AI-project mislukt voor 80% - onderzoek noemt gebrekkige probleemherkenning en focus op de nieuwste technische trends als belangrijkste problemen

Iedereen en hun tante lijken aan boord van de AI-trein te springen op zoek naar opgeblazen winstmarges en marketinghype - kijk maar naar AMD's recente Ryzen rebranding als een goed voorbeeld van deze AI-hype. Een recent onderzoek, uitgevoerd door RAND, heeft aangetoond dat deze AI-gerichte aanpak misschien niet alles is wat het lijkt te zijn, waarbij AI-projecten twee keer zo vaak lijken te mislukken als gewone softwareontwikkelingsprojecten.

Tijdens het onderzoek, , heeft RAND 65 industrie-experts geïnterviewd met meer dan vijf jaar ervaring in het ontwikkelen van AI- en machine-learningtools voor privé-entiteiten en de academische wereld, en hun antwoorden samengevat in vijf hoofdredenen voor het mislukken van AI/ML-projecten.

De nummer één mislukking was volgens het onderzoek eerder een mislukking van het leiderschap dan een technische mislukking. Leidinggevenden begrepen niet wat het probleem was dat ze met AI probeerden op te lossen, slaagden er niet in om het probleem aan de ontwikkelingsteams over te brengen of probeerden om AI toe te passen op een probleem waarvoor het niet geschikt was. Projectleiders waren zo gefocust op het gebruik van de nieuwste en beste AI-ontwikkelingen om hun problemen op te lossen, dat ze eenvoudigere, goedkopere oplossingen over het hoofd zagen waarbij geen gebruik werd gemaakt van AI.

Zoals een geïnterviewde uitlegde, kregen zijn teams soms de opdracht om AI-technieken toe te passen op datasets met een handvol dominante kenmerken of patronen die snel hadden kunnen worden opgevangen met een paar eenvoudige als-dan regels.

De beschikbaarheid van middelen was ook een belangrijk faalpunt, waarbij de leiding niet bereid of in staat was om de benodigde middelen toe te wijzen om de benodigde gegevens te verwerken en de AI-systemen adequaat te trainen. Dit leidt er vaak toe dat een project te weinig oplevert of een product oplevert dat onvolledig is - een gevolg van onderschatting van hoe complex het is om een AI-systeem te maken en te trainen.

Op dezelfde manier hadden veel leiders onrealistische verwachtingen van AI als gevolg van recente hype en marketingclaims, wat problematisch wordt wanneer ontwikkelingsteams niet in staat zijn om te leveren wat van hen werd verwacht binnen het tijdsbestek dat van hen werd verwacht.

Voor een meer gedetailleerde blik op de gegevens, de redenen voor mislukking en de aanbevelingen van de onderzoekers, kunt u het onderzoeksrapport van RAND raadplegen.