چرا 85٪ از پروژه‌های هوش مصنوعی شکست می‌خورند

چرا 85٪ از پروژه‌های هوش مصنوعی شکست می‌خورند

بسیاری از شرکت‌ها مایلند کسب و کار خود را با دنیای جذاب هوش مصنوعی (AI) گسترش دهند و از مزایای آن بیاموزند. معمولاً داستان به شرح زیر است: کمیته مدیران تصمیم می‌گیرند که شرکت آن‌ها باید پیشتاز در اکوسیستم نوآوری و هوش مصنوعی در صنعت خود باشد. برای این کار آن‌ها یک تیم مناسب از افراد را استخدام می‌کنند، مقدار زیادی پول صرف منابع می‌کنند و پس از چند ماه – هیچ!!! - با پول کمتر و هیچ اعتمادی به هوش مصنوعی در نقطه شروع قرار می‌گیرند. این شرکت‌ها چه اشتباهاتی مرتکب شده‌اند؟ آیا هوش مصنوعی فقط یک تکرار، یک اسم خاص  و عادت یا یک نوع اعتیاد شده است و هیچ فایده‌ای ندارد؟ چه آموزه‌هایی می‌توانیم از این تعداد پروژه شکست خورده بگیریم؟

 

 

1 - هوش مصنوعی برای همه مناسب نیست

هنگامی که شرکت شما تصمیم به استفاده از هوش مصنوعی می‌گیرد، نیاز به یک استراتژی بسیار واضح و دقیق خواهد داشت. یک پروژه هوش مصنوعی بر سه پایه استوار است، فقدان هر یک از آنها باعث لرزش کل ساختار پروژه می‌شود.

سه رکن اصلی در یک پروژه هوش مصنوعی:

o    مهارت‌ها: Data Scientist عنوانی کاملاً نوین است، تعداد بسیار کمی از پژوهشگران داده می‌توانند بگویند که بیش از 15-20 سال تجربه دارند. Data Scientist بسیار کمیاب است و تهیه یک تیم مناسب دشوار و گران می‌باشد.
o    محیط فنی: مدل‌های هوش مصنوعی فقط بخشی از راه حل هستند، اگر می‌خواهید پروژه شما موفقیت آمیز باشد، به مهارت‌ها و راه حل-های مختلفی برای انجام آن نیاز دارید. شما به تیمی از توسعه دهندگان و مهندسان نرم افزار نیاز دارید که از پیچیدگی‌های معماری پروژه‌های هوش مصنوعی آگاه باشند و بتوانند مشکلات آن را رفع و کار پیاده‌سازی را دقیق انجام دهند. یک محیط مناسب و افراد مناسب جهت تولید و طراحی ضروری است و نباید صرفا توسط یک Data Scientist مدیریت شود بلکه باید افراد آگاه و مسلط در کار حضور داشته باشند.
o    داده: شرکت‌ها باید یک استراتژی داده را برای مدیریت منابع اصلی پروژه‌های هوش مصنوعی و داده‌ها، طراحی کنند. پژوهشگران داده موظفند داده‌ها را در هر نقطه استخراج، تمیز و تجزیه و تحلیل کنند. کار با داده‌های منسوخ، نسخه‌های کپی، اطلاعات نادرست یا حتی از دست رفته ممکن است منجر به ناامیدی تیم و شکست پروژه شود. مدیریت داده‌ها(Data Governance) یکی از مهمترین ارکان موفقیت پروژه‌های هوش مصنوعی است.
این سه رکن ضروری است، اگر یکی از آنها از بین برود، پروژه‌های هوش مصنوعی ممکن است شکست بخورند. به طور مثال هیچ تیمی از دانشمندان داده را با ابزارهای عالی، در حال توسعه مدل‌های شگفت انگیز، بدون هیچ داده‌ای نمی شناسیم. یا حتی اگر شرکت شما تیم و داده‌های خوبی دارد، اگر فضا و امکانات لازم برای انجام این کار را نداشته باشید، چگونه انتظار دارید که به سمت تولید مدل بروید.

سرانجام، در نظر گرفتن تأثیر فرهنگی این تغییر استراتژی بر شرکت نیز مهم است. بسیاری از پروژه ها ممکن است شکست بخورند زیرا اعتماد مدیریت یا رهبران شرکت را ندارند. هوش مصنوعی ابزار است، اگر افراد مدیریت کننده از آن استفاده نکنند، به سختی تاثیری در تجارت خواهد داشت.

