AI महाविनाश: 80% प्रोजेक्ट विफल हो रहे हैं और अरबों डॉलर बर्बाद हो रहे हैं

 (salesforcedevops.net)
37 पॉइंट द्वारा GN⁺ 2024-08-29 | 6 टिप्पणियां | WhatsApp पर शेयर करें
  • RAND की नई रिपोर्ट दिखाती है कि AI को लेकर Hype के बावजूद अधिकांश प्रोजेक्ट विफल हो जाते हैं
    • RAND: अमेरिका के प्रमुख think tank में से एक। नाम का अर्थ R&D है। इसे 1948 में Douglas Aircraft ने स्थापित किया था
  • यह रिपोर्ट 65 अनुभवी data scientist और engineer के इंटरव्यू पर आधारित है, और इन विफलताओं के मूल कारणों को उजागर करते हुए सफलता के लिए एक roadmap पेश करती है

नेतृत्व की विफलता: अंधा अंधे को रास्ता दिखा रहा है

  • AI प्रोजेक्ट विफल होने का सबसे बड़ा कारण technology नहीं, बल्कि top management है
  • management अक्सर यह गलत समझता है या ठीक से संप्रेषित नहीं कर पाता कि AI से किस समस्या को हल करना है
  • management को AI से अत्यधिक उम्मीदें होती हैं और सफल AI implementation के लिए जरूरी समय और संसाधनों को कम करके आंका जाता है
  • management और technical team के बीच स्पष्ट communication और project goals की समझ की कमी के कारण AI initiative शुरुआत से ही विफल होने के लिए अभिशप्त हो जाता है
  • कई संगठनों में सफल AI implementation के लिए जरूरी patience की कमी होती है। प्रोजेक्ट अक्सर बीच में छोड़ दिए जाते हैं या वास्तविक value साबित करने का मौका मिलने से पहले ही नई priorities की ओर मोड़ दिए जाते हैं

डेटा दुविधा: कचरा डालो, कचरा पाओ

  • data quality दूसरा सबसे महत्वपूर्ण अवरोध बनकर उभरती है: "AI का 80% data engineering का गंदा काम है"
  • कई संगठनों के पास प्रभावी AI model को train करने लायक पर्याप्त high-quality data नहीं है
  • legacy dataset AI training के लिए उपयुक्त नहीं हो सकते
  • data engineer की कमी knowledge loss और project cost बढ़ने का कारण बनती है
  • AI team में domain expertise की कमी से data की गलत व्याख्या हो सकती है और model design में खामियां आ सकती हैं

चमकदार चीजों के पीछे भागना: जब engineer फोकस खो देते हैं

  • engineer स्वयं भी project failure में योगदान देते हैं
  • कई data scientist और engineer, जबकि सरल solution पर्याप्त हो सकता है, फिर भी नवीनतम तकनीकी प्रगति का उपयोग करने की ओर आकर्षित होते हैं
  • इस "चमकदार चीज" का पीछा करने की प्रवृत्ति ऐसे अनावश्यक रूप से जटिल solution तक ले जा सकती है जिन्हें maintain करना और stakeholders को समझाना कठिन होता है
  • संगठनों को innovation और practicality के बीच संतुलन बनाना चाहिए। तकनीकी प्रगति के साथ बने रहना महत्वपूर्ण है, लेकिन वास्तविक business problem को प्रभावी ढंग से हल करने पर ध्यान देना और भी जरूरी है

इन्फ्रास्ट्रक्चर: सफलता की कम आकर्षक नींव

  • infrastructure में निवेश की कमी AI project failure का एक और प्रमुख कारण है
  • कई कंपनियां जरूरी नींव पहले तैयार किए बिना AI project शुरू करने की कोशिश करती हैं
  • संगठनों को AI implementation के प्रति अधिक व्यापक दृष्टिकोण अपनाने की जरूरत है। इसका अर्थ है मजबूत data pipeline, automated testing और deployment system, तथा production में model performance की monitoring के लिए tools में निवेश करना
  • कई संगठन सफल AI prototype से production-ready system तक के संक्रमण में संघर्ष करते हैं। यह "last mile" समस्या अक्सर आशाजनक प्रोजेक्ट को पटरी से उतार देती है

