4 причины провала проекта искусственного интеллекта (ИИ)

Искусственный интеллект и машинное обучение меняют отрасли и способы функционирования бизнеса с сотнями вариантов использования.Однако разработка и успешное внедрение проекта ИИ в бизнес-процессы создает серьезные проблемы для компаний, замедляющих внедрение ИИ в организации:

• Было подсчитано, что 85% проектов ИИ потерпят неудачу и дадут ошибочные результаты до 2022 года.
• 70% компаний сообщают о минимальном воздействии ИИ или об его отсутствии.
• 87% проектов по науке о данных так и не переходят в производство.

В этой статье мы рассмотрим четыре распространенные причины высокого уровня неудач проектов ИИ и рассмотрим реальные примеры неудач ИИ.

1. Неясные бизнес-цели

Искусственный интеллект — мощная технология, но ее внедрения без четко определенной бизнес-задачи и четких бизнес-целей недостаточно для достижения успеха. Вместо того, чтобы начинать с решения неопределенной бизнес-проблемы, компании должны начать с определения и определения бизнес-проблем, а затем решить, помогут ли методы и инструменты ИИ решить их.

Кроме того, измерить затраты и потенциальные выгоды проекта ИИ сложно, потому что:

• Разработка проекта ИИ и построение/обучение модели ИИ носит экспериментальный характер и может потребовать длительного процесса проб и ошибок.
• Модели ИИ пытаются решать вероятностные бизнес-задачи, что означает, что результаты могут быть разными для каждого варианта использования.

Четко определенная бизнес-цель может дать четкое представление о том, является ли ИИ подходящим инструментом или существуют альтернативные инструменты или методы для решения поставленной задачи. Это может уберечь компании от ненужных затрат.

2. Плохое качество данных

Данные — это ключевой ресурс каждого проекта ИИ. Предприятиям необходимо разработать стратегию управления данными, чтобы обеспечить доступность, качество, целостность и безопасность данных, которые они будут использовать в своем проекте. Работа с устаревшими, недостаточными или предвзятыми данными может привести к ситуации «мусор в мусоре», провалу проекта и пустой трате бизнес-ресурсов.

Производительность инструментов ИИ и алгоритмов глубокого обучения, развернутых в ответ на пандемию COVID-19, является хорошим примером важности качества данных в проектах ИИ. Исследователи протестировали сотни инструментов ИИ, разработанных для диагностики COVID-19 или прогнозирования риска пациентов на основе таких данных, как медицинские изображения, и пришли к выводу, что ни один из них не подходит для клинического использования. Большинство проблем было связано с проблемами качества данных, такими как неизвестные источники и неправильная маркировка:

• Многие модели использовали набор данных сканирования грудной клетки здоровых детей в качестве примеров случаев, не связанных с COVID. В конце концов, ИИ научился идентифицировать детей, а не случаи COVID.
• В некоторых случаях ИИ использовал текстовые шрифты, которые больницы использовали для маркировки сканов как предиктора риска COVID.
• В некоторых других случаях модели машинного обучения использовали сканирование грудной клетки, которое было сделано в положении лежа для одних пациентов и стоя для других. Поскольку у лежачего пациента больше шансов заболеть, ИИ научился предсказывать риск пациентов по их положению.

Прежде чем приступить к проекту ИИ, компании должны убедиться, что у них есть достаточные и актуальные данные из надежных источников, которые представляют их бизнес-операции, имеют правильные метки и подходят для развернутого инструмента ИИ. В противном случае инструменты ИИ могут давать ошибочные результаты и могут быть опасны, если их использовать при принятии решений, как показано в примерах ниже.

Спонсируется

Консультант по искусственному интеллекту, основатель Positronic Бен Вирк подчеркивает важность достаточных и актуальных данных и заявляет о 100% успехе со своими клиентами:

• «Мы выясняем, есть ли у них данные. Мы ставим очень высокую планку. Минимум 10 тысяч образцов каждого класса. Если нет, не делайте решение ИИ».
• «С самого начала мы точно оцениваем затраты благодаря нашему опыту работы с десятками индивидуальных проектов ИИ. Это уменьшает количество сюрпризов».

Специалисты по сбору данных могут помочь вашему бизнесу, если у вас нет данных хорошего качества.

Спонсируется

• Сбор данных более чем 4 миллионами работников со всего мира, которые владеют 45 языками и обслуживают более 70 целевых рынков.
• Сбор и аннотация наборов данных для AI и ML
• Наборы данных для инструментов анализа настроений с открытым исходным кодом
• Услуги SEO-контента/создание текста
• Категоризация и теги
• Проведение опросов и веб-исследований

Чтобы получить более подробные сведения о сборе данных, загрузите наш технический документ:

3. Отсутствие сотрудничества между командами

Наличие команды специалистов по данным, работающей изолированно над проектом ИИ, не является рецептом успеха. Создание успешного проекта искусственного интеллекта требует сотрудничества между специалистами по данным, инженерами данных, ИТ-специалистами, дизайнерами и профессионалами в сфере бизнеса. Создание технической среды для совместной работы поможет компаниям:

• Убедитесь, что результаты проекта ИИ будут хорошо интегрированы в их общую технологическую архитектуру.
• Стандартизируйте процесс разработки ИИ
• Делитесь знаниями и опытом, разрабатывайте лучшие практики
• Масштабное развертывание решений ИИ

Существуют наборы методов, известных как DataOps и MLOps, которые позволяют сократить разрыв между различными командами и масштабировать системы ИИ. Кроме того, создание федеративного центра передового опыта (CoE) в области ИИ, в котором специалисты по данным из разных областей бизнеса могут работать вместе, может улучшить сотрудничество.

