Az informatikai projektek nem kis százaléka végződik valamilyen szempontból kudarccal – a mesterségesintelligencia-projektek esetében azonban mintha még magasabb lenne ez a szám. Számos oka van, hogy miért nem sikerül kiaknázni a technológiában rejlő előnyöket – de ezek mindegyike elkerülhető odafigyeléssel és tervezéssel.
◼︎ Az MI-megvalósítás göröngyös útja
A generatív mesterséges intelligencia forradalmát követően a technológia körül akkora a felhajtás, hogy minden korábbinál erősebben jelentkezik a FOMO-effektus (fear of missing out, lemaradni valami fontosról). A korábban ódzkodó vállalatok is sorra igyekeznek alkalmazni a nyelvi modelleket és vágnak bele jövedelmezőnek ígérkező MI-projektekbe.
Az eredmény a vállalatok szempontjából azonban sokszor csalódást keltő. Nem egy felmérés szerint az MI-projektek túlnyomó többsége – akár 70-80 százaléka is – kudarccal végződik. A mesterséges intelligencia hatékony használata az üzleti célok elérése érdekében komoly kihívás. Sokan hajlamosak elfelejteni, hogy az MI nem maga a cél, hanem csak eszköz, technológia az áhított végcél eléréséhez.
A nem teljesült elvárások, a csalódott üzleti felhasználók, a vakvágányra futott kezdeményezések nem csak az elpazarolt erőforrások miatt fájdalmasak. Sokkal kártékonyabb a hosszabb távú hatás: kiábrándulás a technológiából, az innováció feladása, és ami ebből következik, lemaradás az üzleti versenyben.
Nézzük meg, melyek a legfőbb okok, amelyek az MI-projektek kudarca mögött állnak, és hogyan lehet azokat elkerülni!
Szakadék az elvárások és a valóság között
A bukás leggyakoribb oka, hogy az elvárások köszönőviszonyban sincsenek az adott vállalat valóságos helyzetével. A cégvezetők többnyire csak a sikersztorikat látják (akarják látni) a prezentációkban – az adatelőkészítés fáradságos folyamatát, az infrastrukturális követelményeket, a tehetségek összegyűjtésének és a szervezeti változások kezelésének megerőltető munkáját viszont ritkábban hangsúlyozzák előttük.
Az MI gyorsan mítosszá vált: a köztudatban gyakran varázstechnológiaként tekintenek rá, amelyet „csak” alkalmazni kell, és máris megold minden üzleti és egyéb problémát. Az igazság sajnos bonyolultabb. Képzeljük el, hogy a fogyasztói termékek értékesítésében rutinos cég vezetőségét megihleti az MI ellátási láncokat optimalizáló tevékenységének ígérete, ezért milliókat fektetnek a technológiába. Fél év alatt kifinomult algoritmusokat fejlesztenek, ám azok nagyrészt használhatatlanok, mert közben senki nem foglalkozott az örökölt rendszerekkel, a rajtuk tárolt adatok töredezettségével, inkonzisztenciájával. A csúcskategóriás MI ezekben az esetekben olyan, mintha a legmodernebb atom-tengeralattjáróval próbálnánk hegyi patakokon feljutni.
Nem egyértelmű stratégiai célok
Szintén a vállalat menedzsmentjének felelőssége, hogy sok MI-projekt kritikus jelentőségű hibával indul: nincs egyértelmű kapcsolat a valódi üzleti környezet és a stratégiai célok között. A mesterséges intelligenciát a problémakeresésre, nem pedig azok orvosolására fejlesztik.
| A bevezetés gátjai
Az Atomicwork idei felmérésében az MI széleskörű alkalmazásának akadályairól kérdeztek infokommunikációs szakembereket. A válaszadók több mint fele szerint az irányítási és megfelelési (governance és compliance) problémák az MI elfogadásának első számú gátjai. Második helyen az egymáshoz szorosan kapcsolódó adatbiztonság (47 százalék) és az adatvédelem (43 százalék) áll: átfogó adatbiztonsági intézkedések és robusztus adatvédelem nélkül komoly gondok adódhatnak az MI-vel. Ezt követően, az előzőtől nem sokkal lemaradva következik a szakértelem hiánya (41 százalék). A magas költségek a válaszadók 36 százalékánál jelentettek akadályt az MI bevezetése előtt. Szintén a kudarc okai között emlegették az informatikai vezetők a megtérülés tisztázatlanságát és a szervezeti tehetetlenséget – ez is mutatja a sikerkritériumok világos definiálásának fontosságát. |
Tipikus hiba, hogy azért vágnak bele MI-kezdeményezésekbe, mert a versenytársak is ezt teszik, vagy mert valamelyik szakértőtől olvastak a technológia előnyeiről. Ezek a projektek genezisüktől kezdve kudarcra ítéltettek, mert nem kötődnek mérhető, számszerűsíthető, konkrét üzleti célokhoz. Sok vállalat a siker egyértelmű definiálása és a mérőszámok konkrét megfogalmazása nélkül indít MI-projektet, mintegy rutinból vagy mert kötelességének érzi.
