Апокалипсис ИИ: 80% проектов терпят крах, миллиарды потрачены впустую, говорится в отчете RAND

Новый отчет корпорации RAND раскрывает отрезвляющую реальность, стоящую за проектами искусственного интеллекта (ИИ): несмотря на шумиху, большинство из них терпят неудачу. Исследование, основанное на интервью с 65 опытными специалистами по данным и инженерами, раскрывает основные причины этих неудач и предлагает дорожную карту для достижения успеха.

«По некоторым оценкам, более 80 процентов проектов ИИ терпят неудачу», — говорится в отчете. «Это вдвое превышает и без того высокий уровень неудач в корпоративных проектах в области информационных технологий (ИТ), не связанных с ИИ». Поскольку инвестиции частного сектора в ИИ выросли в 18 раз с 2013 по 2022 год, ставки высоки как никогда.

Ошибки лидерства: слепой ведет слепого

Самая распространенная причина провала проектов ИИ? Это не технология, а люди наверху. Руководители бизнеса часто не понимают или неправильно передают, какие проблемы нужно решать с помощью ИИ. Как сказал один из опрошенных: «Они думают, что у них отличные данные, потому что они получают еженедельные отчеты о продажах, но они не понимают, что имеющиеся у них в настоящее время данные могут не соответствовать новой цели».

Многие руководители завысили ожидания относительно того, чего может достичь ИИ, подпитываемые питчами продавцов и впечатляющими демонстрациями. Они недооценивают время и ресурсы, необходимые для успешного внедрения ИИ. Один из опрошенных отметил: «Часто модели поставляются в виде 50 процентов от того, какими они могли бы быть» из-за смещенных приоритетов и нереалистичных сроков.

В отчете подчеркивается критический разрыв между руководителями бизнеса и техническими командами. Без четкой коммуникации и понимания целей проекта инициативы ИИ обречены с самого начала. Руководителям необходимо вкладывать время в изучение возможностей и ограничений ИИ, в то время как технические команды должны улучшить свои способности объяснять сложные концепции в терминах бизнеса.

Кроме того, исследование показало, что многим организациям не хватает терпения, необходимого для успешного внедрения ИИ. Проекты часто преждевременно прекращаются или переключаются на новые приоритеты, прежде чем они успевают продемонстрировать реальную ценность. Такое краткосрочное мышление подрывает потенциал ИИ и тратит значительные ресурсы.

Дилемма данных: мусор на входе, мусор на выходе

Качество данных оказалось вторым по значимости препятствием. «80 процентов ИИ — это грязная работа по инжинирингу данных», — заявил один из опрошенных. «Вам нужны хорошие люди, которые делают грязную работу, иначе их ошибки отравят алгоритмы».

Многим организациям не хватает качественных данных для обучения эффективных моделей ИИ. Устаревшие наборы данных, часто собираемые для целей соответствия или регистрации, могут не подходить для обучения ИИ. Даже при наличии больших объемов данных они могут быть несбалансированными или не иметь необходимого контекста для приложений ИИ.

В отчете подчеркивается критический дефицит инженеров по данным, их называют «сантехниками науки о данных». Высокая текучесть кадров в области инженерии данных приводит к потере знаний и увеличению стоимости проектов. Организации часто недооценивают важную роль инженеров по данным, что приводит к утечке мозгов в этой важной области.

Еще одной проблемой является отсутствие экспертных знаний в области ИИ-команд. Специалистам по данным часто не хватает глубокого понимания бизнес-контекста, в котором они работают, что приводит к неправильной интерпретации данных и некорректным разработкам моделей. В отчете подчеркивается необходимость более тесного сотрудничества между экспертами в области ИИ и специалистами по ИИ для обеспечения того, чтобы модели строились на основе точных и релевантных данных.

В погоне за блестящими объектами: когда инженеры теряют концентрацию

Исследование показало, что инженеры сами иногда способствуют провалам проектов. Многие специалисты по данным и инженеры тянутся к использованию последних технологических достижений, даже когда более простых решений было бы достаточно. «Проекты ИИ часто терпят неудачу, когда они фокусируются на применяемой технологии вместо того, чтобы сосредоточиться на решении реальных проблем для своих предполагаемых конечных пользователей», — отмечается в отчете.

Эта тенденция гоняться за «блестящими объектами» может привести к неоправданно сложным решениям, которые трудно поддерживать и объяснять заинтересованным сторонам. Это также часто приводит к пустой трате ресурсов, поскольку команды тратят время и усилия на изучение и внедрение передовых технологий, которые могут не подходить для решения текущей проблемы.

В отчете говорится, что организациям необходимо найти баланс между инновациями и практичностью. Хотя важно оставаться в курсе технологических достижений, основное внимание всегда следует уделять эффективному решению реальных бизнес-задач. Это может потребовать изменения мышления многих технических специалистов, а также изменений в том, как организации стимулируют и оценивают свои команды ИИ.

Инфраструктура: непривлекательная основа успеха

Недостаточные инвестиции в инфраструктуру стали еще одним ключевым фактором неудач проектов ИИ. Организациям часто не хватает адекватных систем для управления данными и развертывания моделей. В отчете подчеркивается, что «инвестирование в инженеров данных и инженеров машинного обучения может существенно сократить время, необходимое для разработки новой модели ИИ и ее развертывания в производственной среде».

Многие компании стремятся окунуться в проекты ИИ, не заложив предварительно необходимую основу. Это может привести к целому ряду проблем, включая трудности с масштабированием успешных прототипов, нестабильное качество данных и проблемы с поддержанием и обновлением развернутых моделей.

