Secondo uno studio condotto da Rand Corporation, che ha intervistato 65 persone esperte in progetti di intelligenza artificiale tra accademici e professionisti dell’industria, sono emerse cinque cause principali che portano al fallimento dei progetti di AI.
Le cinque cause di fallimento secondo Rand
In primo luogo, spesso si verifica un fraintendimento o una mancata comunicazione su quale problema debba essere effettivamente risolto tramite l’AI. Troppo spesso, i modelli di AI addestrati vengono implementati ottimizzando le metriche sbagliate o senza integrarsi correttamente nel flusso di lavoro e nel contesto aziendale.
In secondo luogo, molti progetti falliscono perché l’organizzazione non dispone dei dati necessari per addestrare in modo adeguato un modello di AI efficace.
Terzo, in alcuni casi, i progetti di AI falliscono perché l’attenzione è maggiormente rivolta all’utilizzo delle tecnologie più recenti e avanzate piuttosto che alla risoluzione di problemi reali per gli utenti finali.
Quarto, le organizzazioni potrebbero non avere un’infrastruttura adeguata per gestire i dati e implementare i modelli completati, aumentando la probabilità di fallimento del progetto. Infine, a volte i progetti di AI falliscono perché la tecnologia viene applicata a problemi troppo difficili da risolvere con l’AI attuale, che non è una bacchetta magica in grado di automatizzare qualsiasi compito complesso.
1. L’importanza di comprendere lo scopo del progetto e il contesto di dominio
Gli errori di comunicazione e i fraintendimenti riguardo alle intenzioni e agli obiettivi del progetto rappresentano la causa principale del fallimento dei progetti di AI più di qualsiasi altro fattore. Sia i leader aziendali che gli ingegneri hanno un ruolo da svolgere per evitare questo esito. I leader aziendali devono aiutare il personale tecnico a comprendere ciò che davvero si vuole ottenere dal progetto di AI e come il prodotto finito verrà utilizzato. Non si può presumere che il team di ingegneri possa scoprire autonomamente quali scelte progettuali allinearsi agli intenti aziendali. Allo stesso tempo, i ricercatori e gli ingegneri di AI devono guadagnarsi la fiducia dei propri stakeholder aziendali, tenendoli informati sui progressi, lo stato del progetto e qualsiasi scoperta intermedia. Le organizzazioni dovrebbero ripensare i processi in atto per facilitare queste connessioni e interazioni tra i vari membri del team e gli stakeholder.
2. Scegliere problemi duraturi per l’implementazione dell’AI
I progetti di AI richiedono tempo e pazienza per essere completati con successo. Gli scienziati dei dati e gli ingegneri dei dati hanno bisogno di spazio per esplorare, comprendere e curare i dati disponibili prima di tentare di addestrare un modello di AI che apprenderà come comportarsi da quei dati. Cambiare rapidamente le priorità del team e inseguire la crisi o l’opportunità del momento può portare a una serie di progetti di AI abbandonati prima che abbiano la possibilità di fornire risultati tangibili. Prima di iniziare qualsiasi progetto di AI, i leader dovrebbero essere pronti a impegnare ogni team di prodotto nella risoluzione di un problema specifico per almeno un anno. Se un progetto di AI non merita un impegno a lungo termine, molto probabilmente non vale la pena intraprenderlo affatto – soprattutto perché un progetto di AI con una tempistica eccessivamente accelerata è probabile che fallisca senza mai raggiungere il suo obiettivo previsto.
3. Concentrarsi sul problema, non sulla tecnologia
Gli ingegneri esperti intervistati da Rand hanno affermato che i team di progetto di successo hanno mantenuto una chiara focalizzazione sul problema aziendale da risolvere invece che sulla tecnologia che sarebbe stata utilizzata per risolverlo. Inseguire gli ultimi progressi nell’AI per se stessi è una delle vie più frequenti verso il fallimento. Invece, i leader di un’organizzazione devono collaborare con i tecnologi per assicurarsi che selezionino progetti di AI che siano adatti alla tecnologia e che risolvano un problema reale per gli utenti finali previsti. Non importa quanto impressionante possa apparire una nuova tecnologia, in definitiva qualsiasi tecnologia – anche l’AI – è semplicemente uno strumento da utilizzare piuttosto che un fine a se stesso.
4. Investire nell’infrastruttura per supportare l’AI
I problemi legati ai dati sono tra le principali ragioni del fallimento dei progetti di AI. Costruire un’infrastruttura di dati per pulire, acquisire e monitorare in modo affidabile i flussi di dati può migliorare sostanzialmente i dati di un’organizzazione e garantire che più progetti di AI abbiano successo. Inoltre, gli investimenti nelle infrastrutture per implementare automaticamente i modelli di AI consentono alle organizzazioni di distribuirli in produzione più rapidamente e in modo affidabile, dove possono offrire benefici reali agli utenti reali. Troppo spesso le aziende non riconoscono il valore che questo tipo di investimenti può fornire; invece, passano rapidamente da un progetto di AI all’altro senza prendersi il tempo di investire in strumenti comuni che renderebbero i loro team di data science più produttivi.
5. Comprendere i limiti dell’intelligenza artificiale
Infine, nonostante tutta l’enfasi sull’AI come tecnologia, l’AI ha ancora limitazioni tecniche che non possono sempre essere superate. I leader non possono trattare l’AI come una bacchetta magica in grado di risolvere qualsiasi problema o automatizzare qualsiasi processo. Invece, i leader devono collaborare con i loro esperti tecnici per scegliere progetti che siano adatti alle capacità dell’AI e che possano offrire un valore significativo all’organizzazione. I leader non hanno necessariamente bisogno di una profonda comprensione tecnica dell’AI, ma devono impiegare personale con solide competenze di data science quando selezionano gli obiettivi per i loro team di prodotti di AI. Presumere semplicemente che l’AI possa risolvere qualsiasi problema rischia di mettere il team sulla strada del fallimento.
Nota metodologica
Per capire perché i progetti di AI falliscono, i ricercatori di Rand hanno condotto uno studio studio esplorativo, intervistando scienziati dei dati e ingegneri con almeno cinque anni di anni di esperienza nella costruzione di modelli di IA/ML nell’industria o nel mondo accademico.
La ricerca è stata completata nell’aprile 2024 ed è stata sottoposta a revisione di sicurezza con lo sponsor e l’Ufficio della Difesa per la pre-pubblicazione e la sicurezza prima della pubblicazione.