सिफारिशें: AI महत्वाकांक्षाओं के लिए वास्तविकता जांच

  • RAND रिपोर्ट ने AI project की सफलता दर बढ़ाने के लिए संगठनों को निम्नलिखित सिफारिशें दी हैं:
  • यह सुनिश्चित करें कि technical staff project के उद्देश्य और business context को समझे। रिपोर्ट कहती है, "project की मंशा और उद्देश्य को लेकर गलतफहमी और गलत communication, AI project failure का सबसे आम कारण है।" इसके लिए business team और technical team के बीच निरंतर संवाद, तथा साझा समझ और terminology बनाने का प्रयास जरूरी है।
  • ऐसी समस्या चुनें जिस पर टिके रह सकें। "AI project शुरू करने से पहले leaders को यह सुनिश्चित करना चाहिए कि हर product team कम से कम 1 साल तक किसी विशेष समस्या को हल करने के लिए प्रतिबद्ध रहने के लिए तैयार हो।" यह सिफारिश त्वरित परिणामों के पीछे भागने या लगातार priorities बदलने की प्रवृत्ति का विरोध करती है। दीर्घकालिक और उच्च-प्रभाव वाली समस्याओं पर ध्यान केंद्रित करके संगठन AI initiative को सफलता के लिए आवश्यक समय और संसाधन दे सकते हैं।
  • technology नहीं, समस्या पर ध्यान दें। "सिर्फ नई AI technology के पीछे भागना विफलता की सबसे आम राहों में से एक है।" रिपोर्ट जोर देती है कि काम के लिए सही tool चुनना महत्वपूर्ण है, भले ही वह सबसे cutting-edge solution न हो। इसके लिए यह भी संभव है कि संगठन अपनी technical team का मूल्यांकन और reward देने के तरीके में बदलाव करें।
  • infrastructure में निवेश करें। "data governance और model deployment को support करने के लिए पहले से किया गया infrastructure investment, AI project पूरा करने में लगने वाले समय को काफी कम कर सकता है।" ऐसे निवेश AI research जितने आकर्षक नहीं लग सकते, लेकिन दीर्घकालिक सफलता के लिए महत्वपूर्ण हैं। इसमें मजबूत data pipeline बनाना, model और data के लिए version control लागू करना, तथा deployed AI solution की monitoring और maintenance के लिए system विकसित करना शामिल है।
  • AI की सीमाओं को समझें। "AI कठिन समस्याओं को हल करने वाली कोई जादुई छड़ी नहीं है। कुछ मामलों में सबसे उन्नत AI model भी कठिन कार्यों को automate नहीं कर सकते।" रिपोर्ट AI क्या कर सकता है और क्या नहीं, इसका अधिक यथार्थवादी आकलन करने की मांग करती है, और संगठनों से अपेक्षाएं कम करने तथा उन क्षेत्रों पर ध्यान देने का आग्रह करती है जहां AI वास्तव में value create कर सकता है।

अकादमिक दृष्टिकोण: paper publish करो या गायब हो जाओ

  • इस अध्ययन ने academic AI research की भी जांच की और पाया कि paper publishing का दबाव तथा प्रतिष्ठा की खोज अक्सर वास्तविक application पर भारी पड़ती है
  • रिपोर्ट बताती है, "यदि AI project से paper publish नहीं हुआ, तो उसे सफलता नहीं माना गया," जो academic incentives और real-world impact के बीच असंगति को उजागर करता है
  • paper publication-केंद्रित यह दृष्टिकोण शोधकर्ताओं को ऐसे नवीन लेकिन अव्यावहारिक approaches को प्राथमिकता देने के लिए प्रेरित कर सकता है, बजाय उन incremental improvements के जो वास्तविक दुनिया में महत्वपूर्ण प्रभाव डाल सकते हैं
  • रिपोर्ट सुझाव देती है कि academic institutions को AI research में सफलता के मानदंडों का विस्तार करना चाहिए, ताकि उनमें practical application या industry collaboration से जुड़े metrics भी शामिल हों
  • अध्ययन ने यह भी पाया कि कई academic researchers को high-quality real-world dataset तक पहुंच पाने में कठिनाई होती है। इससे academic research और वास्तविक application के बीच दूरी बढ़ सकती है
  • रिपोर्ट academic, industry, और government institutions के बीच सहयोग बढ़ाने की सिफारिश करती है, ताकि शोधकर्ताओं को privacy और security उपायों को बनाए रखते हुए अधिक प्रासंगिक data तक पहुंच मिल सके

