Запуск предприятия AI/Data Science — монументальная задача, мало чем отличающаяся от задачи открытия нового ресторана. Аналогия не просто иллюстративна; это подчеркивает сложность и требования такого предприятия. В этом начинании создание убедительной модели (эквивалентной приготовлению вкусной пиццы) — лишь один из аспектов работы. Более серьезная проблема заключается в эффективной и действенной доставке этой модели (подобно умелой подаче в шумном ресторане). Этот процесс, если им неправильно управлять, может привести к провалу проекта.

Последние данные подтверждают эту отрезвляющую реальность. Согласно статье 2022 года, опубликованной Международным институтом бизнес-анализа™ (IIBA®), уровень отказов для проектов с большими данными, аналитики и искусственного интеллекта тревожно высок и составляет 85%, согласно Designing for Analytics. Кроме того, VentureBeat сообщает, что ошеломляющие 87% проектов по науке о данных никогда не проходят через чертежную доску и не переходят в стадию производства.

Эти цифры не должны обескураживать вас, а скорее служить катализатором. Они подчеркивают необходимость тщательного решения определенных ключевых вопросов, прежде чем вы с головой погрузитесь в свое предприятие, чтобы убедиться, что вы окажетесь среди 15 % успешных людей. Только когда эти критические соображения будут удовлетворены, вы можете приступить к внедрению методологий управления проектами, таких как Agile и UX-процессы. Мы углубимся в эти методы в нашей следующей публикации в блоге.

Какова ваша определенная цель?

Как и в любом начинании, вы должны «начинать с конца» для своего проекта AI / Data Science. Подобно владельцу ресторана, которому необходимо четкое видение перед началом строительства, вы должны определить цели своего проекта ИИ или науки о данных. Вы стремитесь к максимальной точности, минимизации времени обработки или сокращению затрат? Цели модели должны быть четко сформулированы и поддаваться измерению.

Можете ли вы визуализировать требования и среду обслуживания модели?

Установив четкую цель, представьте идеальный сценарий реализации модели. Как и где будет развернута модель? Кто будет его использовать, и какая инфраструктура и компетенции необходимы для его поддержки? Есть ли у вас ресурсы для реализации сложной модели машинного обучения? Обладают ли конечные пользователи необходимыми техническими навыками для его эксплуатации? Это важные вопросы, которые могут существенно повлиять на успех вашего проекта.

Как вы будете обеспечивать удовлетворенность конечных пользователей?

Точно так же, как успех ресторана зависит от удовлетворенности клиентов, успех вашего проекта AI/Data Science зависит от удовлетворенности конечных пользователей. Соответствуют ли модель и ее результаты потребностям пользователей? Удобна ли она для пользователя и легко ли она интегрирована с их существующими рабочими процессами и системами? Понимание предпочтений и ограничений ваших пользователей может помочь вам разработать модель, которая будет одновременно полезной и удобной для пользователя.

Проверили ли вы свою концепцию?

Волнение перед инновационной концепцией часто заставляет людей торопливо строить вокруг нее проекты, но позже они понимают, что эта идея не так плодотворна, как они думали вначале. Поэтому, прежде чем выделять ресурсы на полномасштабный проект AI/Data Science, целесообразно проверить вашу концепцию в меньшем масштабе. Создайте прототип своей модели и протестируйте его на небольшой группе пользователей или проведите пилотное исследование, чтобы оценить осуществимость и потенциальное влияние вашего проекта.

В заключение, начинать проект AI/Data Science без решения этих ключевых вопросов — все равно, что открывать ресторан без четкого бизнес-плана. Это рискованная стратегия, которая может сработать, но вы можете существенно повысить шансы своего проекта на успех, тщательно взвесив свои цели, среду обслуживания, удовлетворенность пользователей и проверку.

Чтобы убедиться, что вы ответили на все самое необходимое, мы составили список соответствующих вопросов на вынос:

  1. Какова точная цель проекта? Как мы будем определять и измерять успех?
  2. Кто является конечным пользователем модели? Каковы их навыки, требования и ограничения?
  3. Можем ли мы представить себе идеальный сценарий реализации модели? Как выглядит успешная реализация в среде конечных пользователей?
  4. Как будет использоваться модель? Будет ли он легко интегрироваться в существующий рабочий процесс или создаст новый?
  5. Каковы требования к сервировке? Какая инфраструктура и ресурсы требуются для развертывания модели?

6. Достаточно ли наших данных и подходят ли они для наших целей? Нужно ли нам собирать больше данных или повышать качество существующих данных?

  1. С какими потенциальными проблемами и препятствиями мы можем столкнуться? Как мы можем смягчить их?
  2. Как мы можем проверить нашу идею, прежде чем вкладывать в нее значительные средства? Можем ли мы создать прототип или провести пилотное исследование?

Для оптимизации взаимодействия с пользователем рассмотрите следующие дополнительные вопросы:

  1. Как сделать модель максимально удобной для пользователя? Можем ли мы упростить интерфейс или процесс использования модели?
  2. Как мы можем гарантировать, что пользователи понимают результаты модели? Можем ли мы предоставить объяснения или визуализацию, чтобы облегчить интерпретацию?
  3. Как сделать так, чтобы модель плавно интегрировалась в существующие рабочие процессы пользователей? Можем ли мы настроить его в соответствии с их конкретными потребностями и ограничениями?
  4. Как мы будем собирать и учитывать отзывы пользователей? Можем ли мы создать каналы для пользователей, чтобы они могли выражать свои потребности, опасения и предложения?
  5. Как мы можем гарантировать, что модель продолжает удовлетворять потребности пользователей по мере их развития с течением времени? Можем ли мы сделать модель адаптируемой или регулярно обновлять ее?

Прежде чем приступить к этапу разработки, очень важно обсудить эти вопросы с вашей командой. Помните, что это совместный процесс: чем больше точек зрения вы рассматриваете, тем выше ваши шансы на создание успешного предприятия в области ИИ/науки о данных. Как только эти соображения будут удовлетворительно рассмотрены, вы будете готовы использовать процессы Agile и UX в своем подходе к управлению проектами — тему, которую мы рассмотрим в нашей следующей публикации в блоге.

Дополнительные материалы на PlainEnglish.io.

Подпишитесь на нашу бесплатную еженедельную рассылку новостей. Подпишитесь на нас в Twitter, LinkedIn, YouTube и Discord .