Согласно новому отчету Omdia «AI Viewpoint: The Challenge of Implementation», явление, когда модели искусственного проходят обучение, но так и не внедряются, или после успешной проверки оказываются разочаровывающими в производстве, является распространенным, сообщает портал Datanami.

Довольно хорошо известно, что разрыв между обучением и внедрением моделей ИИ очень велик: с этой проблемой сталкивается около 80% проектов. Причины неудачного запуска могут включать дрейф модели, сокращенное обучение, предвзятость, а также более широкие бизнес-проблемы, такие как плохое управление данными или неспособность разработать эффективный бизнес-процесс, отмечает автор отчета Александр Харроуэлл, старший аналитик Omdia по передовым вычислениям и ИИ.

Компаниям необходимо не только срочно инвестировать в аналитику данных, управление и навыки, но и изменить способы измерения успеха. Некоторые из наиболее распространенных метрик являются «мягкими» KPI — например, «привлечение клиентов» — но они более аморфны, чем «возврат инвестиций» (ROI).

«Вывод может заключаться в том, что лучший способ преодолеть разрыв во внедрении — это отсеять неудачные проекты на более ранних этапах путем введения более строгих KPI», — говорит аналитик.

Вот основные положения отчета:

  • Разрыв во внедрении остается реальностью и может даже увеличиваться. Скорость, с которой проекты ИИ проходят путь от стратегического семинара или пресс-релиза, через фазы разработки и проверки до производства, все еще низка, и существует значительный набор нереализованных проектов. Они служат для улучшения показателей поставщиков оборудования и имиджа клиентов, но в конечном итоге об этой проблеме становится известно.
  • Ключевым фактором разрыва могут быть проекты, оправданные «мягкими» KPI. Розничная торговля и более широкий потребительский сектор являются самыми большими областями роста ИИ, и за последние несколько лет они пережили всплеск инвестиций в чат-боты, VDA и рекомендации продуктов. Здесь очень распространены такие KPI, как «вовлечение клиентов», но они значительно менее четко определены, чем, например, доход.
  • Хотя те предприятия, которые отмечают впечатляющие результаты ROI, сообщают об этом, на удивление мало организаций решили использовать этот показатель в качестве KPI. Это может быть связано с так называемым эффектом «работы в корзину», когда никто не хочет обсуждать проекты, которые не принесли прибыли. Как правило, KPI конечной цели, такие как доход, ROI или производительность, встречаются редко. Дисциплина таких KPI может стать важным рычагом для устранения разрыва с внедрением.

  • В различных секторах наблюдается общая картина готовности к ИИ. Предприятия всех исследованных областей добились прогресса в определении стратегии и корректировке своей организации, а некоторые из них разработали технологические и операционные возможности. Однако очень немногие из них перешли на передачу выше второй в плане данных.
  • Финансовые сервисы и розничная торговля показали относительно хорошие результаты по готовности к ИИ по разным причинам. Финсервисы оказались по крайней мере «менее плохими» в плане данных, вероятно потому, что у них уже есть значительный опыт в таких процессах, как кредитный скоринг и выявление мошенничества. В то же время ритейлеры (включая электронную коммерцию) отличаются тем, что у них развиты более сильные внутренние технологические и операционные навыки.