Навигация по золоту AI: Раскрытие скрытых затрат технического долга в корпоративных проектах

За прошлый год искусственный интеллект привлёк внимание лидеров корпораций, заставив их ускорить инвестиции в компании AI или ускорить выпуск своих продуктов, чтобы не отстать. Однако в спешке присоединиться к этой новой эре технологического прогресса организации, новые в AI, могут не учитывать один важный фактор, который должен быть в центре внимания при инвестировании или создании новых продуктов AI: технический долг.

Хотя идея технического долга не нова, технология AI приносит другой вид технического долга по сравнению с обычными сервисами программного обеспечения. И по мере того, как AI продолжает быстро улучшаться, это вызывает рост этой важной проблемы вместе с ним.

Что такое технический долг?

Технический долг, в простейшем определении, является накоплением плохого качества кода во время создания программного обеспечения. Это обычно происходит из-за ускоренного графика выхода на рынок, чтобы удовлетворить бизнес-потребности, или чтобы получить обратную связь от клиентов быстрее. При рассмотрении технического долга важно сосредоточиться на намеренном аспекте, поскольку руководители часто осознают риски с программным обеспечением и последствия принятия обходных путей для скорости. Появление AI принесло новую и уникальную задачу в отношении технического долга, и с ней значительные риски и последствия, которые могут возникнуть.

Когда системы AI начинают стареть, и их обучающие данные становятся неточными и устаревшими, стоимость инвестирования в AI сейчас превышает время и инвестиции, необходимые для поддержания высококачественных обучающих данных, также известных как гигиена данных.

Давайте исследуем, как технический долг накапливается, его влияние на финансовые показатели и как организации могут его исправить.

Как организации накапливают технический долг?

Существует два способа, которыми программное обеспечение может накапливать технический долг. Один из них – через плохой код. Организации могут покупать продукты или наследовать их через M&A-активность, только чтобы позже обнаружить проблемы с качеством и медленные темпы изменений и инноваций. Другой – когда лидеры намеренно выбирают принять технический долг.

Когда речь идет об AI, чуть более 72% лидеров хотят принять AI, чтобы улучшить производительность сотрудников, но главная проблема при реализации AI – качество и контроль данных. Казалось бы, это противоречиво для организации использовать продукт, который должен повысить производительность, а同时 отвлекать время от важной работы по постоянному решению любых проблем с качеством, вызванных техническим долгом, которые могут поставить под угрозу производительность. Но обещание будущей отдачи от повышения производительности перевешивает эти препятствия в ближайшем будущем, что в конечном итоге вернется, чтобы преследовать программное обеспечение в долгосрочной перспективе.

Дрейф модели: новый тип технического долга

С появлением увеличения инвестиций в AI, организации поспешили с стратегиями выхода на рынок, чтобы воспользоваться золотой жилой генеративного AI. Хотя это может сработать как краткосрочный драйвер дохода, организации упускают из виду то, что может составить большую сумму технического долга в будущем, известного как дрейф модели.

Дрейф модели происходит, когда производительность системы AI начинает снижаться, а выходные данные становятся менее точными, поскольку обучающие данные устаревают. Если посмотреть на жизненный цикл AI, становится очевидным, что обучающие данные нужно будет постоянно поддерживать и обновлять, чтобы обеспечить точность ответов, которые дает машина – это где начинается разрыв. Когда спешат выпустить решения, руководители часто отдают приоритет вопросам, таким как получение дополнительных обучающих данных, поддержание гигиены системы и обеспечение того, что есть достаточный персонал для поддержки этих задач.

Когда обучающие данные продолжают стареть, а разрыв между реальностью и выходными данными увеличивается, организации останутся с увеличением затрат и времени, потраченного на решение этих пробелов, которые могли бы быть избегнуты с помощью надлежащих планировочных процедур и протоколов. Короче говоря: пропуск следующего шага при планировании стратегии выхода на рынок может позволить выпустить решение быстрее, но это не стоит неизбежного падения, которое обойдется в долгосрочной перспективе.

Влияние технического долга на финансовые показатели

Технический долг также может глубоко повлиять на эффективность организаций – например, на команды продаж. Когда технический долг начинает накапливаться, а темп изменений замедляется, становится все более трудным для представителей продаж привлечь клиентов, что замедляет темпы закрытия сделок и, в конечном итоге, потоки доходов.

За пределами продаж технический долг также сильно влияет на команды разработчиков. Это не только требует больше времени, потраченного на обновление кода, но также отвлекает внимание от инноваций. Перенаправляя внимание и время на обслуживание, дорожная карта продукта затем задерживается или забрасывается, создавая эффект домино, который может привести к недоверию между инженерным и коммерческим отделами бизнеса. Без дорожной карты продукта команды продаж остаются либо с невыполненными обещаниями, либо без ничего, чтобы показать потенциальным клиентам, что снова сильно влияет на доход.

Как решить проблему технического долга

Когда предсказуемость доставки уменьшается, организации начнут видеть разрушение организационной эффективности, что приведет к обсуждениям о том, как решить проблемы. Существует два способа, которыми руководители могут использовать, чтобы бороться с техническим долгом. Первый – выбросить платформу и код полностью и заново платформировать, или внедрить небольшие инкрементные изменения, подобные медленному очищению спальни по одному предмету за раз, чтобы в конечном итоге привести системы в порядок.

Первый метод, ре-платформирование, требует полной переработки систем и представляет собой большой и дорогостоящий риск. Аналогично крупномасштабному строительному процессу, любые задержки в графике могут сорвать сроки продукта и могут привести к провалу всей попытки. Однако этот метод иногда может сработать. Возьмем, например, LinkedIn – после их IPO в 2011 году компания ре-платформировала сайт и теперь является крупным игроком на рынке.

Более безопасный вариант – внесение небольших изменений, которые в конечном итоге приведут к значительным улучшениям, – это еще один случай, который можно использовать. Поскольку разработчики уже взаимодействуют с данными ежедневно, внесение изменений здесь и там может привести системы к избавлению от технического долга. Это также приносит пользу навыкам разработчиков, поскольку требует от них оставаться в курсе последних кодов и технологических стандартов, что в свою очередь готовит организацию к техническому успеху, поскольку у нее меньше пробелов в навыках. Реализация инициативы, возглавляемой инженерами, где им выделено 20% времени для планирования обновлений продукта, – это отличный способ начать. Хотя этот процесс намного медленнее, чем ре-платформирование, он менее рискованный и все же производит ценность для бизнес-модели.

Оставьте свой технический долг позади в эпоху AI

Поскольку пространство AI продолжает быстро развиваться, мы увидим больше решений, которые обещают повышение производительности и организационной эффективности. Хотя это правда, руководители должны уделять приоритетное внимание внедрению методов, таких как постоянное обслуживание данных, и думать о большой картине, когда речь идет о жизненном цикле вашего решения. Инвестиции в AI не должны быть дорогими и подавляющими, и с помощью нескольких небольших изменений в планировании и стратегии выхода на рынок вы можете избежать следующей порции технического долга.