Wskaźniki niepowodzeń projektów AI sięgają 80% - badanie wskazuje na słabe rozpoznawanie problemów i skupienie się na najnowszych trendach technologicznych wśród głównych problemów

Wydaje się, że wszyscy i ich ciotki wskakują do pociągu AI w poszukiwaniu zawyżonych marż zysku i szumu marketingowego - wystarczy spojrzeć na niedawny rebranding AMD Ryzen jako doskonały przykład tego szumu AI. Niedawne badanie przeprowadzone przez RAND wykazało, że to podejście skoncentrowane na sztucznej inteligencji może nie być wszystkim, za co jest uważane, a projekty AI wydają się kończyć niepowodzeniem dwa razy częściej niż zwykłe projekty rozwoju oprogramowania.

Podczas badania, RAND przeprowadziła wywiady z 65 ekspertami branżowymi z ponad pięcioletnim doświadczeniem w opracowywaniu narzędzi sztucznej inteligencji i uczenia maszynowego dla podmiotów prywatnych i środowisk akademickich, a następnie zebrała ich odpowiedzi w pięć głównych przyczyn niepowodzeń projektów AI/ML.

Według badania, porażką numer jeden była raczej porażka przywódcza niż techniczna. Kierownictwo albo nie rozumiało problemu, który próbowało rozwiązać za pomocą sztucznej inteligencji, nie potrafiło zakomunikować tego problemu zespołom programistycznym, albo próbowało zastosować sztuczną inteligencję do problemu, do rozwiązania którego nie była ona przygotowana. Kierownicy projektów byli tak skoncentrowani na wykorzystaniu najnowszych i najlepszych osiągnięć AI do rozwiązania swoich problemów, że przeoczyli prostsze i tańsze rozwiązania, które nie wykorzystywały AI.

Jak wyjaśnił jeden z rozmówców, jego zespoły były czasami instruowane, aby stosować techniki sztucznej inteligencji do zbiorów danych z kilkoma dominującymi cechami lub wzorcami, które można było szybko uchwycić za pomocą kilku prostych reguł if-then.

Dostępność zasobów była również istotnym punktem awarii, a kierownictwo wskazywało, że nie chce lub nie jest w stanie przydzielić niezbędnych zasobów do przetwarzania niezbędnych danych i odpowiedniego szkolenia systemów sztucznej inteligencji. Często skutkowało to niedostarczeniem projektu lub dostarczeniem produktu, który był niekompletny - co było konsekwencją niedoceniania złożoności tworzenia i szkolenia systemu sztucznej inteligencji.

Podobnie, wielu liderów miało nierealistyczne oczekiwania wobec sztucznej inteligencji w wyniku niedawnego szumu i twierdzeń marketingowych, co staje się problematyczne, gdy zespoły programistyczne nie są w stanie dostarczyć tego, co obiecano w oczekiwanym czasie.

Aby uzyskać bardziej szczegółowe spojrzenie na dane, przyczyny niepowodzeń i zalecenia badaczy, proszę zapoznać się z raportem badawczym RAND.