Les taux d'échec des projets d'IA dépassent 80 % – une étude cite une mauvaise reconnaissance des problèmes et une concentration sur les dernières tendances technologiques parmi les problèmes majeurs

Tout le monde et leur tante semblent monter à bord du train de l'IA à la recherche de marges bénéficiaires gonflées et de battage publicitaire - il suffit de regarder le récent changement de nom de Ryzen d'AMD comme un excellent exemple de ce battage médiatique en matière d'IA. Une étude récente menée par RAND a révélé que cette approche centrée sur l'IA n'est peut-être pas tout ce qu'elle est censée être, les projets d'IA échouant apparemment deux fois plus souvent que les projets de développement de logiciels classiques.

Au cours de l'étude, RAND a interrogé 65 experts du secteur ayant plus de cinq ans d'expérience dans le développement d'outils d'IA et d'apprentissage automatique pour des entités privées et des universités et a distillé leurs réponses en cinq raisons principales d'échec des projets d'IA/ML.

L'échec numéro un, selon l'étude, était un échec de leadership plutôt qu'un échec technique. Soit les dirigeants n’ont pas compris quel était le problème qu’ils essayaient de résoudre avec l’IA, soit ils n’ont pas réussi à communiquer le problème aux équipes de développement, soit ils ont essayé d’appliquer l’IA à un problème qu’ils n’étaient pas équipés pour résoudre. Les chefs de projet étaient tellement concentrés sur l'utilisation des dernières et plus grandes avancées de l'IA pour résoudre leurs problèmes qu'ils ont manqué des solutions plus simples et moins coûteuses qui n'utilisaient pas l'IA.

Comme l'a expliqué une personne interrogée, ses équipes étaient parfois chargé d'appliquer des techniques d'IA à des ensembles de données présentant une poignée de caractéristiques ou de modèles dominants qui auraient pu être rapidement capturés par quelques règles simples "si-alors".

La disponibilité des ressources était également un point d'échec important, avec le leadership cité comme ne voulant pas ou ne pouvant pas affecter les ressources nécessaires pour traiter les données nécessaires et former les systèmes d’IA de manière adéquate. Cela entraîne souvent une sous-livraison d’un projet ou la livraison d’un produit incomplet – conséquence d’une sous-estimation de la complexité de la création et de la formation d’un système d’IA.

De même, de nombreux dirigeants avaient des attentes irréalistes à l'égard de l'IA en raison du récent battage médiatique et des allégations marketing, ce qui devient problématique lorsque les équipes de développement sont incapables de livrer ce qui a été promis dans les délais attendus.

Pour un aperçu plus détaillé des données, des raisons de l'échec et des recommandations des chercheurs, consultez le rapport de recherche de RAND.

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!