AI उद्योग के लिए चेतावनी की घंटी

  • यह RAND रिपोर्ट AI उद्योग के लिए बेहद जरूरी reality check का काम करती है
  • AI की क्षमता अभी भी बहुत बड़ी है, लेकिन सफल implementation का रास्ता चुनौतियों से भरा हुआ है
  • संगठनों को Hype और वास्तविकता के बीच की दूरी को पाटना होगा, और data quality, infrastructure, skills, तथा technical और business teams के बीच स्पष्ट communication जैसी मजबूत बुनियादों पर ध्यान देना होगा
  • जैसा कि एक interviewee ने समझदारी से कहा, "stakeholder process में शामिल होना चाहते हैं। जब आप कहते हैं, 'इसमें उम्मीद से ज्यादा समय लग रहा है, इसलिए 2 हफ्ते बाद फिर संपर्क करेंगे,' तो उन्हें यह पसंद नहीं आता। वे जिज्ञासु होते हैं।" यह AI project के पूरे दौरान निरंतर और पारदर्शी communication की आवश्यकता को रेखांकित करता है, ताकि सभी stakeholders को जानकारी मिलती रहे और वे जुड़े रहें
  • रिपोर्ट AI development में patience और perseverance के महत्व पर भी जोर देती है। त्वरित परिणाम दुर्लभ हैं, और संगठनों को AI initiative से वास्तविक लाभ पाने के लिए दीर्घकालिक प्रयास के लिए तैयार रहना चाहिए। इसके लिए short-term thinking से हटकर AI implementation के प्रति अधिक रणनीतिक और दीर्घकालिक दृष्टिकोण अपनाने वाली organizational culture और expectations में बदलाव की जरूरत हो सकती है
  • इन सबक को अपनाकर और AI development के प्रति अधिक यथार्थवादी तथा धैर्यपूर्ण दृष्टिकोण लेकर संगठन इस परिवर्तनकारी क्षेत्र में अपनी सफलता की संभावना बढ़ा सकते हैं

"AI का भविष्य उज्ज्वल है, लेकिन केवल उन लोगों के लिए जो इसके रास्ते में खड़ी बेहद मानवीय चुनौतियों से पार पा सकते हैं। जैसे-जैसे उद्योग परिपक्व होगा, innovation और practicality के बीच संतुलन बनाने वाले, और technical excellence के साथ business sense रखने वाले लोग AI की वास्तविक क्षमता का उपयोग करने के लिए सबसे बेहतर स्थिति में होंगे।"

संबंधित पढ़ाई

6 टिप्पणियां

 
piljae 2024-09-03

अगर कंपनियां विफलता को सहन कर सकें...
आखिर में वही जीतता है जो टिके रह सकता है.
 
mobizen 2024-08-29

यह पोस्ट काफ़ी relatable लग रही है ^^ अगर एक छोटी-सी आपत्ति उठाऊँ तो... इस संदर्भ में 'Publish' का अनुवाद 'प्रकाशन' नहीं, बल्कि 'शोधपत्र प्रस्तुत करना' ज़्यादा स्वाभाविक लगता है।
 
aer0700 2024-08-29

किसी समझदार व्यक्ति ने बहुत पहले एक बुनियादी सवाल छोड़ा था...
क्या इससे पैसा बनेगा?
 
