sind notorisch schwer zu entwerfen und zu implementieren. Trotz des Hype und der Flut neuer Frameworks, insbesondere im generativen KI -Raum, bleibt das Umwandeln dieser Projekte in echtem, greifbarem Wert eine ernsthafte Herausforderung im Unternehmen.
Jeder ist begeistert von KI: Boards wollen es, führt es aus, und Entwickler lieben die Technologie. Aber hier ist die sehr harte Wahrheit: KI -Projekte scheitern nicht nur wie Traditionelle IT -Projekte, sie scheitern schlechter. Warum? Weil sie die Unordnung regelmäßiger Softwareprojekte erben Plus Eine Schicht probabilistischer Unsicherheit, die die meisten Orgs nicht zu handhaben sind.
Wenn Sie einen KI -Prozess ausführen, ist ein bestimmtes Maß an Zufälligkeit erforderlich, was bedeutet, dass dies nicht jedes Mal die gleichen Ergebnisse erzielt. Dies fügt eine zusätzliche Komplexitätsebene hinzu, für die einige Organisationen nicht bereit sind.
Wenn Sie in einem IT -Projekt gearbeitet haben, werden Sie sich an die häufigsten Probleme erinnern: unklare Anforderungen, Umfangkriechen, Silos oder falsch ausgerichtete Anreize.
Für KI -Projekte können Sie der Liste hinzufügen: „Wir sind uns nicht einmal sicher, dass dieses Ding funktioniert jedes Mal genausoUnd du hast einen perfekten Sturm für Misserfolg.
In diesem Weblog -Beitrag werde ich einige der häufigsten Misserfolge teilen, die wir in den letzten fünf Jahren bei Daredata begegnet sind und wie Sie diese häufigen Fallstricke in AI -Projekten vermeiden können.
1. Keine klare Erfolgsmetrik (oder zu viele)
Wenn Sie fragen, “Wie sieht der Erfolg für dieses Projekt aus?”Und holen Sie sich zehn verschiedene Antworten, oder schlimmer noch ein Achselzucken, das ist ein Downside.
Ein maschinelles Lernen ohne scharfe Erfolgsmetrik ist nur teures Bestreben. Und nein, „einen Prozess schlauer machen”Ist keine Metrik.
Einer der häufigsten Fehler, den ich in AI -Projekten sehe, ist die Optimierung der Genauigkeit (oder anderer technischer Metrik), während sie versuchen, die Kosten zu optimieren (günstigere Kosten, beispielsweise in der Infrastruktur). Irgendwann im Projekt müssen Sie möglicherweise die Kosten erhöhen, ob durch Erwerb von mehr Daten, leistungsfähigere Maschinen oder aus anderen Gründen – und dies muss zur Verbesserung der Modellleistung erfolgen. Dies ist eindeutig kein Beispiel für die Kostenoptimierung.
In der Tat brauchen Sie normalerweise eins (vielleicht zwei) Schlüsselkennzahlen, die fest zu kartieren sind Geschäft Auswirkungen. Und wenn Sie mehr als eine Erfolgsmetrik haben, stellen Sie sicher, dass Sie eine Priorität zwischen ihnen haben.
Wie man es vermeidet:
- Stellen Sie eine klare Hierarchie der Erfolgsmetriken fest Bevor das Projekt beginnt, vereinbart sich alle Beteiligten
- Wenn die Stakeholder nicht auf die oben erwähnte Hierarchie zustimmen können, Starten Sie das Projekt nicht.
2. Zu viele Köche
Zu viele Erfolgsmetriken sind normalerweise mit dem verbunden.Zu viele Köche“ Downside.
KI -Projekte ziehen Stakeholder an, und das ist cool! Es zeigt nur, dass Menschen daran interessiert sind, mit diesen Technologien zu arbeiten.
Aber Advertising and marketing will eines, das Produkt will ein anderes, das Engineering will etwas ganz anderes und Führung möchte nur, dass eine Demo Investoren oder Present-Off-Wettbewerber zeigt.
Idealerweise sollten Sie die wichtigsten Stakeholder früh im Projekt identifizieren und abbilden. Die meisten erfolgreichen Projekte haben ein oder zwei Interessengruppen von Champion, Personen, die tief in das Ergebnis investiert sind und die Initiative vorantreiben können.
Mehr als das kann zu:
- widersprüchliche Prioritäten oder
- verwässerte Rechenschaftspflicht
Und keines dieser Szenarien ist positiv.
Ohne einen starken Einzelbesitzer oder Entscheidungsträger verwandelt sich das Projekt in das Monster eines Frankensteins, das bei Anfragen oder Funktionen in letzter Minute zusammengenäht wird, die für das große Ziel nicht related sind.
Wie man es vermeidet:
- Karte der Relevante Entscheidungsbeamte und Benutzer.
- Nominieren Sie einen Projektmeister Das hat die Fähigkeit, Projektentscheidungen zu beantragen.
- Kartieren Sie die interne Politik der Organisation und ihre potenziellen Auswirkungen auf die Entscheidungsbefugnis im Projekt.
3. In Pocket book la-la Land steckt
Ein Python -Notizbuch ist kein Produkt. Es ist ein Forschungs- / Bildungsinstrument.
Ein Jupyter-Proof-of-Idea, der auf dem Laptop eines Menschen ausgeführt wird, ist keine Produktionsniveau-Architektur. Sie können ein wunderschönes Modell isoliert erstellen, aber wenn niemand weiß, wie man es bereitstellt, haben Sie Regal geschaffen.
Der echte Wert kommt, wenn Modelle Teil eines größeren Methods sind: getestet, bereitgestellt, überwacht und aktualisiert.
