哪些因素会导致人工智能AI项目的失败？

 

哪些因素会导致AI项目的失败？

 

当分析人工智能（AI）项目失败的原因时，我们会发现，永远不会只有一个错误——业务和技术团队都有人工智能项目失败的不同点。本文将讨论导致AI项目失败的一些最常见的原因。

 人才：人工智能人才缺口

扩展人工智能的两个主要障碍是雇用具有AI技能的人员，以及确定良好的业务案例。不幸的是，对于大多数组织来说，雇佣数百或数千名数据科学家是不现实的，能够同时解决这两个问题的人(既拥有人工智能技能又拥有商业技能的人)往往非常罕见，以至于人们把他们称为独角兽。

为了同时解决这两个问题，公司应该“建立独角兽团队，而非雇佣独角兽人员”。这意味着他们应该建立由数据和领域专家组成的团队，同时也要致力于随着时间的推移发展他们的人工智能运营模式，这将同时提高他们的AI成熟度。这是有效的：根据《哈佛商业评论》，85%成功扩展了人工智能的公司使用了跨学科开发团队。

IDC的建议：“注意考虑数据科学家以及知识工作者和行业专家的角色。为知识工作者赋能将缩短实现价值的时间。”

 流程：缺乏人工智能治理和监督

在这种宏观经济环境下，团队无法承受的是削减或完全削减AI预算。你可能会问，是什么导致了这种情况的发生？构建和测试机器学习模型浪费了太多时间，结果便是它们从未投入生产，无法开始为业务创造真正的、有形的价值，例如赚到的钱、节省的钱或建立今天无法完成的新流程。

好消息是，AI团队可以实施一些策略和最佳分析实践来安全地简化和扩展其AI工作，例如建立AI治理策略，包括MLOps等运营要素和负责任AI等基于价值的要素。

坏消息是，通常，团队要么在部署之前没有设置这些流程(这可能导致许多复杂的问题)，要么没有办法明确地推进能够产生业务价值的正确项目，并弃用表现不佳的项目。

重点关注人工智能扩展中的风险调整价值交付和效率，所有这些都需符合法规。团队需要区分概念验证（POC）、自助服务数据计划和工业化数据产品，以及围绕它们的治理需求。需要为探索和实验提供空间，但团队还需要做出明确的决定，即自助服务项目或POC何时应获得资金、测试和保证，以成为工业化、可操作的解决方案。

IDC的建议：“为数据隐私、决策权、问责制和透明度制定明确的制度。由IT部门、业务部门和合规部门共同执行前瞻性、持续性的风险管理和治理。”

 技术：缺乏平台思维

团队如何确定正确的技术流程，以实现人工智能的大规模使用？端到端平台(如Dataiku)给AI项目生命周期的各个步骤带来了凝聚力，并在团队完成这些步骤时提供了一致的外观、感觉和方法。在构建现代AI平台策略时，务必考虑一体化平台的价值，从数据准备到监控生产中的机器学习模型。相反，为每个组件购买单独的工具可能极具挑战性，因为在生命周期的不同区域存在着多个拼图。

确保IT从一开始就参与进来非常重要。IT经理对于有效、顺利地推出任何技术都至关重要，而且从更哲学的角度来看，对于灌输一种数据访问与适当的治理和控制相平衡的文化同样如此。

IDC的建议：“与其实施不同的解决方案来处理小任务，不如采用平台方法来支持一致的体验和标准化。”

 展望未来

扩展AI工作需要花费大量时间和资源，我们都不想要失败。但与此同时，只要团队能够在快速失败后立即落实他们的经验教训，在实验过程中出现一些有益的失败也是有价值的。他们应该确保专注于技能提升和培训（即让业务从业者越来越多地参与进来），使人工智能工具和技术民主化。

审核编辑：刘清