AI/ML プロジェクトにおける 4 つの一般的な障害

しかし、残念な現実として、AI および ML プロジェクトの 85% は完全に提供できず、プロトタイプから本番環境に移行できるプロジェクトは 53% のみです。それでも、最近の IDC 支出ガイダンスによれば、米国の人工知能への支出は 20% 以上増加して 2025 年までに 1,200 億ドルに増加すると予想されています。

したがって、AI および ML プロジェクトの失敗の原因となる 5 つの一般的な間違いを避けることが重要です。

1. ML アルゴリズムのトレーニングに必要なリソース、特にデータ リソースを理解する

AI と ML が企業プロセスの変革に使用されていると言うと素晴らしく聞こえますが、実際には 80%これらのアイテムを見つけるのは予想以上に困難です。

これらのプロジェクトを成功させるには、リソースと人材の面で何が必要かを明確に理解する必要があります。最も一般的な間違いの 1 つは、適切なトレーニング データの取得方法を理解していないことです。これは、このようなプログラムの成功にとって重要であるだけでなく、正常に完了するには多大な努力と専門知識も必要です。 AI/ML プロジェクトの導入を検討しているほとんどの企業は、高品質で偏りのない結果を保証するために必要なデータの量や多様性にアクセスできません。

しかし、これを怠ると成功に大きな障害が生じ、プロジェクトのコストが高騰し、プロジェクトの信頼性が急落することがよくあります。

企業が購入できるトレーニング データには不足がなく、多くのサードパーティ データ会社がサービスを提供しています。問題は、企業が大量のデータを簡単に安価に購入できるからといって、それが AI や ML プロジェクトの成功に必要な高品質のトレーニング データであるとは限らないことです。企業は、万能のデータを単に購入するのではなく、プロジェクト固有のデータを必要としています。

したがって、バイアスを軽減するには、データが幅広く多様な対象者を代表していることを確認することが重要です。また、データにはアルゴリズムに合わせて正確に注釈が付けられている必要があり、データはデータ標準、データプライバシー法、セキュリティ対策への準拠を常にチェックする必要があります。

2. 人工知能の開発が順風満帆であるとは期待しないでください

ML アルゴリズムのトレーニングは奇妙なプロセスではありません。トレーニングが開始され、データ モデルがよりよく理解されると、収集されたデータに変更を加え続ける必要があります。アルゴリズムのトレーニング プロセスを開始する前に、実際にどのようなデータが必要なのかを知るのは簡単ではありません。たとえば、トレーニング セットやデータの収集方法に問題があることに気づく場合があります。

従来のソフトウェア開発と同様、人工知能は本質的にソフトウェアで構成されており、徐々に利益を生み出すには継続的かつ安定した投資が必要です。そして、このプロセスでは決して軽視しないでください。

3. 常に品質保証 (QA) テストを統合する

多くの場合、QA テストは、製品を最適化すると見なされるのではなく、製品が正しく動作することを確認するための追加機能または形式とみなされます。すべての反復にわたって不可欠なツールです。実際、QA テストは AI 開発を成功させるための重要な部分です。結果の検証は、コストを削減し、開発スケジュールを加速し、リソースの効率的な割り当てを確保するために、AI 開発プロセスのあらゆる段階に統合される必要があります。

4. 頻繁なアプリケーションのフィードバックをスケジュールする

想像するのは気が遠くなるかもしれませんが、現実には、AI プロジェクトが完全に完了することはありません。プロジェクトの精度やパフォーマンスが期待を上回っていたとしても、改善や改善の余地はまだあります。さらに、アルゴリズムは常に変化するもの (意見、会話、画像など) に基づいて決定を下します。 AI エクスペリエンスが現在および将来にわたって成功するためには、新しい社会状況、技術開発、データに影響を与えるその他の変化に適応するために、定期的に再トレーニングする必要があります。

実際、AI 導入による最もプラスの影響が見られる企業は、コアおよび AI のベスト プラクティスに従い、同業他社よりも効率的かつ効果的に AI に投資しています。これには、展開前の AI モデルのパフォーマンスのテスト、時間の経過とともに結果が向上するかどうかを確認するためのパフォーマンスの追跡、データ品質を確保するための適切なプロトコルの開発が含まれます。

AI プログラムを開発するための堅牢なアプローチを開発することで、企業はこれらのよくある間違いを回避し、AI と ML の取り組みの長期的な成功を確実にすることができます。

以上がAI/ML プロジェクトにおける 4 つの一般的な障害の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。