● сотрудники бизнес-подразделений, которые в курсе бизнес-проблем, контекста и ограничений, и у которых есть гипотезы, нуждающиеся в проверке;
● бизнес-аналитики, которые умеют задавать вопросы, проясняющие намерения и требования бизнеса, а также определять источники и необходимые преобразования данных;
● аналитики данных, которые умеют ставить задачи машинного обучения и глубокого обучения и строить модели, отвечающие гипотезам;
● инженеры данных и ИТ-специалисты, которые могут обеспечить доступ к данным.
Чтобы с самого начала организовать правильное управление проектом ИИ, требуется опытный кросс-функциональный руководитель, способный понять и сбалансировать эффект для бизнеса, операционные цели, ограничения и возможности потоков работ, потребности и ограничения со стороны данных, технологические факторы.
Разработка и тестирование
Вторая причина неудач заключается в неправильном построении самих моделей ИИ, а точнее в отсутствии двух условий.
● Дисциплина. Несмотря на то что наука о данных, как и другие науки, носит исследовательский характер (вы не знаете, что можно извлечь из данных, пока не поработаете с ними), подход должен быть четко определенным, дисциплинированным и нацеленным на получение результата в кратчайший срок.
● Квалифицированные специалисты. Хороший аналитик данных быстро ставит опыты, учится на своих опытах, видит разницу между перспективными и неэффективными подходами, изучает и внедряет передовые методы. Хороший специалист быстро, в параллельном режиме создает минимально жизнеспособные продукты.
Масштабирование
Третья причина неудач – недостаточный масштаб, отсутствие возможности быстро создавать и улучшать несколько моделей ИИ одновременно. Часто эта проблема сводится к тому, что аналитики данных не имеют возможности работать совместно, повторно использовать конвейеры обработки данных, рабочие процессы, модели и алгоритмы, а также воспроизводить результаты моделирования. Масштабирование также подразумевает отслеживание и быструю реакцию на обратную связь от операций (в тестовой, промежуточной или продуктивной средах). Массовая работа с ИИ требует как соответствующей инфраструктуры, так и правильного подхода к управлению моделью.
Внедрение и окупаемость
Четвертой причиной неудач является неспособность внедрить модель в операции и получить экономический эффект. Вообще говоря, разработка модели ИИ преследует одну из двух целей:
● чтобы прийти к ранее неизвестные выводам;
● чтобы автоматизировать принятие решений (как для снижения затрат, так и для повышения производительности).