ผู้นำทางความคิด
ว่าทำไม Enterprise AI จึงล้มเหลวที่เส้นชัย — และวิธีแก้ไข
尽管มีการพูดถึง AI อย่างมาก แต่โครงการ AI ขององค์กรส่วนใหญ่ไม่เคยผ่านขั้นตอนการทดลองได้ ตามการวิจัยของ IDC最近 88% ของโครงการ AI Proof-of-Concept (POC) ล้มเหลวในการขยายขนาดไปสู่การผลิตเต็มรูปแบบ ซึ่งเป็นการลดลงอย่างมาก และเป็นสัญญาณที่ชัดเจนว่ามีบางสิ่งที่ไม่ทำงาน Many ของโครงการเหล่านี้เข้าใกล้เส้นชัย โดยมีโมเดลที่ได้รับการฝึกอบรมซึ่งตรงตามมาตรฐานที่กำหนดโดยทีม และจากนั้นจึงไม่ได้รับการเปิดตัวหรือใช้งานโดยผู้ใช้ปลายทาง
อะไรที่ไปไม่ถูกต้อง ในหลายกรณี มันลงมาถึงสามปัญหาด้านใหญ่
- ทีม AI ขององค์กรมีการพึ่งพาเครื่องมือวินิจฉัยและมาตรฐานที่ผิวเผินซึ่งไม่สามารถจับปัญหาด้านประสิทธิภาพที่สำคัญ
- โมเดลได้รับการฝึกอบรมตามมาตรฐานที่กำหนดไว้ล่วงหน้าแทนการแก้ปัญหาที่แท้จริงในโลกแห่งความเป็นจริง
- ต้นทุนในการขยายขนาดการใช้งานโมเดลสูงเกินไปสำหรับการนำไปใช้ในระดับองค์กร
ในบทความนี้ เราจะพิจารณาปัญหาเหล่านี้และวิธีที่จะเอาชนะมัน เพื่อให้โครงการ AI ของคุณสามารถทำงานได้จริงและถึงมือผู้ใช้
ปัญหา #1: การวินิจฉัยมาตรฐานที่พลาดปัญหาด้านประสิทธิภาพที่สำคัญ
สาเหตุหลักที่โครงการ AI มักจะล้มเหลวหลังจากขั้นตอนการทดลองคือการวินิจฉัยและมาตรฐานภายในมักจะไม่เจาะลึกพอที่จะตรวจจับปัญหาด้านประสิทธิภาพที่สำคัญ และมักจะพลาดปัญหาที่ส่งผลต่อความน่าเชื่อถือและความสามารถในการใช้งานของโมเดล
ลองพิจารณาตัวอย่างนี้: ทีม AI หนึ่งทีมมีโมเดลที่ผ่านการทดสอบภายในทั้งหมด แต่เมื่อมีการประเมินโดยบุคคลที่สามสำหรับการใช้งานที่ตั้งใจไว้ พบว่ามีจุดบอดที่สำคัญ โมเดลมีโอกาสให้คำตอบหลบหลีกสูงถึง 9 เท่าเมื่อมีการถามคำถามใน某็นวิธี
ปัญหา #2: โมเดลที่ได้รับการฝึกอบรมตามมาตรฐานที่ไม่สะท้อนถึงโลกแห่งความเป็นจริง
อีกหนึ่งอุปสรรคที่ทีม AI ขององค์กรต้องเผชิญคือการฝึกอบรมโมเดลให้ตรงตามมาตรฐานที่กำหนดไว้ล่วงหน้าแทนการแก้ปัญหาที่แท้จริงในโลกแห่งความเป็นจริง
เมื่อทีม AI ฝึกอบรมโมเดลให้ตรงตามมาตรฐานที่กำหนดไว้ล่วงหน้า โมเดลอาจจะทำงานได้ดีในข้อจำกัดของการทดสอบ แต่เมื่อเผชิญกับข้อมูลที่ไม่มีโครงสร้างและหลากหลายในโลกแห่งความเป็นจริง โมเดลอาจจะทำงานไม่ได้ดีและต้องการการแทรกแซงจากผู้ใช้
ปัญหา #3: การขยายขนาดการใช้งาน AI หมายถึงการขยายขนาดต้นทุนการคำนวณ
สาเหตุหลักที่สามที่โครงการ AI มักจะล้มเหลวคือการขยายขนาดการใช้งาน AI หมายถึงการขยายขนาดต้นทุนการคำนวณ
เมื่อทีม AI พัฒนาโมเดลและทดสอบในข้อจำกัดของการทดสอบ ต้นทุนการคำนวณอาจจะไม่显_now แต่เมื่อโมเดลถูกนำไปใช้ในระดับองค์กรและต้องรับมือกับข้อมูลจำนวนมาก ต้นทุนการคำนวณอาจจะสูงเกินไปและทำให้โครงการ AI ล้มเหลว
การเอาชนะอุปสรรคสุดท้ายในการนำ AI ไปสู่ความสำเร็จ
เพื่อหลีกเลี่ยงปัญหาเหล่านี้ ทีม AI ของคุณต้องมีการวางแผนและเตรียมการอย่างดี
ขั้นแรก คุณควรนำบุคคลที่สามเข้ามาช่วยในการประเมินโมเดลของคุณ
ขั้นที่สอง คุณควรทดสอบโมเดลของคุณด้วยข้อมูลที่แท้จริงและหลากหลาย
ขั้นที่สาม คุณควรตรวจสอบและปรับปรุงโปรโตคอลความปลอดภัยของคุณ
ขั้นที่สี่ คุณควรตรวจสอบและควบคุมต้นทุนการคำนวณของคุณ
โดยการทำตามขั้นตอนเหล่านี้ คุณสามารถช่วยให้โครงการ AI ของคุณประสบความสำเร็จและถึงมือผู้ใช้ได้จริง
