چرا خریداران فناوری با شکست پروژه های مرتبط با هوش مصنوعی مواجه می شوند؟

یک استراتژیست هوش مصنوعی ادعا می کند که بسیاری از کسب و کارهای بریتانیایی در تلاش برای اجرای پروژه های هوش مصنوعی خود هستند زیرا این فناوری به سادگی قابل اجرا نیست.

تحقیقات جدید پلتفرم مدیریت داده Qlik نشان داده است که 11 درصد از مشاغل بریتانیا حداقل 50 پروژه هوش مصنوعی در مرحله برنامه ریزی گیر کرده اند. در همین حال، 20٪ تا 50 پروژه تا برنامه ریزی یا فراتر از آن پیشرفت داشته اند – اما پس از آن مجبور به توقف یا حتی لغو آنها شدند.

جیمز فیشر، مدیر ارشد استراتژی Qlik، به TechRepublic گفت: «هوش مصنوعی تقریباً بر هر صنعت و بخش تأثیر می‌گذارد، اما در سراسر جهان قابل اجرا نیست.

برخی از پروژه‌ها به دلیل مشکلات زیرساختی و داده‌ها شکست می‌خورند، اما در موارد دیگر، هوش مصنوعی ابزار مناسبی برای این کار نیست. برای کسب‌وکارها ضروری است که مشکلی را که سعی در حل آن دارند درک کنند و هوش مصنوعی را در جایی که بیشترین ارزش را به همراه داشته باشد به کار ببرند.»

ببینید: چگونه نرخ شکست پروژه تحول دیجیتال خود را بهبود بخشید

این تحقیقات گارتنر را تایید می کند که در سپتامبر منتشر شد و نشان داد که حداقل 30 درصد از هوش مصنوعی مولد پروژه ها پس از مرحله اثبات مفهوم رها خواهد شد تا پایان سال 2025. این تصور جدیدی نیست، با گزارش TechRepublic در مورد یافته مشابهی در سال 2019.

حاکمیت داده یک چالش کلیدی است

بزرگترین دلیل شکست پروژه هوش مصنوعی در تحقیقات جدید Qlik، که توسط 28 درصد از 250 مدیر اجرایی C-suite مستقر در بریتانیا و تصمیم گیرندگان هوش مصنوعی مورد بررسی قرار گرفته است، چالش‌های پیرامون حاکمیت داده است.

پروژه‌های هوش مصنوعی در مواردی که داده‌های باکیفیت و ساختار یافته وجود ندارد یا اهداف بیش از حد مبهم هستند، ممکن است موفق نشوند. فیشر گفت. “به عنوان مثال، خودکار کردن تعاملات خدمات مشتری بدون نظارت کافی انسانی، داده های مناسب مورد نیاز برای پشتیبانی از آن یا آزمایش مناسب.

“بدون یک استراتژی داده محکم، مدل‌های هوش مصنوعی همیشه برای ارائه بینش معنی‌دار تلاش خواهند کرد.”

فیشر گفت که اجرای نادرست یک استراتژی می تواند “فاجعه بار” باشد. به عنوان مثال، کدهای تولید شده توسط هوش مصنوعی شناخته شده است باعث خاموشی شودو رهبران امنیتی هستند با در نظر گرفتن ممنوعیت استفاده از این فناوری در توسعه نرم افزار.

مطالعه Qlik همچنین نشان داد که 41٪ از مدیران ارشد بریتانیا به هوش مصنوعی اعتماد ندارند، که می تواند مربوط به سایر خرابی های مهم اخیر باشد، مانند ربات چت ایر کانادا که اطلاعات نادرست سیاست کرایه را ارائه می دهد، که منجر به پیامدهای حقوقی و مالی. قوانین جدید، مانند قانون هوش مصنوعی اتحادیه اروپا، فقط هزینه چنین خطاهایی را افزایش می دهد.

ببینید: هوش مصنوعی مولد: منبعی از اشتباهات پرهزینه برای خریداران فناوری سازمانی

اما، حوزه‌های تجاری وجود دارد که فیشر شاهد مفید بودن هوش مصنوعی بوده است، مانند بهینه‌سازی زنجیره تامین، تشخیص تقلب و بازاریابی شخصی.

فیشر خاطرنشان کرد: «اینها موارد استفاده هستند که در آن مدل‌های هوش مصنوعی حجم بیشتری از داده‌های با کیفیت بالا را تغذیه می‌کنند، با نتایج واضح کسب‌وکار هماهنگ می‌شوند و می‌توانند بینش‌های دقیق‌تر و عملی‌تری ایجاد کنند».

کارشناسان می‌گویند با جستجوی راه‌حل‌های هوش مصنوعی «plug-and-play» ضررهای مالی احتمالی را کاهش دهید

گارتنر تخمین می زند که ساخت یا تنظیم دقیق یک مدل هوش مصنوعی سفارشی می تواند بین 5 تا 20 میلیون دلار هزینه داشته باشد، به اضافه 8000 تا 21000 دلار برای هر کاربر در سال. تحلیلگران نوشتند که GenAI «به تحمل بالاتری برای معیارهای سرمایه گذاری مالی غیرمستقیم و آتی در مقابل بازگشت فوری سرمایه نیاز دارد»، که «بسیاری از مدیران مالی با آن راحت نبوده اند».

فیشر بر اهمیت رهبران کسب‌وکار تاکید کرد که اطمینان حاصل کنند هوش مصنوعی قبل از سرمایه‌گذاری بازدهی واقعی را به همراه خواهد داشت، و پیشنهاد می‌کند که ابتدا یک راه‌حل کاربردی «plug-and-play» پیدا کنید.

او توضیح داد: «در محیطی که CIOها در حال بررسی مجدد مقرون‌به‌صرفه بودن راه‌حل‌های هوش مصنوعی مولد هستند، تمرکز بر مدل‌های کوچک‌تر هدف‌محور و برنامه‌های هدفمند ممکن است در کوتاه‌مدت جایگزین پایدارتری باشد.

«ساده بودن راه‌حل‌های plug-and-play به کسب‌وکارها شالوده‌ای برای پروژه‌های هوش مصنوعی خود می‌دهد که می‌تواند با کاهش ریسک و پیچیدگی، به رفع چالش‌های مربوط به اعتماد و حاکمیت کمک کند، در حالی که اطمینان حاصل می‌کند که کسب‌وکارها از مزایایی که هوش مصنوعی می‌تواند ارائه دهد، بهره می‌برند.»

ببینید: پروژه های مولد هوش مصنوعی بدون درک مدیران تجاری خطر شکست را به همراه دارد

او همچنین توصیه کرد که با پروژه‌های کوچک‌تر هوش مصنوعی شروع کنید تا قبل از مقیاس‌بندی، اثبات مفهوم را نشان دهید و به طور منظم ROI را ارزیابی کنید.

فیشر گفت: «اولین گام مطلق ایجاد یک پایه داده قوی و حاکمیت داده، کیفیت و دسترسی مناسب است. «مطمئن شوید که یک مشکل یا چالش تجاری واضح در ذهن دارید که هوش مصنوعی به آن می پردازد و نتایج قابل اندازه گیری برای ردیابی موفقیت در برابر آن تنظیم کنید. برای ایجاد اعتماد در فناوری، سعی کنید به اشتراک گذاری دانش و ارتقاء مهارت در سراسر تجارت را تشویق کنید.

در نهایت، رویکردی تدریجی برای پذیرش هوش مصنوعی در نظر بگیرید. با یک اثبات مفهوم شروع کنید تا پروژه خود را قبل از انجام شرط بندی های بزرگتر تأیید کنید.