Tại sao 85% dự án AI thất bại

Học hỏi từ những sai lầm của người khác. Cuộc sống quá ngắn ngủi để bạn tự mình biến chúng thành tất cả.

Nhiều công ty sẵn sàng thả mình vào thế giới hấp dẫn của AI và học hỏi từ những lợi ích mà nó mang lại. Thông thường câu chuyện diễn ra như sau: ban giám đốc quyết định rằng công ty của họ nên dẫn đầu hệ sinh thái đổi mới AI trong ngành của họ. Để có được điều này, họ thuê một nhóm có kỹ năng tuyệt vời, chi một lượng lớn tiền cho tài nguyên và sau một vài tháng ‘PUM’, họ nhận thấy mình ở điểm khởi đầu với ít tiền hơn và không còn tin tưởng vào AI. Những công ty này đã mắc phải những sai lầm gì? AI chỉ là một sự thổi phồng và không có lợi ích gì cả? Chúng ta có thể rút ra bài học gì từ rất nhiều dự án thất bại?

1 — AI không dành cho tất cả mọi người

Một khi công ty của bạn quyết định dùng thử AI, thì cần phải có một Chiến lược AI rất rõ ràng và chi tiết. Nền tảng cho một dự án AI dựa trên ba trụ cột, thiếu bất kỳ trụ cột nào cũng khiến cả tòa nhà thiếu vững chắc và có thê đổ vỡ bất cứ lúc nào.

Ba trụ cột:

• Kỹ năng (Skills): Nhà khoa học dữ liệu là một công việc khá mới, rất ít Nhà khoa học dữ liệu (Data Scientist) có thể nói rằng họ có hơn 15–20 năm kinh nghiệm. Nhà khoa học dữ liệu là một nguồn tài nguyên rất khan hiếm và rất khó và tốn kém để có được một team phù hợp.
• Môi trường kỹ thuật: Các mô hình AI chỉ là một phần của giải pháp, nếu bạn muốn dự án của mình thành công, bạn cần có nhiều kỹ năng và giải pháp để biến nó thành hiện thực. Bạn cần một nhóm các nhà phát triển phần mềm và kỹ sư xử lý sự phức tạp về kiến trúc của các dự án AI. Một môi trường sản xuất được thiết kế tốt là điều bắt buộc và không nên được quản lý bởi Nhà khoa học dữ liệu (Data Scientist).
• Dữ liệu (Data): Rác vào, rác ra (Trash in, trash out). Các công ty phải thiết kế Chiến lược dữ liệu để quản lý các nguồn lực quan trọng cho các dự án AI, dữ liệu. Dữ liệu Các nhà khoa học được yêu cầu trích xuất, làm sạch và phân tích dữ liệu tại bất kỳ thời điểm nào. Làm việc với dữ liệu đã lỗi thời, trùng lặp, thông tin không chính xác hoặc thậm chí bị thiếu có thể dẫn đến việc nhóm thất vọng và dự án thất bại. Quản trị dữ liệu là một trong những trụ cột quan trọng nhất và được đánh giá thấp nhất cho sự thành công của các dự án AI.

Ba trụ cột này bắt buộc phải có, nếu thiếu một trong số chúng, các dự án AI có thể thất bại. Tôi không tin có nhóm Nhà khoa học dữ liệu (Data Scientist) nào có các công cụ tuyệt vời, phát triển các mô hình tuyệt vời mà không cần bất kỳ dữ liệu nào. Hoặc ngay cả khi công ty của bạn có một đội ngũ tuyệt vời và dữ liệu, bạn dự kiến sẽ chuyển sang sản xuất mô hình như thế nào nếu bạn không có môi trường bắt buộc để làm như vậy.

Cuối cùng, cũng cần xem xét tác động văn hóa mà sự thay đổi chiến lược này có thể có đối với công ty. Nhiều dự án có thể thất bại vì chúng không được sự tin tưởng của ban lãnh đạo hoặc lãnh đạo của công ty. AI là một công cụ, nếu những người quản lý nó không sử dụng nó, nó sẽ khó có tác động đến doanh nghiệp.