Pedig felhőkarcolót sem építenek megszokásból vagy kényszerből, nem tudva, pontosan ki is a célközönség, és milyen célt szolgál egyáltalán. Ahogy a régi mondás tartja: aki nem tudja, melyik kikötőbe tart, annak egyetlen szél sem jó.
Szakemberhiány és szakszerűtlen projektmenedzsment
A tehetséges MI-specialisták és a tapasztalt projektmenedzserek hiánya szintén komoly probléma szokott lenni. Kevés az adattudós, és még náluk is kevesebb a technológiai hozzáértés és az üzleti érzék ritka kombinációjával rendelkező szakember. (Ez a tehetséghiány a meglévő MI-rendszerek működtetésében is érezhető.)
Másrészt, sok szervezet irányítási szerkezete egyszerűen nem alkalmas MI-projektek megvalósítására, mert nem egyértelmű a felelősségek elosztása. Nem tudni pontosan, kié a projekt, ki hoz döntéseket, ha például a költségek és a minőség arányát kell megtalálni, vagy ha teljesítménnyel kapcsolatos kompromisszumra van szükség. Ha ezek a szerepek nem világosak, akkor az egyértelmű elszámoltathatóság és döntési keretek nélkül az MI-kezdeményezés gyorsan holtvágányra futhat.
Határozott vállalati stratégia és jó projektmenedzsment nélkül a vállalat különböző részlegei egymástól függetlenül és koordináció nélkül fognak különféle MI-megoldásokon dolgozni. A közös célok érdekében történő együttműködés helyett az erőforrásokért való versengés, azok pazarlása vagy kihasználatlansága, milliók felesleges elköltése, inkompatibilis rendszerek és abbahagyott projektek lesz az eredmény.
Hiányzó technológiai alapok
A mesterséges intelligencia nem egyszerű technológia, nagyvállalati környezetben mindenképpen kellenek hozzá a korábban elsajátított és megvalósított technológiai alapok és képességek.
A technológiát sikeresen alkalmazó vállalatok már jártasak az adattárolásban, a hagyományos adatelemzésben és az üzleti intelligenciában, és csak ezek után kezdenek el gépi tanulással és más MI-módszerekkel foglalkozni. Képzeljük el, hogy a heti értékesítési jelentések elkészítéséhez sem igazán értő kiskereskedő MI-alapú, személyre szabott, valósidejű árképzést igyekszik bevezetni. Aligha lesz sikeres.
Gyenge adatminőség
Szintén gyakori oka az MI-projektek kudarcainak a rossz minőségű és/vagy szakszerűtlenül kezelt adatvagyon. A vállalatok hajlamosak alábecsülni a mesterséges intelligencia betanításához és hatékony működéséhez szükséges adatok mennyiségét és minőségét. Az MI-rendszerek alapvetően adatfeldolgozást végeznek, és ha rossz adatokkal dolgoztatjuk őket, a kimenet, a végeredmény is rossz lesz.
Vegyünk például egy egészségügyi intézményt, amelyik úgy dönt, hogy gépi tanuláson alapuló MI-t fog használni annak előrejelzésére, hogy a páciensek mikor fognak majd munkába állni. Ha a gyakorlóadatokban jelentős torzítások mutathatók ki, a betegek kórtörténetében sok a hibás bejegyzés, az MI a tényleges orvosi munka és valódi mintázatok megismerése helyett ezeket a következetlenségeket tanulja meg, és döntéseit is ezekre alapozza majd – döntései pedig értelemszerűen hibásak lesznek. Mintha olyan tankönyvből sajátítanánk el a számítástechnikai ismereteket, amelyben a definíciók jó része pontatlan.
