Zum Beispiel:
- In stark regulierten Branchen (Finanzen, Gesundheitswesen) könnte die Interpretierbarkeit wertvoller sein, als die letzten Punkte der Genauigkeit herauszufinden.
- In anderen Branchen, beispielsweise bei der Vermarktung eines Produkts, könnte ein Leistungsschub so erhebliche Geschäftsgewinne bringen, dass eine verringerte Interpretierbarkeit ein akzeptabler Kompromiss ist.
Scheuen Sie sich nicht, so früh zu heben. Sie müssen wissen, dass alle auf das Gleichgewicht zwischen Genauigkeit und Transparenz einverstanden sind, bevor Sie sich auf einen Pfad verpflichten.
Denken Sie an den Einsatz ab Tag 1
KI -Modelle sind so erstellt, dass sie bereitgestellt werden. Von Anfang an sollten Sie sie im Hinblick auf die Bereitstellung entwerfen und entwickeln.
Das ultimative Ziel ist es nicht nur, in einem Labor ein beeindruckendes Modell zu schaffen, sondern sicherzustellen, dass es in der realen Welt, in Maßstab zuverlässig funktioniert, in den Workflows der Organisation integriert ist.
Fragen Sie sich: Was nutzen das „beste“ KI -Modell der Welt, wenn es nicht eingesetzt, skaliert oder gepflegt werden kann? Ohne Bereitstellung ist Ihr Projekt nur ein teurer Beweis für das Konzept ohne dauerhafte Auswirkungen.
Berücksichtigen Sie die Bereitstellungsanforderungen frühzeitig (Infrastruktur, Datenpipelines, Überwachung, Umschulungsprozesse) und Sie stellen sicher, dass Ihre KI -Lösung nutzbar, wartbar und wirkungsvoll ist. Ihre Stakeholder werden es Ihnen danken.
(Bonus) In Genai scheuen Sie sich nicht davor, über die Kosten zu sprechen
Die Lösung eines Issues mit Generative AI (Genai) kann eine höhere Genauigkeit liefern, ist jedoch oft mit Kosten.
Um das Leistungsniveau zu erreichen, das sich viele Geschäftsbenutzer vorstellen, wie die Erfahrung von ChatGPT, müssen Sie möglicherweise:
- Rufen Sie ein großes Sprachmodell (LLM) mehrmals in einem einzigen Workflow an.
- Implementieren Agenten AI Architekturen, bei denen das System mehrere Schritte und Argumentationsketten verwendet, um eine bessere Antwort zu erreichen.
- Verwenden teurere LLMs mit höherer Kapazität Das erhöht Ihre Kosten professional Anfrage erheblich.
Dies bedeutet, dass die Leistung in Genai -Projekten nicht nur geht Leistung, Es ist immer ein Gleichgewicht zwischen Qualität, Geschwindigkeit, Skalierbarkeit und Kosten.
Wenn ich mit Stakeholdern über Genai -Leistung spreche, bringe ich immer frühzeitig die Kosten in das Gespräch. Geschäftsbenutzer gehen häufig davon aus, dass die hohe Leistung, die sie in Instruments mit Verbrauchern wie ChatGPT sehen, direkt in ihren eigenen Anwendungsfall übertragen wird. In Wirklichkeit werden diese Ergebnisse mit Modellen und Konfigurationen erzielt, die in einer Produktionsumgebung (und nur für Unternehmen in Höhe von Milliarden Greenback) in Skala in Maßstab teuer sein können.
Der Schlüssel ist Realistische Erwartungen setzen:
- Wenn das Unternehmen bereit ist, die oberste Leistung zu bezahlen, großartig, großartig
- Wenn Kostenbeschränkungen streng sind, müssen Sie möglicherweise eine „intestine genug“ Lösung optimieren, die die Leistung mit Erschwinglichkeit in Einklang bringt.
Dies sind meine Tipps, um Erwartungen in KI -Projekten zu setzen, insbesondere im B2B -Bereich, in dem die Stakeholder häufig mit starken Annahmen einhergehen.
Was ist mit dir? Haben Sie Tipps oder Lektionen, die hinzugefügt werden können? Teile sie in den Kommentaren!