Was lässt sich aus der Analyse gescheiterter KI-Projekte lernen?

Das Scheitern von KI-Projekten hat oft nichts mit großen Problemen zu tun, sondern wird durch winzige Details bestimmt. Angesichts all der spannenden Möglichkeiten sind Unternehmen oft voller Zuversicht, wenn sie erste KI-Projekte starten. Praktische Probleme während des konkreten Umsetzungsprozesses können diese Begeisterung jedoch leicht ersticken lassen und dazu führen, dass das KI-Projekt auf Eis gelegt wird oder sogar letztlich scheitert. Eines der häufigsten Probleme, die zum Scheitern führen, ist, dass die Organisation die langfristigen Kosten des Projekts nicht genau berücksichtigt. Das Management berechnete lediglich die anfänglichen Kosten des Projekts, vernachlässigte jedoch die späteren Wartungs- und Aktualisierungskosten.

Das Forschungsunternehmen Cognilytica führte eine umfassende Analyse von Hunderten gescheiterter KI-Projekte durch und stellte fest, dass viele Organisationen die Kontinuität des KI-Projektlebenszyklus nicht erkannten. Organisationen stellen das Budget oft nur für die ersten paar Iterationen eines Projekts bereit, einschließlich Datenvorbereitung, Bereinigung, Modellschulung, Datenkennzeichnung, Modellbewertung und Iterationsanforderungen, versäumen es jedoch, das Budget für laufende Iterationen aufrechtzuerhalten. Darüber hinaus müssen Unternehmen den Modell- und Datenverfall kontinuierlich überwachen, Modelle bei Bedarf neu trainieren und eine weitere Erweiterung und Iteration in der Zukunft in Betracht ziehen. Im Laufe der Zeit wird dies unweigerlich zu Abweichungen oder sogar Ungleichgewichten in der erwarteten Kapitalrendite der Organisation für KI-Projekte führen.

Welchen Denkprozess haben alle durchlaufen, als sie über die Kosten einer kontinuierlichen Iteration des Modells nachgedacht haben? Die Herausforderung für die meisten Unternehmen besteht darin, dass sie KI-Projekte eher als einmalige Proof-of-Concept- oder Pilotanwendungen betrachten und nicht in Betracht ziehen, einen Teil der Mittel, Ressourcen und Arbeitskräfte für die kontinuierliche Bewertung und Umschulung von Modellen bereitzustellen. Aber als typisches datengesteuertes Projekt ist KI keineswegs eine einmalige Investition. Den Menschen ist möglicherweise nicht klar, dass sie, sobald ein Modell in Produktion geht, weiterhin Gelder, Ressourcen und Arbeitskräfte für die Iteration und Entwicklung des Modells bereitstellen müssen.

Organisationen, die nur die Kosten für den Modellbau berücksichtigen, werden nach dem Start des Projekts auf verschiedene Probleme stoßen. Am Beispiel der KI-Projektkosten und der Kapitalrendite müssen KI-Projekteigentümer darauf achten, wie viel die Wartung des Modells kostet und wie viele Ressourcen sie bereit sind, in die anschließende Datenaufbereitung und Modelliteration zu investieren.

Eines haben erfolgreiche KI-Projekte gemeinsam: Ihre Funktionen werden nicht auf einmal geliefert. Im Gegensatz dazu betrachten erfolgreiche Projekte KI-Lösungen als einen kontinuierlichen iterativen Zyklus ohne klaren Start- und Endpunkt. So wie Cybersicherheitsprojekte keine einmaligen Projekte sind, müssen auch datengesteuerte Projekte wie KI weitergeführt werden, um sicherzustellen, dass sie sich an veränderte Realitäten und sich ändernde Daten anpassen. Selbst ein Modell, das anfangs gut funktioniert, kann im Laufe der Zeit allmählich scheitern, da Datendrift und Modelldrift unvermeidlich sind. Darüber hinaus werden im Zuge der Weiterentwicklung der Organisation selbst die Fachkenntnisse und -fähigkeiten, Anwendungsfälle, Modelle und Daten für KI-Anwendungen weiterhin aktualisiert und verändert.

Darüber hinaus schwanken auch die Weltwirtschaft und die Weltstruktur auf unerwartete Weise. Dies führt dazu, dass bei jedem langfristigen Planungsprojekt, auch bei äußerst komplexen KI-Projekten, zwangsläufig entsprechende Anpassungen vorgenommen werden müssen. Einzelhändler konnten die Störungen in der Lieferkette und auf dem Arbeitsmarkt, die in den vergangenen zwei Jahren aufgetreten sind, sicherlich nicht vorhersehen, und auch Unternehmen konnten nicht mit der raschen Umstellung auf Heimarbeit rechnen. Schnelle Änderungen in der realen Welt und im Benutzerverhalten führen unweigerlich zu Datenänderungen, daher muss sich auch das Modell ändern. Aus diesem Grund müssen wir das Modell kontinuierlich überwachen und iterieren und dabei die Datendrift und Modelldrift vollständig berücksichtigen.