Az emberi tényező figyelmen kívül hagyása
Az automatizációval, Ipar 4.0-val vagy a dolgok internetével egyre gyakoribbak az emberi beavatkozás nélkül működő rendszerek. Innen ered az MI-projektek egy másik fatális hibája: a vállalat kizárólag technikai kihívásként kezeli az MI-t, és megfeledkezik a tényleges ember-gép együttműködésről.
Költhet egy iparvállalat milliókat a gyártástervezés mesterséges intelligenciával történő optimalizálására, és működhet az új technológia tökéletesen a teszteken, ha a gyártást felügyelő kollégák változatlanul a jól megszokott, hagyományos módszerekkel dolgoznak, és figyelmen kívül hagyják az MI ajánlásait. A probléma azért állhat elő, mert senki nem vonta be őket a fejlesztési folyamatba, nem törődtek sem az aggályaikkal, sem az új technológiához való alkalmazkodásukkal – vagyis hiányzott az ilyenkor elengedhetetlen változáskezelés.
Ezekben az esetekben az MI-kezdeményezés nem a technológia miatt bukik meg, hanem mert a változásokkal szemben ellenálló emberi tevékenységbe ütközik. Hiába tökéletes a technológia, egyes esetektől eltekintve az automatizáció még nem tart azon a szinten, hogy az MI bármikor működjön humán elem nélkül.
Partnerek kihagyása a fejlesztésből,
Hasonló, de az adott szervezeten túlmutató hiba, ha az együttműködő feleket, a vállalattal közösen dolgozó partnereket sem vonják be a fejlesztésekbe, így azok nem vagy nem eléggé tudnak felkészülni az MI bevezetése utáni fontos változásokra. Infrastruktúrájukat és dolgozóikat meglepetésszerűen éri az új technológia, és rosszabb esetekben hosszú ideig eltarthat az átállás.
Nem fog olajozottan folyni a korábbi jó együttműködés, ha például a partner adatállománya nem alkalmas az MI kiszolgálására – holott ha bevonják őket a fejlesztésekbe, időben megtehették volna a szükséges lépéseket. A túlzott titkolózás, esetleg bizalmatlanság vagy csak egyszerű nemtörődömség egyrészt lassíthatja a későbbi MI-bevezetéseket, másrészt, bizalmi válságot is előidézhet a partnerek részéről.
Van remény
Az MI nem varázslat, sokkal inkább potenciálisan rendkívüli üzleti értéket generáló technológiahalmaz – de az is csak akkor, ha megfelelően valósítják meg. Szigor, realizmus és erőforrások nélkül viszont nem megy a megvalósítás, és sok szervezet alábecsüli ezek jelentőségét. Hiába rendelkeznek gigaköltségvetéssel és szuperfejlett infrastruktúrával – ha csak a hype-ból, és nem a valóságból indulnak ki; ha nem a technológia képességeit és korlátait felmérve közelítik meg az MI-t; ha nem építik ki hozzá a szükséges alapokat; ha nem értik meg, hogy a technológiai változás az embert is megváltoztatja, akkor elbuknak.
Az MI-projektek magas sikertelenségi rátája megfelelő tervezéssel, szakértelemmel, gondos erőforrás-gazdálkodással és reális elvárásokkal elkerülhető. A technológia helyett magából az alapkérdésből célszerű kiindulni: milyen konkrét üzleti problémákat orvosolhat az MI? Erre kell kidolgozni világos, mérhető célokat. Következő lépés az adatminőség és az infrastruktúra biztosítása – ha szükséges, új befektetésekkel. Gépi tanuláson nyugvó fejlett mesterséges intelligencia szilárd adatalap nélkül ma és a következő években nem fejleszthető.
A projektvezetés egyértelműsítése, a döntéshozási keretek kialakítása és a siker számszerűsíthetőségének megfogalmazása szintén megkerülhetetlen lépés. Szem előtt kell tartani azt is, hogy az MI megvalósítása nemcsak egy technológia bevezetése, hanem a céget is átalakítja. Ezért prioritás a végfelhasználók minél korábbi bevonása, az MI meglévő munkafolyamatokba integrálása, az alkalmazottakkal történő megismertetése is. Racionálisabb szerény pilotprojektekkel kezdeni, és a gyors siker hajszolása helyett lépésről lépésre haladva, a szervezeten belüli bizalmat kiépítve eljutni a rendszer valódi üzleti hasznot hajtó alkalmazásáig.