В отчете утверждается, что организациям необходимо более целостно взглянуть на внедрение ИИ. Это означает инвестирование в надежные конвейеры данных, автоматизированные системы тестирования и развертывания, а также инструменты для мониторинга производительности моделей в производстве. Хотя эти инвестиции могут быть не такими захватывающими, как передовые алгоритмы ИИ, они имеют решающее значение для долгосрочного успеха.

Кроме того, исследование показало, что многие организации испытывают трудности с переходом от успешных прототипов ИИ к системам, готовым к производству. Эта проблема «последней мили» часто сводит на нет перспективные проекты, поскольку команды обнаруживают, что их модели не работают хорошо в реальных условиях или не справляются с масштабом производственных данных.

Рекомендации: проверка реальности амбиций в области ИИ

В отчете RAND предлагается несколько рекомендаций для организаций, желающих повысить показатели успешности своих проектов в области ИИ:

1. Убедитесь, что технический персонал понимает цель проекта и бизнес-контекст. «Недопонимание и недопонимание относительно намерения и цели проекта являются наиболее распространенными причинами провала проектов ИИ», — говорится в отчете. Это требует постоянного диалога между бизнес- и техническими командами, а также усилий по формированию общего понимания и словарного запаса.
2. Выбирайте устойчивые проблемы. «Прежде чем начать любой проект ИИ, лидеры должны быть готовы посвятить каждую продуктовую команду решению конкретной проблемы как минимум в течение года». Эта рекомендация противостоит тенденции гнаться за быстрыми победами или постоянно менять приоритеты. Сосредоточившись на долгосрочных, высокоэффективных проблемах, организации могут дать своим инициативам ИИ время и ресурсы, необходимые для успеха.
3. Сосредоточьтесь на проблеме, а не на технологии. «Погоня за новейшими и величайшими достижениями в области ИИ ради них самих — один из самых частых путей к провалу». В отчете подчеркивается важность выбора правильного инструмента для работы, даже если это не самое передовое решение. Это может потребовать изменений в том, как организации оценивают и вознаграждают свои технические команды.
4. Инвестируйте в инфраструктуру. «Предварительные инвестиции в инфраструктуру для поддержки управления данными и развертывания моделей могут существенно сократить время, необходимое для завершения проектов ИИ». Хотя эти инвестиции могут быть не такими гламурными, как исследования ИИ, они имеют решающее значение для долгосрочного успеха. Это включает в себя создание надежных конвейеров данных, внедрение контроля версий для моделей и данных и разработку систем для мониторинга и обслуживания развернутых решений ИИ.
5. Поймите ограничения ИИ. «ИИ — это не волшебная палочка, которая может заставить исчезнуть любую сложную проблему; в некоторых случаях даже самые передовые модели ИИ не могут автоматизировать сложную задачу». В отчете содержится призыв к более реалистичной оценке того, что может и чего не может делать ИИ, и организациям рекомендуется умерить свои ожидания и сосредоточиться на областях, где ИИ действительно может принести пользу.

Академическая перспектива: опубликуй или погибни

В исследовании также рассматривались исследования ИИ в академической среде, и было обнаружено, что давление публикации и погоня за престижем часто затмевают практическое применение. «Если проект ИИ не приводил к публикации, то проект не воспринимался как успешный», — отмечается в отчете, подчеркивая несоответствие между академическими стимулами и реальным воздействием.

Такой акцент на публикациях может привести к тому, что исследователи будут отдавать приоритет новым, но непрактичным подходам, а не постепенным улучшениям, которые могут оказать значительное влияние на реальный мир. В отчете предлагается, чтобы академические учреждения рассмотрели возможность расширения своих критериев успеха в исследованиях ИИ, потенциально включая метрики, связанные с практическими приложениями или отраслевым сотрудничеством.

Кроме того, исследование показало, что многие академические исследователи испытывают трудности с доступом к высококачественным наборам данных реального мира. Это может привести к разрыву между академическими исследованиями и практическими приложениями. В отчете рекомендуется усилить сотрудничество между академическими кругами, промышленностью и государственными учреждениями, чтобы предоставить исследователям доступ к более релевантным данным, сохраняя при этом необходимые меры конфиденциальности и безопасности.

Тревожный звонок для индустрии искусственного интеллекта

Этот отчет RAND служит крайне необходимой проверкой реальности для отрасли ИИ. Хотя потенциал ИИ остается огромным, путь к успешному внедрению полон трудностей. Организации должны преодолеть разрыв между шумихой и реальностью, сосредоточившись на прочных основах, таких как качество данных, инфраструктура и четкая коммуникация между техническими и бизнес-командами.

Как мудро заметил один из опрошенных: «Заинтересованные стороны хотят быть частью процесса. Им не нравится, когда вы говорите: «Это займет больше времени, чем ожидалось; я свяжусь с вами через две недели». Они любопытны». Это подчеркивает необходимость постоянной, прозрачной коммуникации в рамках проектов ИИ, чтобы все заинтересованные стороны были информированы и вовлечены.

В отчете также подчеркивается важность терпения и настойчивости в разработке ИИ. Быстрые победы редки, и организациям нужно быть готовыми к долгосрочным обязательствам, чтобы увидеть реальные выгоды от своих инициатив в области ИИ. Это может потребовать изменения организационной культуры и ожиданий, перехода от краткосрочного мышления к более стратегическому, долгосрочному взгляду на внедрение ИИ.

Приняв во внимание эти уроки и приняв более реалистичный, терпеливый подход к разработке ИИ, организации могут повысить свои шансы на успех в этой преобразующей области.

Будущее ИИ светло – но только для тех, кто сможет преодолеть те самые человеческие проблемы, которые стоят на его пути. По мере развития отрасли те, кто сможет сбалансировать инновации с практичностью и техническое совершенство с деловой хваткой, будут в лучшем положении, чтобы использовать истинный потенциал ИИ.