Nachdenken über Iteration: Methodik und ML-Operationen

Wenn eine Organisation plant, ein Modell zu erweitern oder zu verbessern, muss es auch mit dem ursprünglichen Modelliterationsmechanismus übereinstimmen. Wenn beispielsweise ein nordamerikanisches Unternehmen sein Kaufmustervorhersagemodell auf andere Märkte ausweiten möchte, muss es das Modell und die Daten kontinuierlich iterieren, um es an neue Datenanforderungen anzupassen.

Diese Faktoren bedeuten, dass Organisationen kontinuierlich zusätzliche Mittel für Iterationen bereitstellen müssen, um sicherzustellen, dass das Modell Datenquellen und andere Schlüsselfaktoren korrekt identifiziert. Organisationen, die im Bereich KI erfolgreich sind, erkennen auch, dass sie empirisch bewährten iterativen und agilen Methoden folgen müssen, um den Ausbau von KI-Projekten erfolgreich abzuschließen. Basierend auf agilen Methoden und datenzentrierten Projektmanagementideen haben der Cross-Industry Data Mining Process Standard (CRISP-DM) und andere damit begonnen, KI-Funktionen zu verbessern, um sicherzustellen, dass iterative Projekte bestimmte Schlüsselschritte nicht verpassen.

Mit der kontinuierlichen Entwicklung des KI-Marktes ist auch das aufkommende Modellbetriebsmanagement für maschinelles Lernen namens „ML Ops“ immer gefragter geworden. ML Ops konzentriert sich auf den gesamten Lebenszyklus von Modellentwicklung und -nutzung, maschinellen Lernvorgängen und Bereitstellung. ML Ops-Methoden und -Lösungen sollen Unternehmen dabei helfen, KI-Modelle in einem sich ständig weiterentwickelnden Bereich zu verwalten und zu überwachen. Man kann auch sagen, dass ML Ops auf den Schultern von Giganten steht und die entwicklungsorientierten Ideen von DevOps zur kontinuierlichen Iteration/Entwicklung von Projekten sowie die Managementerfahrung von DataOps mit sich ständig ändernden großen Datensätzen vollständig aufnimmt.

Das Ziel von ML Ops besteht darin, Organisationen Sichtbarkeitsanleitungen wie Modelldrift, Modellgovernance und Versionskontrolle bereitzustellen und so KI-Projektiterationen zu unterstützen. ML Ops kann jedem helfen, diese Probleme besser zu bewältigen. Obwohl der Markt derzeit mit verschiedenen ML Ops-Tools überschwemmt ist, legt ML Ops wie DevOps vor allem Wert darauf, dass Unternehmen Dinge selbst erledigen, anstatt Geld auszugeben, um sie unüberlegt zu lösen. Die Best Practices von Ml Ops umfassen eine Reihe von Aspekten wie Modell-Governance, Versionskontrolle, Erkennung, Überwachung, Transparenz und Modellsicherheit/-iteration. ML Ops-Lösungen können auch mehrere Versionen desselben Modells gleichzeitig unterstützen und ihr Verhalten an spezifische Anforderungen anpassen. Solche Lösungen verfolgen, überwachen und bestimmen außerdem, wer Zugriff auf welche Modelle hat, und gewährleisten gleichzeitig strenge Governance- und Sicherheitsmanagementprinzipien.

Angesichts der tatsächlichen Anforderungen der KI-Iteration hat sich ML Ops zu einem wichtigen Bestandteil der gesamten Modellkonstruktions- und Verwaltungsumgebung entwickelt. Zukünftig sollen diese Funktionen zunehmend Teil des gesamten KI- und ML-Toolsets werden und nach und nach in Anwendungsszenarien wie Cloud-Lösungen, Open-Source-Produkten und ML-Plattformen für maschinelles Lernen landen.

Misserfolg ist die Mutter des Erfolgs

Der Erfolg von ML Ops- und KI-Projekten kann nicht von der Unterstützung und Anleitung durch Best Practices getrennt werden. Probleme führen nicht zum Scheitern des KI-Projekts; die Unfähigkeit, das Problem genau zu lösen, ist die Hauptursache für das Scheitern. Unternehmen müssen KI-Projekte als iterativen und schrittweisen Prozess betrachten und die für sie geeigneten Best Practices durch Methoden des kognitiven Projektmanagements für KI (CPMAI) und sich weiterentwickelnde ML-Ops-Tools umfassend erkunden. Denken Sie groß, fangen Sie klein an, und das Konzept der kontinuierlichen Iteration sollte sich durch den gesamten Lebenszyklus eines KI-Projekts ziehen. Diese Misserfolge sind keineswegs das Ende der Geschichte, sondern ein Neuanfang.

Das obige ist der detaillierte Inhalt vonWas lässt sich aus der Analyse gescheiterter KI-Projekte lernen?. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!