2 — AI bắt đầu trong báo cáo Lãi và lỗ

Giả sử chúng tôi đã xây dựng ba trụ cột của mình, chúng tôi nên xác định dự án AI của mình như thế nào? Làm thế nào chúng ta có thể biết dự án nào để bắt đầu?

Hầu hết các công ty đều bắt đầu với định hướng công nghệ, những câu như ‘Tôi muốn trở thành công ty Fintech chấm điểm tín dụng bằng AI!’ Hoặc ‘Có một kỹ thuật hoàn toàn mới do Google phát hành, hãy sử dụng nó!’ Là nguồn gốc của các dự án thất bại. Nếu bạn có định hướng này có nghĩa là bạn đang ép buộc một giải pháp cho một vấn đề, bạn chưa xác định được làm thế nào bạn sẽ biết giải pháp thích hợp là gì? Bạn không nên bắt đầu từ giải pháp, mà từ vấn đề.

Thay vì định hướng kỹ thuật, các công ty nên bắt đầu bằng định hướng kinh doanh. Phân tích báo cáo tài chính, tìm nơi công ty chịu chi phí cao nhất. Tiếp tục với các chiến lược thu hút và giữ chân khách hàng, có cách nào để cải thiện nó với AI không? Trước hết hãy xác định vấn đề và sau đó quyết định áp dụng giải pháp nào.

Định hướng kinh doanh cho phép các công ty đo lường các dự án AI từ góc độ tài chính, chúng tôi có thể ước tính chi phí, doanh thu hoặc tác động của nó đối với công ty bằng các KPI như ROI. Đo lường các dự án AI theo cách này có thể có hai lợi ích chính, thứ nhất, nó đưa ra định hướng rõ ràng về nơi sẽ đi. Các nhóm AI có thể bị lạc trên các mô hình đào tạo, thử các kỹ thuật mới và tăng độ chính xác. Họ nên thử bao nhiêu kỹ thuật mới hoặc nên dành bao nhiêu thời gian để đào tạo? Họ nên tiếp tục làm việc cho đến khi giải quyết được vấn đề kinh doanh, đó là KPI quan trọng duy nhất.

Thứ hai, giao tiếp giữa nhóm nhà khoa học dữ liệu và các giám đốc thường không được trôi chảy. Sau nhiều tháng làm việc và hoàn thành xuất sắc công việc, điều cuối cùng bạn muốn không thể thiếu đó là giao tiếp. Đối với điều này, chúng tôi cần phải nói chuyện ngôn ngữ kinh doanh. Giải thích những thành tựu AI của bạn bằng một ngôn ngữ mà họ có thể hiểu được, thông qua các KPI tài chính.

Nếu bạn đang thực hiện dự án đầu tiên của mình, các cân nhắc trước đó nên được tính đến hai lần. Thất bại trong dự án đầu tiên của bạn có thể có tác dụng phụ về mặt chính trị đối với sự phát triển của nhóm và mất lòng tin từ các nhà lãnh đạo. Điều này thậm chí có thể tồi tệ hơn, nó có thể khiến nhóm AI thất vọng và mất tinh thần.

3 —Giải pháp đầu cuối

Đưa một mô hình nguyên mẫu vào sản xuất là một cột mốc quan trọng.

Các công ty không dành quá nhiều thời gian để tập trung vào việc tạo ra mô hình và không để ý đến vấn đề ban đầu. Trong phát triển phần mềm, theo một cách tiếp cận nhanh nhẹn là chìa khóa cho sự thành công của dự án.

Thay vì chờ đợi nhiều tháng để cung cấp một phần mềm cuối cùng, tốt hơn là bạn nên làm việc trên các bước lặp ngắn, chặt chẽ và nhanh chóng tạo ra kết quả. Sau mỗi lần lặp lại, chúng tôi nhận được phản hồi từ khách hàng và người dùng để chúng tôi có thể cải thiện. Chúng tôi có giả thuyết về lý do tại sao người dùng sẽ không yêu thích giải pháp, thông thường chúng tôi có thể nghĩ đến độ chính xác hoặc hiệu suất của mô hình. Nhờ cách tiếp cận linh hoạt, chúng tôi không làm việc và xây dựng dựa trên giả thuyết mà dựa trên phản hồi của khách hàng.

