95% ของโครงการ AI ล้มเหลว และข้อมูลที่ไม่ดีคือต้นเหตุ

การวิจัยของ MIT นำเสนอความเป็นจริงที่น่าหดหู่สำหรับผู้นำองค์กร: 95% ของโครงการ AI ไม่เคยผ่านขั้นการนำไปใช้จริง尽管มีการพูดถึงศักยภาพการเปลี่ยนแปลงของ AI ในห้องประชุม แต่โครงการส่วนใหญ่ล้มเหลวในการสร้างมูลค่าทางธุรกิจที่มีความหมาย

ความเชื่อแบบดั้งเดิมมักโทษโมเดลที่อ่อนแอ การคำนวณที่จำกัด หรือความขาดแคลนผู้มีฝีมือทางเทคนิค แต่ประสบการณ์ในการทำงานกับองค์กรหลายร้อยแห่งบอกเล่าเรื่องราวที่แตกต่าง ต้นเหตุของปัญหาไม่ใช่アルゴリズึม แต่เป็นข้อมูล ข้อมูลที่ไม่ดีหรือไม่สอดคล้องกันสามารถทำลายความพยายามของ AI ที่ทันสมัยได้ และเปลี่ยนการลงทุนในนวัตกรรมให้กลายเป็นต้นทุนสูญเสีย

ค่าใช้จ่ายที่ซ่อนอยู่ของข้อมูลที่ไม่ดี

ในองค์กร ข้อมูลที่ไม่ดีมักจะทำให้โครงการ AI ล้มเหลวก่อนที่จะขยายตัว พิจารณาสถานการณ์ที่คุ้นเคย: บริษัท Fortune 500 ใช้เวลาหลายเดือนในการสร้างโมเดลการคาดการณ์การลาออก โครงการนำร่องดูเหมือนจะแข็งแกร่ง — มีความแม่นยำและเต็มไปด้วยความหวัง แต่เมื่อโครงการเริ่มเข้าสู่การผลิต ปัญหาก็เริ่มปรากฏขึ้น

การประมวลผลข้อมูลล้มเหลวในเวลาที่แย่ที่สุด งานสำคัญใช้เวลานานกว่าที่คาดไว้ และพลาดช่วงเวลาในการแทรกแซง ตารางข้อมูลหายไปหลังจากการเปลี่ยนแปลงที่ไม่ได้ประกาศล่วงหน้า รหัสผ่าน API หมดอายุโดยไม่มีการเตือน ทำให้การให้บริการข้อมูลที่จำเป็นถูกตัดขาด ข้อมูลที่ถูกตรวจสอบแล้วในโครงการนำร่องกลายเป็นกระแสข้อมูลที่ไม่สอดคล้องกัน

ผลกระทบของปัญหาเป็นเรื่องที่น่ากลัว มีการทำนายที่ไม่น่าเชื่อถือ และผู้มีส่วนได้ส่วนเสียสูญเสียความไว้วางใจ โครงการถูก搁置 ไม่ใช่เพราะアルゴリズึมล้มเหลว แต่เพราะพื้นฐานของโครงการที่ไม่แข็งแกร่ง การพัฒนาที่ใช้เวลาหลายเดือน การลงทุนที่มีมูลค่าหลายล้าน และชั่วโมงการทำงานของวิศวกรที่ไม่สามารถคำนวณได้ ล้วนหายไป

สิ่งนี้ไม่ใช่กรณีศึกษาที่แยกออกมา ตามรายงาน State of Data Observability 2024 ของ Pantomath 94% ขององค์กรระบุว่าปัญหาเกี่ยวกับการประมวลผลข้อมูลทำให้ความไว้วางใจในข้อมูลลดลง และ 90% ใช้เวลานานในการแก้ไขปัญหา หากกลยุทธ์ AI ของคุณพึ่งพาข้อมูลที่ไม่น่าเชื่อถือ ความล้มเหลวกำลังรออยู่รอบมุม

ทำไม AI จึงต้องการพื้นฐานที่แข็งแกร่ง

ความสำเร็จของ AI ขึ้นอยู่กับคุณภาพของข้อมูล ตามคำพูดที่ว่า “ข้อมูลที่ไม่ดีเข้าไป สิ่งที่ไม่ดีออกมา” แม้แต่โมเดลที่ดีที่สุดก็ล้มเหลวหากข้อมูลที่ให้เข้าไปนั้นไม่สมบูรณ์ เหมือนกับการสร้างอาคารสูงบนพื้นที่ที่ไม่เสถียร

ลองนึกถึงรถแข่ง: การออกแบบและวิศวกรที่ดี และผู้ขับขี่ที่มีทักษะสูง ไม่มีความหมายอะไรหากน้ำมันเชื้อเพลิงที่ใช้ไม่ดี ในทำนองเดียวกัน โมเดลการเรียนรู้ของเครื่องจักรที่สวยงามล้มเหลวเมื่อขับเคลื่อนด้วยข้อมูลที่ไม่น่าเชื่อถือ