2 - هوش مصنوعی را برای مدیران با مفاهیم تجاری مشخص توضیح دهید.

فرض کنید سه ستون اصلی را ساخته‌ایم، چگونه باید پروژه هوش مصنوعی مناسب خود را شناسایی کنیم؟ چگونه می‌توانیم بفهمیم با کدام پروژه شروع کنیم؟
بیشتر شرکت‌ها که با گرایش تکنولوژی شروع به کار می‌کنند، جملاتی مانند «من می خواهم اولین شرکتی باشم که از chatbots استفاده می کند!» یا «تکنیک کاملا جدیدی توسط Google منتشر شده است، بیایید از آن استفاده کنیم!» منشا بسیاری از پروژه‌های ناموفق همین مدل جملات و تفکرات هستند. اگر این مدل نگاه را داشته باشید، به احتمال زیاد مسئله و مشکل محور به پروژه نگاه نمی‌کنید و این امر مشکلات بسیاری را برای شما به وجود خواهد آورد چون به جای حل مسئله به دنبال روش‌هایی می‌روید که واقعا برای کار شما مفید نیست.
به جای جهت گیری فنی، شرکت‌ها باید با داشتن گرایش تجاری شروع به کار کنند. تجزیه و تحلیل صورت‌های مالی، پیدا کردن جایی که شرکت متحمل بیشترین هزینه‌ها است در اولویت باید باشد. به بررسی استراتژی‌های جذب و حفظ مشتری ادامه دهید، آیا راهی برای بهبود آن با هوش مصنوعی وجود دارد؟ ابتدا مشکل را شناسایی کنید و سپس تصمیم بگیرید که کدام راه حل را استفاده نمایید.
جهت گیری تجاری به شرکت‌ها امکان می‌دهد تا پروژه‌های هوش مصنوعی را از منظر مالی اندازه‌گیری کنند، ما می‌توانیم هزینه‌، درآمد یا تأثیری را که با KPI بر شرکت خواهد گذاشت‌، تخمین بزنیم. اندازه‌گیری پروژه‌های هوش مصنوعی از این طریق می‌تواند دو مزیت عمده داشته باشد، اول اینکه جهت گیری واضحی از اینکه کجا برویم را ارائه می-دهد. وقتی اهداف شفاف باشد تیم‌های هوش مصنوعی می‌توانند در مدل‌های آموزشی مرتبط غرق شوند، تکنیک های جدید را امتحان کنند و دقت را افزایش دهند. از طرف دیگر باید بدانند که چند تکنیک جدید را باید امتحان کنند یا چقدر باید وقت خود را صرف آموزش کنند؟

آنها باید به کار خود ادامه دهند تا اینکه مشکل تجاری را حل کنند، این تنها  KPI مهم است.

ثانیاً، ارتباطات میان تیم پژوهشگر داده و مدیران معمولاً راحت نیست. بعد از ماه‌ها کار و انجام یک پروژه عالی، آخرین چیزی که می‌خواهید از دست بدهید ارتباطات است. برای این منظور ما باید با زبان تجاری صحبت کنیم. از طریق KPI مالی، دستاوردهای هوش مصنوعی خود را به زبانی که آن‌ها می‌توانند درک کنند، توضیح دهید.
اگر در اولین پروژه خود هستید، ملاحظات ذکر شده باید مجدد در نظر گرفته شود. عدم موفقیت در اولین پروژه می‌تواند عوارض جانبی مهمی در پیشرفت تیم و از بین رفتن اعتماد رهبران داشته باشد. این مورد می‌تواند حتی تیم هوش مصنوعی را ناامید و بی‌انگیزه کند.

3 – رویکرد چابک داشته باشید

قرار دادن نمونه اولیه در تولید یک نقطه عطف بسیار مهم است.
شرکت‌ها نمی‌توانند زمان زیادی را صرف تمرکز بر ایجاد مدل کنند و زمان رفع مشکل اصلی را از دست می‌دهند. در توسعه نرم افزار، پیروی از رویكرد چابك، رمز موفقیت پروژه است.
بهتر است به جای اینکه ماه‌ها برای ارائه یک نرم افزار نهایی منتظر بمانید، روی تکرارهای کوتاه که به سرعت نتیجه می‌گیرند کار کنید. پس از هر بار تکرار، از مشتریان و کاربران خود بازخورد دریافت می‌کنیم تا بتوانیم پیشرفت کنیم. ما این فرضیه را داریم که چرا کاربر راه حل را دوست نخواهد داشت، معمولاً ممکن است به دقت یا عملکرد مدل فکر کنیم.