Hơn nữa, khi chúng tôi lặp đi lặp lại và chúng tôi tạo ra hệ thống giải pháp đầy đủ, các nhà lãnh đạo doanh nghiệp có thể có các giao hàng sớm, cho phép họ thấy được tiến độ và lợi tức đầu tư của mình. Nó giúp quản lý kỳ vọng và hiểu rõ hơn nhu cầu của người dùng.

4 — In-house hay Outsource

Nhà khoa học dữ liệu (Data Scientist) đang tìm kiếm các kỹ thuật và giải pháp mới để cải thiện hiệu suất mô hình hiện tại. Họ muốn phân tích dữ liệu, thiết kế mô hình, đào tạo nó và tinh chỉnh trong mỗi lần lặp lại. Nhiệm vụ này rất tốn kém và đòi hỏi chuyên môn rất sâu, hơn nữa nó cực kỳ tốn kém và mất thời gian để có một mô hình đáng tin cậy.

Mặt khác, chúng ta có các công ty công nghệ lớn như Amazon, Google hoặc Microsoft cung cấp các mô hình tiên tiến, được đào tạo với lượng dữ liệu khổng lồ đến mức hầu hết các công ty thậm chí không thể hình dung và phát triển các đội thành thạo đó. Chúng ta có thể cạnh tranh với họ không?

Các nhà cung cấp đám mây lớn cung cấp các mô hình được đào tạo của họ thông qua API với một mức giá đắt đỏ. Bạn trả tiền cho mỗi lần sử dụng, đối với hàng nghìn lệnh gọi API, bạn có thể bị tính phí (tùy thuộc vào kiểu mô hình bạn đang sử dụng). Những mô hình xuất xưởng này giúp giảm đáng kể thời gian tiếp thị và chi phí ban đầu. Trong vòng vài ngày, bạn có thể phát triển một hệ thống AI với chi phí rất thấp, vì vậy bạn có thể thu thập phản hồi của người dùng.

Chúng ta có thể sử dụng API mãi mãi không? Tất nhiên là không, như chúng tôi đã nói, chúng tôi làm việc trên các bước lặp ngắn và chặt chẽ để phân phối nhanh và đây là lý do tại sao các API rất hữu ích. Khi bạn đạt đến điểm mà giải pháp của bạn được xác thực, khách hàng đang sử dụng nó và các nhà lãnh đạo sẵn sàng đầu tư nhiều tiền hơn, bạn biết rằng giải pháp của bạn đang hoạt động và mang lại lợi nhuận rõ ràng cho công ty của bạn. Khi bạn đã có thể xác thực tất cả những điều này, bạn đã sẵn sàng chuyển từ các API để phát triển các mô hình của riêng mình và giành quyền kiểm soát giải pháp. Điều này cũng hợp lệ đối với mô hình được đào tạo trước có sẵn trực tuyến như ResNet, YOLO, BERT…

Phần kết luận

Bắt đầu trong thế giới AI có thể rất khó khăn, có nhiều biến số cần xem xét và nhiều điều không chắc chắn. Như chúng ta đã đọc trong bài viết này, hầu hết các vấn đề phát sinh do quản lý và các quyết định kinh doanh. Chúng ta phải hiểu rằng AI là một công cụ không tự hoạt động để giải quyết một vấn đề.

Nhận ra vấn đề, cô lập nó và hiểu nó, sau đó tập trung vào đường dẫn đầu tiên của bạn, đó là chìa khóa. Ở giai đoạn đầu này, bạn nên bỏ lại chủ nghĩa hoàn hảo của mình và tập trung vào giải pháp từ đầu đến cuối. Tại thời điểm này, bạn sẽ có thể nhận được phản hồi và lặp lại giải pháp.

Nguồn Bài viết được dịch của tác giả Nechu BM

References https://www.pacteraedge.com/pactera-white-paper-reveals-85-percent-ai-projects-ultimately-fail-0