4. Отсутствие таланта

Согласно опросу 2019 года, главной проблемой для внедрения ИИ в бизнесе является нехватка квалифицированных специалистов по обработке и анализу данных. Создание талантливой команды специалистов по данным может быть дорогостоящим и трудоемким из-за нехватки навыков. Без команды с надлежащей подготовкой и опытом в бизнес-сфере компании не должны ожидать многого от своей инициативы в области ИИ.

Компании должны проанализировать затраты и выгоды от создания собственных групп по обработке и анализу данных. Чтобы узнать больше о преимуществах и недостатках создания собственных команд и аутсорсинга, ознакомьтесь с нашими статьями о внутреннем аутсорсинге искусственного интеллекта и машинного обучения.В соответствии с вашими бизнес-целями и масштабами вашей деятельности аутсорсинг может быть на начальном этапе более рентабельной альтернативой внедрению приложений ИИ.

Каковы некоторые примеры неудач проектов ИИ?

IBM Watson для онкологии

Хорошо известным примером провала проекта ИИ является партнерство IBM с Онкологическим центром им. доктора медицины Андерсона Техасского университета по разработке IBM Watson for Oncology для улучшения лечения рака. Согласно StatNews, внутренние документы IBM показывают, что Уотсон часто давал ошибочные советы по лечению рака, например, давал кровоостанавливающие препараты пациентам с сильным кровотечением. Обучающие данные Watson содержали небольшое количество гипотетических данных о больных раком, а не реальных данных о пациентах. Согласно отчету системного администрирования Техасского университета, стоимость проекта для доктора медицины Андерсона составила 62 миллиона долларов без каких-либо достижений.

Рекрутинговый инструмент Amazon с искусственным интеллектом

Рекрутинговый инструмент Amazon с использованием искусственного интеллекта, дискриминирующий женщин, — еще один популярный пример провала искусственного интеллекта. Инструмент был обучен на наборе данных, содержащем в основном резюме кандидатов-мужчин, и он интерпретировал, что кандидаты-женщины менее предпочтительны.

Расовая и половая дискриминация в средствах распознавания лиц

Исследователи искусственного интеллекта обнаружили, что коммерческие технологии распознавания лиц, такие как технологии IBM, Microsoft и Amazon, плохо работают с темнокожими женщинами и хорошо — со светлокожими мужчинами (рис. 1).

Беспилотные автомобили едут по встречной полосе

Исследователи продемонстрировали, что они могут ввести в заблуждение систему компьютерного зрения автомобиля Tesla, заставив ее двигаться по встречной полосе, разместив на дороге небольшие наклейки.

Другой

• Канадский технологический стартап Element AI столкнулся с трудностями при выводе своей продукции на рынок из-за высоких операционных расходов при минимальной выручке.Согласно интервью с генеральным директором Element AI Жаном-Франсуа Ганье, в 2019 году деловые партнеры, которые неэффективно используют свои данные, и отсутствие существующей инфраструктуры для масштабирования модели ИИ были одними из причин этих трудностей.
• Вы можете прочитать нашу статью о примерах сбоев чат-бота и разговорного ИИ.

Если вы хотите начать использовать ИИ в своем бизнесе, не стесняйтесь проверять наши списки:

• Платформы ИИ
• Консультанты по ИИ
• Услуги по разработке ИИ

Если у вас есть конкретная бизнес-задача, подходящая для ИИ, мы можем помочь вам найти подходящего поставщика для решения этой задачи:

Джем является главным аналитиком AIMultiple с 2017 года. AIMultiple ежемесячно информирует сотни тысяч компаний (по данным SimilarWeb), включая 55% компаний из списка Fortune 500.

Работа Джема цитируется ведущими мировыми изданиями, включая Business Insider, Forbes, Washington Post, глобальными компаниями, такими как Deloitte, HPE, и неправительственными организациями, такими как Всемирный экономический форум, и наднациональными организациями, такими как Европейская комиссия. Вы можете увидеть больше авторитетных компаний и ресурсов, которые ссылались на AIMultiple.

На протяжении всей своей карьеры Джем работал техническим консультантом, закупщиком технологий и предпринимателем в области технологий. Он консультировал предприятия по их технологическим решениям в McKinsey and Company и Altman Solon более десяти лет. Он также опубликовал отчет McKinsey о цифровизации.

Он руководил технологической стратегией и закупкой телекоммуникационной компании, подчиняясь генеральному директору. Он также руководил коммерческим ростом компании Hypatos, занимающейся глубокими технологиями, которая достигла 7-значного годового постоянного дохода и 9-значной оценки от 0 в течение 2 лет. Работа Джема в Hypatos освещалась ведущими технологическими изданиями, такими как TechCrunch и Business Insider.

Джем регулярно выступает на международных технологических конференциях. Он окончил Университет Богазичи по специальности инженер-компьютерщик и имеет степень магистра делового администрирования Колумбийской школы бизнеса.