失敗した AI プロジェクトの分析から何が学べるでしょうか?

AI プロジェクトの失敗は、多くの場合、大きなトラブルとは関係がなく、細部によって決まります。あらゆるエキサイティングな可能性に直面して、企業は最初に AI プロジェクトを立ち上げるとき、多くの場合自信に満ちています。ただし、特定の実装プロセス中に実際上の問題が発生すると、この熱意は簡単に消えてしまい、AI プロジェクトが棚上げされたり、最終的には失敗に終わったりする可能性があります。失敗を引き起こす一般的な問題の 1 つは、組織がプロジェクトの長期コストを正確に考慮していないことです。経営陣はプロジェクトの初期費用のみを計算し、その後のメンテナンスや更新費用には注意を払っていませんでした。

調査会社 Cognilytica は、数百の失敗した AI プロジェクトの包括的な分析を実施し、多くの組織が AI プロジェクトのライフサイクルの継続性を認識していないことに気づきました。組織は多くの場合、データの準備、クリーニング、モデルのトレーニング、データのラベル付け、モデルの評価、反復要件など、プロジェクトの最初の数回の反復にのみ予算を割り当てますが、継続的な反復では予算を維持できません。さらに、組織はモデルとデータの減衰を継続的に監視し、必要に応じてモデルを再トレーニングし、将来のさらなる拡張と反復を考慮する必要があります。時間が経つにつれて、これは必然的に、AI プロジェクトに対する組織の期待投資収益率に逸脱、さらには不均衡をもたらすことになります。

モデルの継続的な反復のコストを検討するとき、誰もがどのような思考プロセスを経験しましたか?ほとんどの組織が直面している課題は、AI プロジェクトを 1 回限りの概念実証またはパイロット アプリケーションと見なす傾向があり、モデルの継続的な評価と再トレーニングのために資金、リソース、人材の一部を確保することを考慮していないことです。しかし、典型的なデータ駆動型プロジェクトとして、AI は決して 1 回限りの投資ではありません。人々は、モデルが運用開始されると、モデルの反復と開発に資金、リソース、人的資源を割り当て続ける必要があることに気づいていないかもしれません。

したがって、モデル構築のコストのみを考慮している組織は、プロジェクトの開始後にさまざまな問題に遭遇することになります。 AI プロジェクトのコストと投資収益率を例に挙げると、AI プロジェクトの所有者は、モデルの維持にどれだけのコストがかかるか、その後のデータの準備やモデルの反復にどれだけのリソースを投資する意思があるかに注意を払う必要があります。

成功する AI プロジェクトに共通することの 1 つは、その機能が一度にすべて提供されるわけではないということです。対照的に、成功したプロジェクトは、AI ソリューションを明確な開始点と終了点のない継続的な反復サイクルとして捉えます。サイバーセキュリティ プロジェクトが 1 回限りのプロジェクトではないのと同様に、AI などのデータ駆動型プロジェクトも、変化する現実とデータの変化に確実に適応するために継続的に運用する必要があります。データ ドリフトとモデル ドリフトは避けられないため、最初はうまく機能したモデルでも時間の経過とともに徐々に失敗する可能性があります。さらに、組織自体が発展するにつれて、AI アプリケーションの専門知識とスキル、ユースケース、モデルとデータは更新され、変化し続けます。

さらに、世界経済や世界構造も予期せぬ形で変動しています。その結果、非常に複雑な AI プロジェクトを含む長期計画プロジェクトでは、必然的にそれに応じた調整が必要になります。小売業者は確かに、過去 2 年間に見られたサプライチェーンと労働市場のショックを予想できなかったでしょうし、企業も在宅勤務への急速な移行を予想できませんでした。現実世界やユーザーの行動が急速に変化すると、必然的にデータも変化するため、モデルも変化する必要があります。このため、データ ドリフトとモデル ドリフトを十分に考慮して、モデルを継続的に監視して反復する必要があります。

反復についての考え方: 方法論と ML 運用

組織がモデルの拡張または強化を計画する場合、元のモデルの反復メカニズムと一致する必要もあります。たとえば、北米の企業が購買パターン予測モデルを他の市場に拡張したい場合、新しいデータのニーズに適応するためにモデルとデータを継続的に反復する必要があります。

これらの要因は、モデルがデータ ソースやその他の重要な要素を正しく識別できるようにするために、組織が反復のための追加資金を提供し続ける必要があることを意味します。 AI で成功している組織は、AI プロジェクトの拡張を成功裏に完了するには、経験的に証明された反復的かつ機敏な手法に従う必要があることも認識しています。アジャイルな方法論とデータ中心のプロジェクト管理のアイデアに依存して、Cross-Industry Data Mining Process Standard (CRISP-DM) などは、反復的なプロジェクトで特定の重要なステップを見逃さないように AI 機能を強化し始めています。

AI市場の継続的な発展に伴い、「ML Ops」と呼ばれる新たな機械学習モデルの運用管理も求められ始めています。 ML Ops は、モデルの開発と使用、機械学習の運用とデプロイメントのライフサイクル全体に焦点を当てています。 ML Ops の手法とソリューションは、組織が継続的に進化する領域で AI モデルを管理および監視できるように設計されています。 ML Ops は、DevOps の開発中心のプロジェクト反復/開発アイデアと、刻々と変化する大規模なデータセットの管理における DataOps の管理経験を完全に吸収し、巨人の肩の上に立っているとも言えます。

ML Ops の目標は、モデル ドリフト、モデル ガバナンス、バージョン管理などの可視性に関するガイダンスを組織に提供し、それによって AI プロジェクトの反復を支援することです。 ML Ops は、誰もがこれらの問題をより適切に管理できるように支援します。現在、市場にはさまざまな ML Ops ツールが溢れていますが、ML Ops は DevOps と同様に、考えなしに問題を解決するためにお金を費やすのではなく、組織が自ら物事を行うことを主に強調しています。 Ml Ops のベスト プラクティスは、モデル ガバナンス、バージョン管理、検出、監視、透明性、モデルのセキュリティ/反復などの一連の側面をカバーしています。 ML Ops ソリューションは、同じモデルの複数のバージョンを同時にサポートし、特定のニーズに応じて動作をカスタマイズすることもできます。このようなソリューションは、厳密なガバナンスとセキュリティ管理原則を確保しながら、誰がどのモデルにアクセスできるかを追跡、監視、決定します。

AI 反復の現実的なニーズを考慮して、ML Ops はモデルの構築および管理環境全体の重要な部分になり始めています。将来的には、これらの機能が AI および ML ツール セット全体の一部となり、クラウド ソリューション、オープンソース製品、ML 機械学習プラットフォームなどのアプリケーション シナリオに徐々に導入されることが予想されます。

失敗は成功の母

ML Ops および AI プロジェクトの成功は、ベスト プラクティスのサポートと指導から切り離すことはできません。問題が原因で AI プロジェクトが失敗するのではなく、問題を正確に解決できないことが失敗の根本原因です。組織は、AI プロジェクトを反復的で段階的なプロセスとして捉え、AI 向けコグニティブ プロジェクト管理 (CPMAI) 手法と進化する ML Ops ツールを通じて、自社に合ったベスト プラクティスを徹底的に検討する必要があります。大きく考え、小さく始めて、継続的反復の概念を AI プロジェクトのライフサイクル全体を通して実行する必要があります。これらの失敗は決して物語の終わりではなく、新たな始まりです。

以上が失敗した AI プロジェクトの分析から何が学べるでしょうか?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。