Искусственный интеллект: успешное масштабирование доказательств концепций
От ИИ PoC до готовности к производству
По данным Gartner, 80 % ИИ-проектов терпят неудачу после доказательства концепции. Узнай, как ты можешь избежать ловушки PoC и успешно масштабироваться.
Технологический прогресс привел компании к тому, что цифровые процессы уже не просто опция, а необходимость. В частности, использование искусственного интеллекта играет ключевую роль для компаний, так как существенно поддерживает гибкость и эффективность при масштабировании процессов.
Недавно опубликованное исследование, посвященное текущим настроениям компаний на тему облачных вычислений, еще раз наглядно подчеркивает, как представители компаний оценивают технологии и в какие области они хотят вкладывать больше средств в ближайшие годы. Не стоит удивляться тому, что число респондентов, которые рассматривают ИИ как ключевую тему для инвестиций и трансформации, в 2024 году снова выросло.
Согласно исследованию, проведенному аналитической компанией techConsult, 56% заявили, что ИИ имеет высокую стратегическую значимость для их компании, за ним следуют облачные вычисления — 47%. Таким образом, эти две темы тесно переплетаются.
ИИ прокладывает путь к ускорению разработки и доставки цифровых продуктов, а также к бесперебойной работе с клиентами, и это осознание теперь дошло до зала заседаний совета директоров.
Эти перемены крайне необходимы, так как клиенты ожидают все более качественного цифрового обслуживания, а растущая нехватка квалифицированной рабочей силы заставляет все больше компаний переосмысливать ситуацию. Необходимо эффективно оптимизировать внутреннюю структуру затрат, одновременно повышая уровень обслуживания клиентов. Здесь может помочь искусственный интеллект.
Поэтому все больше компаний переходят к переносу отдельных процессов и приложений на стадии доказательства концепции (PoC), особенно в области искусственного интеллекта, чтобы подтвердить их целесообразность и повышение эффективности.
Несмотря на то что использование искусственного интеллекта таит в себе огромный потенциал, подавляющее большинство PoC после их реализации терпят неудачу и не попадают в производство.
Index
7 причин, по которым доказательства концепций ИИ терпят неудачу
Но в чем причина этого и как можно изменить ситуацию? По сути, можно выделить семь основных аспектов, которые приводят к провалу доказательств концепции ИИ:
1. Нереалистичные ожидания
Измеримые, пригодные для использования результаты ожидаются сразу же, без учета того, что сбор и обработка высококачественных данных требует времени.
Поэтому рекомендуется с самого начала определить потенциальные бизнес-кейсы и тщательно отличать перспективные PoC от тех, которые лишь нарезают хорошую фигуру в «инновационной лаборатории». Вопросы типа: «Сколько времени я хочу потратить на этот проект? Какой бюджет я планирую на него? Есть ли у меня необходимые технические ресурсы и опыт внутри компании? Нужна ли мне консультация со стороны?» и т.д. должны быть выяснены заранее, чтобы избежать неприятных сюрпризов в конце.
2. Недостаточная база данных
Одна из самых распространенных причин неудач на самом старте — отсутствие достаточно качественных, сегментированных и маркированных данных для обучения ИИ-модели. Сокровища данных остаются в ведомственных силосах и никогда не материализуются.
Хотя PoC обычно требует только подмножество данных для подтверждения его осуществимости и уже может функционировать на одном фитоноутбуке, для его масштабирования часто требуются большие, очищенные и надежные объемы данных в структурированном виде. Если таких данных нет, можно обойтись и синтетически сгенерированными данными, в зависимости от бизнес-кейса. Однако вопрос о данных всегда должен быть задан достаточно рано.
3. Неправильная модель
Модели ИИ растут как грибы, и не только после шумихи вокруг генеративного ИИ. Модели, их производительность и области применения значительно отличаются друг от друга. Если ты не знаешь базовой терминологии и различий между моделями, то легко выбрать неправильное решение.
Поэтому перед тем, как использовать существующие модели, рекомендуется глубоко ознакомиться с ними. Базовое понимание моделей также облегчает принятие решения «делать или покупать», так как не каждое стандартное решение подходит для каждого случая, и, наоборот, нет необходимости изобретать колесо, если что-то уже есть на рынке и хорошо себя зарекомендовало.
4. Изолированные команды
ИИ — это не та технология, которая оторвана от остального ИТ и должна рассматриваться как единственный спаситель. Команда, изолированная от остальной организации, не обладает необходимой информацией для успешной реализации проектов и масштабирования PoC. Поэтому необходимо заранее проверить, можно ли интегрировать PoC в существующую ИТ-инфраструктуру и какие команды должны тесно сотрудничать для этого.
5. ИИ не ставится во главу угла
Непонимание сути ИИ и отсутствие интеграции в общую корпоративную стратегию — залог провала. Если ты не сделаешь искусственный интеллект главным приоритетом и не вовлечешь всю компанию в связанный с этим процесс изменений, тебе не стоит даже начинать. ИИ — одна из самых трансформационных технологий нашего века, которая несет с собой изменения в ежедневном процессе принятия решений. Эти изменения должны быть поддержаны руководством в той же степени, что и каждым отдельным сотрудником. Чтобы все прошло успешно, руководство должно не только быть примером для подражания, но и направлять, сопровождать и поддерживать всю свою команду на протяжении этих процессов с чуткостью и пониманием. Постоянное общение, прозрачность, обучающие программы и предоставление возможностей — ключевые факторы для принятия ИИ в компании.
6. Доказательство концепций Настройся на отсутствие специализированной области
«Специализированные отделы не знакомы с технологиями и даже не участвуют в создании PoCs». Тот, кто так думает, упускает из виду нечто важное: специализированные отделы являются хранителями ценной информации о своей области. У них есть накопленные годами специализированные знания, которые должны быть учтены при проектировании PoCs. Иначе, в худшем случае, оптимизация не даст результата. Разочарование здесь неизбежно. Поэтому следует: с самого начала поговори с соответствующими специализированными отделами и привлеки их к планированию и разработке концепции, чтобы добиться хорошего и пригодного для использования результата.
7. «Мы можем сделать это в одиночку»
Помимо хороших данных и моделей ИИ, готовые к производству решения ИИ также требуют надежной интеграции с предприятием и готовности к управлению. Именно здесь в игру вступает классическая программная инженерия, включая такие сопутствующие темы, как архитектура предприятия, EAM, консолидированные процессы разработки, защита и безопасность данных и, прежде всего, надежный непрерывный и автоматизированный контроль качества. Эти аспекты не являются фокусом и областью компетенции AI PoC и его менеджеров.
Те, кто учитывает эти ключевые аспекты при разработке PoC, значительно повышают свои шансы на масштабирование и перенос в производство и становятся на шаг ближе к своей цели — успешному использованию искусственного интеллекта.
Комментарии закрыты.