Modelle, die im Rahmen von MLOPS -Frameworks erstellt und in die aktuellen Unternehmenssysteme integriert sind, sind für erfolgreiche Ergebnisse obligatorisch. Dies ist besonders wichtig in Unternehmen, die unzählige Legacy -Systeme mit unterschiedlichen Funktionen und Merkmalen haben.
Wie man es vermeidet:
- Stellen Sie sicher, dass Sie technische Funktionen für die ordnungsgemäße Bereitstellung in der Organisation haben.
- Beteiligen Sie die IT -Abteilung von Anfang an (lassen Sie sie jedoch nicht ein Blocker sein).
4. Erwartungen sind ein Chaos (KI -Projekte „scheitern immer“)
Die meisten KI -Modelle werden Teil der Zeit „falsch“ sein. Deshalb sind diese Modelle wahrscheinlich. Aber wenn die Stakeholder Magie erwarten (z. B. 100% Genauigkeit, Echtzeitleistung, sofortiger ROI), fühlt sich jedes anständige Modell wie eine Enttäuschung an.
Obwohl der aktuelle „Gesprächspartner“ der meisten KI -Modelle das Vertrauen der Benutzer in die KI verbessert zu haben schien (wenn falsche Informationen per Textual content übergeben werden, scheinen die Leute damit in Ordnung zu sein 😊), die Überdachung der Modelle Leistung ist eine bedeutende Ausfallursache für AI -Projekte.
Unternehmen, die diese Systeme entwickeln, teilen die Verantwortung. Es ist wichtig, klar zu kommunizieren, dass alle KI -Modelle inhärente Einschränkungen und eine Fehlerquote aufweisen. Es ist besonders wichtig zu kommunizieren Was AI kannAnwesend was es nicht kannUnd Was der Erfolg tatsächlich bedeutet. Ohne das ist die Wahrnehmung immer ein Scheitern, auch wenn es technisch gesehen ein Sieg ist.
Wie man es vermeidet:
- Die Fähigkeiten von AI nicht überlagen
- Setzen Sie realistische Erwartungen frühzeitig.
- Erfolg gemeinsam definieren. Stimmen Sie den Stakeholdern zu, wie „intestine genug“ für den spezifischen Kontext aussieht.
- Verwenden Sie die Benchmarks sorgfältig. Heben Sie vergleichende Verbesserungen (z. B. „20% besser als aktueller Prozess“) als absolute Metriken hervor.
- Nicht-technische Groups erziehen. Helfen Sie Entscheidungsträgern, die Natur der KI zu verstehen-siehe Stärken, Einschränkungen und wo sie Wert verleiht.
5. Ai Hammer, treffen Sie jeden Nagel
Nur weil Sie KI auf etwas schlagen können, heißt das nicht, dass Sie es sollten. Einige Groups versuchen, maschinelles Lernen in jede Produktfunktion zu zwingen, selbst wenn ein regelbasiertes System oder eine einfache Heuristik schneller, billiger und besser wäre. Und es würde wahrscheinlich mehr Selbstvertrauen von Benutzern hervorrufen.
Wenn Sie die Dinge überkomplizieren, indem Sie KI überschichten, wo sie nicht benötigt wird, tragen Sie wahrscheinlich zu einem aufgeblähten, zerbrechlichen System bei, das schwerer zu erklären, zu erklären und letztendlich zu unterdurchschnittlich zu sein ist. Schlimmer noch, Sie könnten das Vertrauen in Ihr Produkt untergraben, wenn Benutzer die KI-gesteuerten Entscheidungen nicht verstehen oder vertrauen.
Wie man es vermeidet:
- Beginnen Sie mit der einfachsten Lösung. Wenn ein regelbasiertes System funktioniert, verwenden Sie es. KI sollte eine Hypothese sein, nicht die Standardeinstellung.
- Erklärung priorisieren. Einfachere Systeme sind oft transparenter, und das kann ein Merkmal sein.
- Validieren Sie den Wert von AI. Fragen Sie: Verbessert das Hinzufügen von KI das Ergebnis für Benutzer erheblich?
- Design für Wartbarkeit. Jedes neue Modell fügt Komplexität hinzu. Stellen Sie sicher, dass Sie über die Ressourcen verfügen, die zur Aufrechterhaltung der Lösung benötigt werden.
Abschließender Gedanke
KI -Projekte sind nicht nur ein weiterer Geschmack davon, sie sind ein ganz anderes Tier. Sie verbinden Software program -Engineering mit Statistiken, menschlichem Verhalten und organisatorischer Dynamik. Deshalb scheitern sie in der Regel spektakulärer als herkömmliche Technologieprojekte.
Wenn es einen Imbiss gibt, dann ist es Folgendes: Der Erfolg in der AI betrifft selten die Algorithmen. Es geht um Klarheit, Ausrichtung und Ausführung. Sie müssen wissen, was Sie anstreben, wer verantwortlich ist, welcher Erfolg aussieht und wie man von einer coolen Demo zu etwas übergeht, das tatsächlich in freier Wildbahn läuft und Wert liefert.
Nehmen Sie additionally ein Atemzug ein. Stellen Sie die schwierigen Fragen. Brauchen wir hier wirklich KI? Wie sieht der Erfolg aus? Wer trifft den letzten Anruf? Wie werden wir die Auswirkungen messen?
Wenn Sie diese Antworten frühzeitig erhalten, wird der Erfolg nicht garantiert, aber es wird das Misserfolg viel weniger wahrscheinlich machen.
Lassen Sie mich wissen, wenn Sie andere häufige Gründe kennen, warum KI -Projekte scheitern! Wenn Sie diese Themen diskutieren möchten, können Sie eine E -Mail an eine E -Mail erhalten (E -Mail geschützt)