با تشکر از رویکرد چابک، ما بر اساس فرضیه کار نمی‌کنیم و بر اساس بازخورد مشتری کار می‌کنیم.

علاوه بر این، همانطور که تکرار می‌کنیم و راه حل کامل را ایجاد می‌نماییم، رهبران تجاری می‌توانند تحویل زودهنگام داشته باشند، این ویژگی به آن‌ها امکان می‌دهد پیشرفت و بازگشت سرمایه خود را ببینند و به مدیریت انتظارات و درک بهتر نیازهای کاربر کمک می‌کند.

4 – از ابزارهای موجود جهانی درست استفاده کنید

Data Scientist به دنبال تکنیک‌ها و راه‌حل‌های جدید برای بهبود عملکرد مدل فعلی است. آن‌ها می‌خواهند داده‌ها را تجزیه و تحلیل کنند، مدل را طراحی کنند، آموزش دهند و در هر تکرار دقیقتر پارامترها را تنظیم کنند. این کار بسیار سخت و پرهزینه است و رسیدن یک مدل قابل اعتماد زمان می‌برد.
از طرف دیگر، شرکت‌های بزرگ فناوری مانند آمازون، گوگل یا مایکروسافت وجود دارند که مدل‌های پیشرفته‌ای را ارائه می‌دهند، مدل‌هایی که با حجم گسترده‌ای از داده‌ها آموزش دیده‌اند و اکثر شرکت‌ها حتی نمی‌توانند آن را تصور کنند. آیا می‌توانیم در برابر آنها رقابت کنیم؟
ارائه دهندگان ابر بزرگ، مدل‌های آموزش دیده خود را از طریق API با قیمت مناسبی ارائه می‌دهند. شما به ازای هر بار استفاده هزینه پرداخت می‌کنید، این مدل‌ها به طور چشمگیری زمان ورود به بازار و هزینه ورود را کاهش می‌دهند. در عرض چند روز می‌توانید، طرح هوش مصنوعی خود را با هزینه بسیار کم توسعه دهید، بنابراین می‌توانید با ارائه یک محصول اولیه نظرات کاربران را جمع آوری کنید و از مزایای ذکر شده آن استفاده نمایید.
آیا می‌توانیم از API برای همیشه استفاده کنیم؟ البته که نه، همانطور که گفتیم، ما روی تکرارهای کوتاه و فشرده کار می‌کنیم تا سریع ارائه شود و به همین دلیل API ها بسیار مفید هستند. وقتی به نقطه ای رسیدید که راه حل شما قابل اعتبار سنجی شود، مشتریان از آن استفاده می‌کنند و رهبران مایل به سرمایه گذاری بیشتر هستند، شما می‌دانید که راه حل شما کار می‌کند و بازدهی مشخص برای شرکت شما دارد. وقتی توانستید همه اینها را تأیید کنید، آماده هستید که از API ها برای توسعه مدل‌های خود و کنترل راه حل استفاده کنید.

نتیجه
شروع کار در دنیای هوش مصنوعی می‌تواند بسیار چالش برانگیز باشد، متغیرهای زیادی برای در نظر گرفتن و عدم اطمینان زیادی وجود دارد. همانطور که در این مقاله خوانده‌ایم، بیشتر مشکلات ناشی از مدیریت و تصمیمات تجاری است. باید بدانیم که هوش مصنوعی ابزاری است که به تنهایی برای حل مسئله کار نمی‌کند.
مشکل را بشناسید، آن را جدا کنید و درک کنید، سپس روی هدف اصلی تمرکز کنید. در مراحل ابتدایی، باید کمال گرایی خود را پشت سر بگذارید و بر راه حل‌های مرحله به مرحله فکر کنید. در این صورت شما قادر به دریافت بازخورد و تکرار راه حل خواهید بود.

و در نهایت باید بگوییم که شرکت دانش بنیان نیافام با تجربه بالای پیاده‌سازی‌های موفق و مشاوره به سازمان‌های بزرگ تجاری برای ورود به دنیای هوش مصنوعی، همراه قابل اعتماد سازمان‌ها است و این مسیر را برای آن‌ها راحتتر و به تجربه‌ای موفق تبدیل خواهد کرد.

: لینک کوتاه خبر
متن استاتیک شماره 3 موجود نیست