koreaisbest 2024-08-29

कंपनियाँ जल्दी मुनाफ़ा कमाने की कोशिश कर रही हैं, और सिर्फ़ नाम मात्र का AI-वाला कुछ भी बेच रही हैं, जबकि यूज़र की अपेक्षाओं का स्तर तो शायद कम-से-कम 10 साल से ज़्यादा के निवेश के बाद आने वाले नतीजों जैसा होगा.. मुश्किल है..
 
savvykang 2024-08-29

कल्पना कीजिए कि LLM से बनाए गए बेतुके वित्तीय विवरणों के आंकड़े निवेशकों तक गलत तरीके से पहुंचा दिए जाएं, तो कोई भी तर्कसंगत प्रबंधक LLM को लेकर इतनी दीवानगी नहीं दिखाएगा। मुझे लगता है कि कुछ लोग, जो कितना भी समझाने पर अड़े रहते हैं, उनके लिए शर्मनाक अनुभव ही दवा साबित होगा।
 
GN⁺ 2024-08-29
Hacker News राय

  • RAND रिपोर्ट: इसमें कहा गया है, "इंडस्ट्री स्टेकहोल्डर्स AI से हल की जाने वाली समस्याओं को गलत समझते हैं या गलत तरीके से पेश करते हैं"

    • एक डेटा साइंटिस्ट के रूप में, डोमेन पार्टनर्स अक्सर डेटा मॉडल के योगदान का अधिक आकलन करते हैं
    • डेटा साइंटिस्ट्स और ML इंजीनियर्स को शुरुआती योजना चरण में मॉडल के वास्तविक प्रभाव का निर्धारण करना चाहिए
    • AI/ML टूल्स को सिर्फ plug-and-play solution की तरह लेने पर असफलता की संभावना बहुत अधिक होती है

  • निवेश विफलता का मुद्दा: 80% विफलता अपने आप में समस्या नहीं है; बचे हुए 20% में से कुछ black swan पूरे निवेश पोर्टफोलियो को लाभदायक बना सकते हैं

    • अगर जो बचे हैं वे मूल्यहीन हैं, तो वह निवेश धन की बर्बादी है
    • यदि सब कुछ एक ही खिलाड़ी पर लगाया जाए और वह खिलाड़ी विफल हो जाए, तो पूरी बाज़ी हार जाती है

  • Rand Report लिंक: Rand Report

  • AI के दुरुपयोग का मुद्दा: कंपनियां अक्सर निर्देश देती हैं, "जहां-तहां AI डाल दो"

    • AI का अंधाधुंध उपयोग अपने आप में समस्या का संकेत है
    • सिर्फ शेयर कीमत बढ़ाने के लिए हर जगह AI को जबरन ठूंसना तर्कसंगत नहीं है

  • स्टार्टअप सफलता दर: 3 साल के भीतर 90% स्टार्टअप्स के विफल होने की तुलना में 80/20 नियम बेहतर है

  • इतिहास दोहराता है: DART का एक उदाहरण है, जिसे 1991 में पेश किया गया था और जिसने 1995 तक DARPA की AI रिसर्च फंडिंग की भरपाई कर दी थी

  • AI फीचर समस्या: AI फीचर्स बने रहते हैं क्योंकि मैनेजमेंट AI के प्रति अत्यधिक आसक्त है

    • इंजीनियर्स समय, मेहनत और पैसे की बर्बादी की चेतावनी देते हैं, लेकिन मैनेजमेंट AI के प्रति अपना जुनून नहीं छोड़ता
    • इससे पता चलता है कि अधिकांश मैनेजमेंट सिर्फ ट्रेंड्स के पीछे अंधाधुंध भागता है

  • R&D सफलता दर: cutting-edge tech में 20% प्रोजेक्ट्स का सफल होना काफ़ी अच्छा परिणाम हो सकता है

  • AI द्वारा coding replacement: AI coding की जगह ले लेगा, इस दावे को लेकर संदेहपूर्ण नज़रिया है

    • Nvidia stock को short करने की योजना है

  • वेबसाइट डाउन: HN ट्रैफिक संभाल न पाने के कारण Wordpress साइट डाउन हो गई

    • "डेटाबेस कनेक्शन त्रुटि" हुई