Elárulta az AI-guru, miért bukik el az AI-projektek 80 százaléka

Az első és legfontosabb ok, hogy "az AI-projektek nem olyanok, mint a hagyományos szoftverfejlesztési projektek, és ha valaha is így próbáltál futtatni egy AI-projektet, gyorsan rá fogsz jönni, hogy ez nem fog működni" – hangsúlyozta Walch.

Az AI-alkalmazások nem a kódjuk alapján működnek, hanem az adataik alapján

- tette hozzá. Ráadásul nem minden MI-projekt egyforma. Egy chatbot, egy prediktív karbantartási rendszer és egy önvezető jármű mind más-más megközelítést igényel.

Ennek felismerésére született meg 2017-ben a "hét AI-minta" keretrendszer. Ez a modell a lehetséges alkalmazásokat kategorizálja a társalgástól és az emberi interakciótól kezdve a felismerésen, a prediktív analitikán és a hiperperszonalizáción át egészen az autonóm rendszerekig és az anomáliaészlelésig.

ROI és valós problémamegoldás

A kudarcok gyakori oka, hogy a befektetés megtérülése (ROI) nem indokolja a projektet. Fontos megoldani valós üzleti problémát és biztosítani, hogy a megtérülés megérje a befektetést.

Példaként említette a Walmartot, amely néhány éve autonóm robotokat helyezett el üzleteiben készletfelvételezésre. A robotok kamerákkal ellenőrizték, hogy mi van raktáron vagy hiányzik-e valami. Azonban a robotok drágák voltak, és az autonóm minta a legnehezebb megvalósítani, mivel a cél az ember kizárása a folyamatból, ami közel tökéletes működést igényel. A Walmart végül megszüntette a projektet, mert költséges volt és nem oldott meg valós problémát.

Adatminőség és -mennyiség

"Az adat az AI szíve, ami azt jelenti, hogy jó minőségű adatokra és megfelelő mennyiségű adatra van szükségünk." A szervezetek adatainak 80 százaléka strukturálatlan, és biztosítani kell, hogy ez jó, tiszta és használható legyen.

Két példát említett: a Rite Aid arcfelismerő technológiát használt biztonsági kamerákkal bolti tolvajok azonosítására, de a rendszer pontatlan volt, és öt évre betiltották az arcfelismerő technológiák használatától. Az ImageNet online képtárban pedig a képek 5%-a volt hibásan címkézve, ami milliónyi kép esetében jelentős problémát okozhat.

A proof of concept csapda

Ne ess bele a proof of concept csapdájába, mert az általában semmit sem bizonyít

– figyelmeztetett Walch. Mindig pilot projekttel kell dolgozni, valós környezetben, olyan emberekkel tesztelve, akik nem építették a rendszert.

Az AI-projektek folyamatosak, "nem lehet beállítani és elfelejteni őket". Az adatok folyamatosan változnak, ami azt jelenti, hogy a modelleket újra kell tanítani. Az Air Canada példája mutatja, mi történik, ha ezt elmulasztják: az ő chatbotjuk helytelen információt adott egy gyászeset kapcsán, és a céget bíróság elé citálták.

Túlígérés és alulteljesítés

Az AI 1956 óta létezik – Walch "a legrégebbi, legújabb technológiának" nevezi. Korábban már két "AI-telet" éltek át, amikor csökkent a befektetések száma a területen és a technológia népszerűsége. Fontos kérdések: miért használunk egyáltalán AI-t, nem ígérünk-e túl sokat, és nem próbálunk-e túl sok problémát egyszerre megoldani.

Walch bemutatta a 2018-ban társfejlesztett CPMAI módszertant AI-projektek futtatására és kezelésére. Ez iteratív módszer, amely végigvezeti a felhasználót az AI-életcikluson.

Címlapkép forrása: Portfolio