Вторая причина неудач заключается в неправильном построении самих моделей ИИ, а точнее в отсутствии двух условий.

● Дисциплина. Несмотря на то что наука о данных, как и другие науки, носит исследовательский характер (вы не знаете, что можно извлечь из данных, пока не поработаете с ними), подход должен быть четко определенным, дисциплинированным и нацеленным на получение результата в кратчайший срок.

● Квалифицированные специалисты. Хороший аналитик данных быстро ставит опыты, учится на своих опытах, видит разницу между перспективными и неэффективными подходами, изучает и внедряет передовые методы. Хороший специалист быстро, в параллельном режиме создает минимально жизнеспособные продукты.

Масштабирование

Третья причина неудач – недостаточный масштаб, отсутствие возможности быстро создавать и улучшать несколько моделей ИИ одновременно. Часто эта проблема сводится к тому, что аналитики данных не имеют возможности работать совместно, повторно использовать конвейеры обработки данных, рабочие процессы, модели и алгоритмы, а также воспроизводить результаты моделирования. Масштабирование также подразумевает отслеживание и быструю реакцию на обратную связь от операций (в тестовой, промежуточной или продуктивной средах). Массовая работа с ИИ требует как соответствующей инфраструктуры, так и правильного подхода к управлению моделью.

Внедрение и окупаемость

Четвертой причиной неудач является неспособность внедрить модель в операции и получить экономический эффект. Вообще говоря, разработка модели ИИ преследует одну из двух целей:

● чтобы прийти к ранее неизвестные выводам;

● чтобы автоматизировать принятие решений (как для снижения затрат, так и для повышения производительности).

Очевидно, что модель не может выполнить эти задачи, не выйдя за пределы лаборатории. Кроме того, необходимо не только внедрить модели (то есть сделать их доступными для людей и систем), но и включить их в потоки работ таким образом, чтобы они использовались в операциях. Возникающие исключения (например, когда модель не обеспечивает достаточно высокую вероятность правильного решения) должны грамотно обрабатываться (например, путем вмешательства человека, переобучения модели или отката к предыдущей версии). Внедрение и монетизация ИИ требует постепенной, но полной интеграции моделей с потоками работ, мониторинга входных данных и эффективности моделей, а также управления развертыванием моделей.

На следующем рисунке показан пример рамочной модели, в которой ИИ интегрируется с BPM.