Miért torpannak meg az AI projektek a gyakorlatban? – Tanulságok az AI Kompetencia Központ eseményéről
A mesterséges intelligencia és a fejlett analitika ma már elkerülhetetlen téma a vállalati stratégiaalkotás során. Ugyanakkor az előadás rávilágított arra, hogy a technológiai lelkesedés gyakran nem párosul a várt üzleti eredményekkel, és sok szervezet szembesül a projektek elakadásaival. Budaházy Gábor összefoglalója alapján az alábbiakban összegezzük a legfontosabb szakmai tanulságokat és szervezeti kihívásokat.
A "Sztárjátékos szindróma"
Az előadás egyik központi megállapítása a "sztárjátékos szindróma": a szervezetek azt feltételezik, hogy egy vagy több magasan képzett AI szakértő felvétele önmagában elegendő a sikerhez. A valóság azonban az, hogy a szakemberek technológiai implementációra szakosodtak, így nem várható el tőlük, hogy a szervezet üzleti stratégiáját is ők alakítsák ki. A sikerhez a szervezet egészének fel kell készülnie a paradigmaváltásra.
A "Tolmács" szerepkör jelentősége
Gyakori hiba, hogy a cégek nem rendelkeznek olyan „tolmács” szerepkörrel (például business analyst), amely képes a magas szintű üzleti problémákat (pl. nyereségességnövelés) lefordítani technikai specifikációkra. A technikai szakemberek az ilyen, számukra túl általános igényekkel nehezen tudnak mit kezdeni, ami a közös munka frusztrációjához vezethet.
Módszertani sokszínűség: A "fancy" dolgok csapdája
A fejlesztők hajlamosak a legújabb, "divatos" (fancy) frameworkökkel és technológiákkal kísérletezni, mivel ezek szakmailag érdekesek számukra. Azonban az előadó kiemelte, hogy:
-
A legkomolyabb üzleti értékkel bíró felismerések sok esetben klasszikus, évtizedek óta bevált statisztikai módszerekkel érhetők el.
-
Az AI projekt sikeressége nem korrelál a felhasznált technológia komplexitásával.
-
Érdemes mindig evidenciában tartani az olyan klasszikus paradigmákat, mint a deszkriptív, diagnosztikai vagy preszkriptív statisztika, mielőtt bonyolult gépi tanulási modellekbe fektetnénk.
Az elvárásmenedzsment: Az AI mint "drága kísérletezés"
Az AI fejlesztés természetéből fakadóan nem determinisztikus, ezért a hagyományos szoftverfejlesztési "feature factory" szemléletmód – ahol előre meghatározott határidőre garantált eredményt várnak – gyakran kudarccal végződik.
-
Az AI fejlesztést érdemesebb a gyógyszeripari K+F folyamatokhoz hasonlítani, ahol a kísérleti jelleg miatt a siker nem garantálható előre.
-
A fejlesztéseknek nem pusztán költségcsökkentésről vagy emberi munka kiváltásáról kell szólniuk, hanem új, korábban nem elérhető üzleti lehetőségek feltárásáról.
A sikeres analitika megköveteli a megfelelő adatminőséget és a háttérben zajló adatgazdálkodási (data governance) folyamatokat, amelyeket a cégek sokszor unalmasnak találnak és emiatt elhanyagolnak. Az előadás zárásaként elhangzott, hogy a jövőben a szervezeteknek az AI kompetenciáikat nem csupán technológiai, hanem stratégiai és üzleti fókusszal kell kialakítaniuk a fenntartható eredmények érdekében.