人工智能项目失败的根本原因以及它们是如何成功的
The Root Causes of Failure for Artificial Intelligence Projects and How They Can Succeed
报告来源：兰德智库（RAND）
发布时间：2024年8月13日
人工智能(AI)被广泛认为是一种有可能对组织产生变革性影响的技术。虽然AI曾经是那些有能力雇佣顶尖人才并花费数百万美元的先进技术公司的专利，但今天所有类型的组织都在采用AI。从2013年到2022年，私营部门对AI的投资增长了18倍，一项调查发现，58%的中型企业至少部署了一种AI模型投入生产。同样，美国国防部(DoD)每年花费18亿美元用于AI的军事应用，国防部领导人已将AI确定为未来战争最关键的技术之一。AI已经对许多行业产生了影响。制药公司正利用它来加快药物开发的速度和成功率。沃尔玛(Walmart)等零售商正在部署AI进行预测分析，以便他们知道何时补充库存以及如何优化端到端的供应链。最后，在国防领域，AI正在驾驶战斗机、探测敌方潜艇、提高指挥官对战场的认识。这些例子展示了AI与各种行业和各种用例中的组织的相关性。
然而，尽管围绕AI的承诺和炒作，许多组织仍在努力交付可工作的AI应用程序。一项调查发现，尽管84%的商业领袖报告说他们相信AI将对他们的业务产生重大影响，但只有14%的组织回应说他们已经完全准备好采用AI。经理和主管们发现自己面临着巨大的压力，他们需要用AI做点什么——任何事情——向上级证明他们跟上了技术的快速发展。但太多的管理者对如何将这种愿望转化为行动知之甚少。据估计，超过80%的AI项目失败了，这是不涉及AI的企业信息技术(IT)项目的高失败率的两倍。
尽管领导者广泛认识到人工智能(AI)的重要性，但成功实施AI项目仍然是一个严峻的挑战。根据一项调查，84%的商业领袖回应说，他们相信AI将对他们的业务产生重大影响，97%的商业领袖报告说，部署AI技术的紧迫性已经增加。尽管如此，同样的调查发现，只有14%的组织回应说他们已经完全准备好将AI整合到他们的业务中。
据估计，超过80%的AI项目失败了，这是不涉及AI的信息技术项目失败率的两倍。因此，了解如何将AI的巨大潜力转化为具体成果仍然是一个紧迫的挑战。在本报告中，我们记录了那些已经应用AI/ML（机器学习）的人的经验教训，以便和其他人可以避免这些失败或减轻他们计划中的风险。
为了调查AI项目失败的原因，我们采访了65位经验丰富的数据科学家和工程师。参与者至少有五年在工业界或学术界构建AI/ML模型的经验。我们选择了不同公司规模和行业的参与者，以确保这些发现具有广泛的代表性。
我们的采访强调了AI项目失败的五个主要根本原因。首先，行业利益相关者经常误解AI和需要使用AI解决的问题。通常，部署的训练有素的AI模型已经针对错误的指标进行了优化，或者不适合整个业务工作流。其次，许多AI项目失败是因为组织缺乏必要的数据来充分训练有效的AI模型。第三，在某些情况下，AI项目失败是因为组织更关注于使用最新和最好的技术，而不是为其预期用户解决实际问题。第四，组织可能没有足够的基础设施来管理他们的数据和部署完整的AI模型，这增加了项目失败的可能性。最后，在某些情况下，AI项目失败是因为该技术应用于AI难以解决的问题。AI不是一根可以让任何具有挑战性的问题消失的魔杖；在某些情况下，即使是最先进的AI模型也无法自动完成一项艰巨的任务。
为了克服这些问题，领导者应该考虑AI项目成功的以下五个原则。
确保技术人员理解项目目的和领域背景：对项目意图和目的的误解和误解是AI项目失败的最常见原因。确保技术人员和业务专家之间的有效互动可能是AI项目成功与失败的区别。
选择持久的问题：AI项目需要时间和耐心来完成。在开始任何AI项目之前，领导者应该准备好让每个产品团队在至少一年的时间里解决一个特定的问题。如果一个AI项目不值得如此长期的投入，那么它很可能根本就不值得投入。
关注问题，而不是技术：成功的项目是专注于要解决的问题，而不是用来解决问题的技术。为了AI自身的利益而追逐最新、最伟大的进展，是最常见的失败之路之一。
投资基础设施：前期投资基础设施以支持数据治理和模型部署，可以大大减少完成AI项目所需的时间，并可以增加可用于训练有效AI模型的高质量数据量。
了解AI的局限性：尽管AI作为一种技术被大肆宣传，但AI仍然存在一些无法克服的技术局限性。在考虑潜在的AI项目时，领导者需要包括技术专家来评估项目的可行性。
为了克服我们的学术受访者所描述的问题，领导者应该考虑以下两个建议。
通过与政府合作克服数据收集障碍：学术界和政府机构之间的伙伴关系可以使研究人员获得学术研究所需的来源数据。联邦政府应该扩大对data.gov（美国政府的开放数据网站）等项目的投资，并寻求增加可用于研究的数据集的数量。
扩充面向实践者的数据科学博士课程：新学者往往感到压力，要把重点放在那些能带来职业成功的研究上，而不是那些最有可能解决重要问题的研究上。计算机科学和数据科学项目的领导者应该从国际关系等学科中学习，在这些学科中，实践性博士项目经常在顶级大学中并存，为最先进的研究人员提供将他们的发现应用于紧迫问题的途径。
粤ICP备14082021号
免费POC，
零成本试错
