Varför misslyckas 80 procent av alla AI-projekt?
Ökande investeringar men låg framgång
Artificiell intelligens (AI) har snabbt utvecklats från att vara ett verktyg för specialiserade teknikföretag till att bli en viktig del av strategin för företag i alla branscher. Mellanstora företag, liksom stora organisationer som USA försvarsdepartement, har börjat använda AI för att förbättra affärsprocesser och fatta snabbare beslut. Trots en dramatisk ökning i investeringar, med en 18-faldig ökning från 2013 till 2022, är framgångsgraden för AI-projekt alarmerande låg. Enligt uppskattningar misslyckas över 80 procent av AI-projekt, vilket är dubbelt så hög misslyckandefrekvens jämfört med traditionella IT-projekt.
Orsakerna till detta kan vara komplexa och mångfacetterade. I en värld där tekniken utvecklas snabbt och affärslandskapet ständigt förändras, finner sig ledare ofta pressade att implementera AI-lösningar utan en klar förståelse för hur man effektivt ska göra det. En stor del av dessa misslyckanden kan spåras till ett antal vanliga fallgropar och bristande strategier som hindrar organisationer från att utnyttja AI fulla potential.
De största orsakerna till AI-projektens misslyckanden
Att förstå varför AI-projekt misslyckas är avgörande för företag som vill dra nytta av tekniken. Genom att intervjua 65 erfarna dataingenjörer och forskare inom både industrin och akademin har fem huvudsakliga orsaker identifierats.
1. Missförstånd om projektets syfte och mål
En av de vanligaste orsakerna till att AI-projekt misslyckas är att det råder ett missförstånd eller en felkommunikation om vilket problem som faktiskt ska lösas. Ofta implementeras AI-modeller som är optimerade för felaktiga mätvärden eller som inte passar in i företagets övergripande affärsprocesser. För att undvika detta måste tekniska team och affärsledare ha en tydlig och kontinuerlig kommunikation om projektets syfte, vilka problem som behöver lösas, och hur AI-modellen ska användas.
2. Brist på tillräckliga och relevanta data
En annan kritisk faktor är tillgången till högkvalitativa data. Många AI-projekt misslyckas eftersom organisationen inte har tillräckligt med data eller för att data som finns tillgängliga är av låg kvalitet. Data är grunden för att träna AI-modeller, och utan rätt data blir det omöjligt att utveckla en effektiv lösning. Ofta inser inte ledningen den omfattande tid och kostnad som krävs för att samla in, rengöra och förbereda data för analys.
3. Fokusering på teknologi snarare än på affärsproblem
Ibland blir AI-projekt mer fokuserade på att använda den senaste tekniken snarare än att lösa faktiska problem. Teknikteam kan lockas att experimentera med nya och spännande AI-modeller utan att säkerställa att dessa lösningar verkligen adresserar företagets behov. Detta kan leda till projekt som imponerar tekniskt men som inte har någon verklig affärsnytta. För att lyckas måste företagen hålla fokus på att lösa verkliga problem snarare än att bara implementera den senaste teknologin.
4. Otillräcklig infrastruktur och resurser
För att AI-projekt ska kunna leverera värde krävs det en robust infrastruktur för att hantera data och för att distribuera AI-modeller. Många organisationer misslyckas med att investera tillräckligt i den infrastruktur som krävs för att stödja datastyrning, modellutplacering och kontinuerlig övervakning av prestanda. Att bygga upp en sådan infrastruktur kan avsevärt minska tiden för att slutföra AI-projekt och öka tillgången till högkvalitativa data.
5. För höga förväntningar och felaktig användning av AI-teknik
Slutligen misslyckas många AI-projekt eftersom de appliceras på problem som är för komplexa för att AI-teknik ska kunna lösa dem. AI är inte en magisk lösning som kan lösa alla problem. Ibland är de tekniska begränsningarna för stora, eller så är affärsproblemen för komplicerade eller subjektiva för att automatiseras effektivt. Ledare måste förstå AI
begränsningar och vara realistiska i sina förväntningar på vad tekniken kan uppnå.
Så kan organisationer öka sina chanser att lyckas med AI
För att vända trenden med misslyckade AI-projekt och maximera sina investeringar i tekniken kan företag följa dessa fem rekommendationer:
1. Säkerställ att teknisk personal förstår projektets syfte och affärskontext
Det är avgörande att säkerställa att tekniska team har en tydlig förståelse för projektets mål och den specifika kontext i vilken AI-modellen kommer att användas. En stark och kontinuerlig kommunikation mellan affärs- och tekniksidan minskar risken för missförstånd och ökar sannolikheten för att projektet lyckas.
2. Välj hållbara och långsiktiga problem att lösa
AI-projekt kräver tid och tålamod. Innan ett projekt påbörjas bör ledare vara beredda att engagera sig för en längre tidshorisont, minst ett år, för att verkligen lösa det valda problemet. Om ett projekt inte är värt en långsiktig investering, är det troligtvis inte värt att påbörja det alls.
3. Fokusera på att lösa problem, inte på tekniken i sig
Framgångsrika AI-projekt är alltid inriktade på att lösa verkliga problem snarare än att imponera med ny teknik. Organisationer bör därför säkerställa att de tekniska lösningarna de utvecklar är lämpliga för de specifika affärsproblem de står inför, och inte bara att de använder den senaste teknologin för sakens skull.
4. Investera i infrastruktur och kompetens
För att öka chanserna för framgång i AI-projekt är det viktigt att investera i nödvändig infrastruktur som stödjer datastyrning och snabb distribution av AI-modeller. Detta inkluderar att anställa dataingenjörer och maskininlärningsingenjörer som har de specialiserade kunskaperna för att bygga och underhålla dessa system.
5. Förstå och respektera AI-teknikens begränsningar
AI har enorm potential, men det är viktigt att förstå att tekniken har sina begränsningar. AI är inte en universallösning, och vissa problem ligger utanför teknikens nuvarande kapacitet. Genom att samarbeta med tekniska experter kan ledare bättre identifiera vilka projekt som är realistiska och som kommer att leverera verkligt värde för organisationen.
Utmaningar inom akademin och möjliga lösningar
Inom akademin står forskare inför sina egna unika utmaningar när det gäller AI-projekt. Ofta handlar det om datakvalitet och strukturer, eller publikationsdrivna incitament som kan leda forskare att fokusera på prestigefyllda projekt snarare än på de som är mest relevanta eller användbara.
Partnerskap med myndigheter för att överkomma databarriärer
För att övervinna dessa utmaningar kan akademiker dra nytta av partnerskap med myndigheter för att få tillgång till stora, väldokumenterade dataset. Myndigheter samlar ofta in data i en skala som är svår för enskilda forskare att uppnå och som dessutom uppfyller de etiska och juridiska krav som ställs på akademisk forskning.
Utökade doktorandprogram för praktiker
Att expandera doktorandprogram inom datavetenskap för praktiker kan ge akademiker den djupgående praktiska kompetens som krävs för att tillämpa AI-lösningar på komplexa problem i verkligheten. Genom att skapa program som kombinerar teori och praktik kan forskare utveckla de färdigheter som krävs för att navigera både de akademiska och industriella landskapen inom AI.
Kommentera: