Основные причины неудач проектов искусственного интеллекта и пути к успеху — избегание антипаттернов.

Список ключевых заголовков разделов

1. Исследовательский фон и основные вызовы
2. Методология исследования и дизайн интервью
3. Ключевые выводы отраслевых интервью
4. Провалы, обусловленные руководством
5. Провалы, движимые снизу вверх
6. Провалы, обусловленные данными
7. Провалы из-за недостаточных инвестиций в инфраструктуру
8. Провалы, вызванные недостаточной зрелостью технологий
9. Особые кейсы: вычислительные мощности и кадры
10. Гибкая разработка ПО и применимость в AI-проектах
11. Рекомендации для успешной реализации в индустрии
12. Рекомендации по улучшению исследований в академической среде

Описание документа

Искусственный интеллект, как технология с трансформационным потенциалом, получил широкое признание среди различных организаций — от частного сектора до Министерства обороны США, которые увеличивают соответствующие инвестиции. Его применение охватывает множество ключевых областей, включая фармацевтику, розничную торговлю, оборону и другие. Однако, несмотря на большие ожидания, возлагаемые на ИИ, 84% руководителей компаний считают, что ИИ окажет значительное влияние на бизнес, но лишь 14% организаций полностью готовы к его интеграции. Более 80% проектов в области ИИ заканчиваются неудачей, что вдвое превышает показатель обычных IT-проектов. Превращение потенциала ИИ в реальные результаты стало насущной проблемой.

Данный отчет фокусируется на ветви машинного обучения (включая обучение с учителем, без учителя, с подкреплением и большие языковые модели). Первичные данные были собраны посредством полуструктурированных интервью, проведенных в период с августа по декабрь 2023 года. Респондентами выступили 50 опытных практиков ИИ из индустрии и 15 исследователей из академической среды, каждый с опытом построения моделей AI/ML не менее пяти лет. Исследование охватило компании разного масштаба и различные научные дисциплины, что обеспечивает широкую репрезентативность выводов.

Исследование выявило пять основных коренных причин провала AI-проектов в индустрии: недопонимание или плохая коммуникация между заинтересованными сторонами относительно проблемы, которую должен решить ИИ; отсутствие у организации достаточного количества качественных данных; чрезмерное внимание к передовым технологиям в ущерб реальным проблемам; недостаточная инфраструктура; а также применение ИИ к задачам, выходящим за пределы его технических возможностей. В то же время, основными катализаторами неудач стали: ошибки в решениях руководства (например, постановка неверных целей, недооценка сроков проекта), нехватка инженеров по данным и проблемы с качеством данных, слепая погоня технических команд за новыми технологиями.

В академической среде исследование показало, что провалы проектов в основном происходят из-за перекоса в системе стимулов, включая чрезмерное стремление к престижу мероприятий, нерациональную структуру данных, а также давление, ориентированное на публикации. Эти факторы уводят исследовательскую деятельность от практической ценности. Кроме того, в отчете рассматривается текущее состояние ключевых поддерживающих элементов, таких как вычислительные мощности и предложение кадров, а также вопрос применимости гибких методологий разработки в AI-проектах.

На основе эмпирического исследования отчет предлагает целевые рекомендации для индустрии и академической среды соответственно: индустрии следует укреплять когнитивную синергию между техническими командами и бизнес-сценариями, фокусироваться на долгосрочных фундаментальных проблемах, руководствоваться проблемно-ориентированным, а не технологически-движимым подходом, увеличивать инвестиции в инфраструктуру и адекватно оценивать ограничения технологий ИИ. Академической среде необходимо преодолевать барьеры в доступе к данным через сотрудничество с государством и бизнесом, а также расширять практико-ориентированные программы докторантуры. Данный отчет предоставляет руководство по управлению рисками для планирования AI-проектов в Министерстве обороны США и других организациях, предлагая теоретически обоснованную и практическую рамку действий для успешной реализации проектов в области искусственного интеллекта.