ระบบ AI ต้องการข้อมูลที่ถูกต้องและทันเวลาเพื่อปรับตัวและทำงานได้อย่างมีประสิทธิภาพ การหยุดชะงักใดๆ — การทำงานล้มเหลว บันทึกที่หายไป การเปลี่ยนแปลงสเคม่า — สามารถลดความแม่นยำหรือแม้แต่ทำให้ระบบล้มเหลวทั้งหมด

หากไม่มีพื้นฐานข้อมูลที่แข็งแกร่ง AI จะกลายเป็นภาระที่ใหญ่มาก นั่นเป็นเหตุผลที่ความน่าเชื่อถือ ความไว้วางใจ และความสมบูรณ์ของข้อมูลเป็นข้อกำหนดเบื้องต้นสำหรับกลยุทธ์ AI ที่ประสบความสำเร็จ

สถานะปัจจุบันของการดำเนินการข้อมูล

องค์กรส่วนใหญ่ยังคงพึ่งพาการดำเนินการด้วยมือและกระบวนการแบบตอบสนองในการดำเนินการข้อมูล — โมเดลที่ไม่เหมาะสมสำหรับ AI เมื่อเกิดปัญหา วิศวกรจะรีบไปแก้ไขปัญหาโดยการตรวจสอบข้ามโครงสร้างหลายแพลตฟอร์มและแก้ไขปัญหาอย่างหนึ่งๆ

การดำเนินการดังกล่าวสร้างปัญหาใหญ่สามประการ:

• การตรวจจับล่าช้า: ปัญหาอาจคงอยู่เป็นเวลาหลายวันหรือหลายสัปดาห์ ทำให้โมเดล AI ใช้ข้อมูลที่ถูกบุกรุก
• การแก้ไขที่ไม่สมบูรณ์: การแก้ไขปัญหาโดยใช้มือไม่สอดคล้องกัน และมักจะพลาดสาเหตุของปัญหา ทำให้ระบบยังคงอ่อนแอ
• การเสีย容量: ทักษะวิศวกรใช้เวลามากในการแก้ไขปัญหามากกว่าการขับเคลื่อนนวัตกรรม

ความซับซ้อนของปัญหาเพิ่มขึ้นเมื่อระบบข้อมูลสมัยใหม่ครอบคลุมหลายแพลตฟอร์มและความสัมพันธ์ที่ซับซ้อนซึ่งไม่มีใครเข้าใจได้อย่างแท้จริง การวินิจฉัยสาเหตุของปัญหาหลายครั้งต้องใช้การย้อนกลับของการประมวลผลข้อมูล ซึ่งอาจใช้เวลาหลายวันหรือหลายสัปดาห์

การเพิ่มคนเข้าไปแก้ไขปัญหา: ที่ปรึกษา ผู้รับเหมาทางการเงิน ทีมข้อมูลที่ใหญ่ขึ้น นั่นเหมือนกับการแก้ไขการจราจรที่ติดโดยการจ้างเจ้าหน้าที่จราจรเพิ่ม ปัญหาไม่ใช่การขาดคน แต่เป็นการไม่มีระบบความน่าเชื่อถือของข้อมูล

การตรวจสอบและระบบอัตโนมัติเป็นตัวเร่ง

ทางไปข้างหน้าคือการเปลี่ยนการดำเนินการข้อมูลจากแบบตอบสนองเป็นการดำเนินการแบบอัตโนมัติที่สร้างขึ้นบนสองเสา: การตรวจสอบและระบบอัตโนมัติ

การตรวจสอบ ให้ความสามารถในการมองเห็นข้อมูลทั้งหมดในระบบข้อมูล — ตรวจสอบประสิทธิภาพของงาน ความสดใหม่ คุณภาพ และความสัมพันธ์ — เพื่อให้ปัญหาถูกจับได้ก่อนที่จะส่งผลกระทบต่อแอปพลิเคชัน AI แทนที่จะรอจนกว่าทีมที่อยู่ไกลออกไปจะรายงานปัญหา องค์กรจะได้รับมุมมองที่มีอยู่เสมอเกี่ยวกับสุขภาพและกระแสข้อมูล

ระบบอัตโนมัติเพิ่มความเร็วและขนาดที่จำเป็นในการดำเนินการตามความสามารถในการมองเห็นนั้น เมื่องานสำคัญล้มเหลวตอน 3 โมงเช้า ระบบอัตโนมัติ สามารถหยุดการทำงานของกระบวนการหลังได้ ส่งเตือนไปยังทีมที่เหมาะสมพร้อมบริบทที่สมบูรณ์ และแม้แต่การดำเนินการแก้ไข

ทั้งสองความสามารถนี้แสดงถึงการเปลี่ยนแปลงพื้นฐาน ความน่าเชื่อถือของข้อมูลไม่ใช่แค่หน้าที่หลังบ้านสำหรับวิศวกรเฉพาะอีกต่อไป แต่เป็นความสามารถเชิงกลยุทธ์ที่รองรับทุกความทะเยอทะยานขององค์กรเกี่ยวกับ AI

การปิดช่องว่างระหว่างการนำไปใช้และการผลิต

ความล้มเหลวของหลายโครงการ AI อยู่ที่การกระโดดจากโครงการนำร่องไปสู่การผลิต โครงการนำร่องใช้ข้อมูลที่ถูกเลือกและตรวจสอบอย่างรอบคอบซึ่งผู้วิจัยข้อมูลสามารถทำความสะอาดและตรวจสอบได้ การผลิตเป็นเรื่องที่ซับซ้อนมากขึ้น ต้องจัดการกับกระแสข้อมูลที่ไม่หยุดนิ่งจากทั่วทั้งองค์กร

เมื่อทฤษฎีกลายเป็นความเป็นจริง นั่นคือเมื่อปัญหาเริ่มปรากฏ การประมวลผลแบบแบตช์ที่ทำงานในโครงการนำร่องไม่สามารถรองรับการต้องการแบบเรียลไทม์ได้ ข้อมูลที่ถูกตรวจสอบล่วงหน้าจะถูกแทนที่ด้วยข้อมูลที่ไม่สอดคล้องกัน สภาพแวดล้อมที่ควบคุมต้องโต้ตอบกับแพลตฟอร์มเก่า API ของบุคคลที่สาม และระบบธุรกิจที่เปลี่ยนแปลงอยู่เสมอ

นั่นเป็นเหตุผลที่องค์กรที่ข้ามช่องว่างนี้ลงทุนในโครงสร้างพื้นฐานความน่าเชื่อถือของข้อมูล พื้นฐานของความน่าเชื่อถือของข้อมูลรองรับการต้องการการผลิตในโลกแห่งความเป็นจริงได้ ความน่าเชื่อถือของข้อมูลช่วยให้ระบบของคุณพร้อมสำหรับสิ่งที่กำลังจะเกิดขึ้น

คำแนะนำสำหรับองค์กร

องค์กรที่ขยาย AI ได้สำเร็จมีกลยุทธ์ร่วมกัน:

• ลงทุนในความน่าเชื่อถือของข้อมูลในระยะแรก ตั้งค่าการตรวจสอบ การทดสอบ และการตรวจสอบความถูกต้องไว้ก่อนที่จะย้ายโครงการนำร่องไปสู่การผลิต
• ใช้แนวปฏิบัติในการตรวจสอบ ติดตามไม่เพียงแต่การล้มเหลวของงาน แต่ยังรวมถึงการเปลี่ยนแปลงของปริมาณ การเปลี่ยนแปลงสเคม่า และเมตริกคุณภาพที่ส่งผลกระทบต่อประสิทธิภาพของ AI โดยตรง
• ระบบอัตโนมัติในการดำเนินการตามปกติ ใช้การตรวจจับและการแก้ไขอัตโนมัติเพื่อลดการดับเพลิงและปล่อยให้วิศวกรทำงานเชิงกลยุทธ์
• สร้างกลไกความรับผิดชอบ พิจารณาคุณภาพของข้อมูลเป็นลำดับความสำคัญของธุรกิจพร้อมการเป็นเจ้าของที่ชัดเจนและวงจรป้อนกลับระหว่างผู้ผลิตและผู้บริโภค
• ออกแบบสำหรับการทนต่อความผิดพลาด ออกแบบระบบเพื่อรองรับการล้มเหลวโดยใช้จุดตรวจสอบเพื่อป้องกันไม่ให้ข้อมูลที่ไม่ดีแพร่กระจาย

อัตราการล้มเหลว 95% ของ AI ไม่ใช่เรื่องที่หลีกเลี่ยงไม่ได้ มันสามารถป้องกันได้ ปัญหาไม่ใช่ AI เอง แต่เป็นการขาดพื้นฐานข้อมูลที่แข็งแกร่งในการรองรับ AI ความสำเร็จในการดำเนินการข้อมูล คือ ความสำเร็จใน AI ทั้งคู่เป็นเรื่องเดียวกัน

นี่เป็นเสียงเตือน องค์กรต้องย้ายออกจากแนวทางแบบตอบสนองและแบบมือไปสู่ระบบอัตโนมัติที่มีการตรวจสอบอย่างแข็งขัน ไม่ต้องหยุดจนกว่าคุณจะมีความน่าเชื่อถือที่แท้จริง เครื่องมือและแนวปฏิบัติที่จะแก้ไขปัญหา “ข้อมูลที่ไม่ดี” มีอยู่แล้วในวันนี้

องค์กรที่ยอมรับการเปลี่ยนแปลงนี้จะเห็นมากกว่าแค่อัตราความสำเร็จของ AI ที่สูงขึ้น พวกเขาจะเปลี่ยนแปลงวิธีการใช้ข้อมูล ซึ่งนำไปสู่ข้อมูลเชิงลึกใหม่ทั่วทั้งธุรกิจ

คุณสามารถเลือกที่จะสนับสนุนโครงการนำร่องที่ถูกตัดสินว่าจะล้มเหลวเนื่องจากข้อมูลที่ไม่น่าเชื่อถือ หรือคุณสามารถสร้างพื้นฐานที่แข็งแกร่งที่ทำให้ AI เป็นข้อได้เปรียบที่ยั่งยืน มันอยู่ที่คุณ