A tanulmány szerint a mesterséges intelligencia fejlesztése és az agilis nem keveredik jól

A műszaki szakembereknek rendszeresen és nyíltan kell kommunikálniuk az üzleti partnerekkel, hogy elkerüljék az AI-hibákat.

Az agilis szoftverfejlesztést régóta úgy tekintik, mint egy rendkívül hatékony módszert az üzleti igények kielégítésére. A gyakorlat számos szervezeten belül jól működik több mint két évtizede. Az Agile a scrum, a DevOps és más együttműködési gyakorlatok alapja is. Az agilis gyakorlatok azonban elmaradhatnak a mesterséges intelligencia (AI) tervezésében és megvalósításában.

Ez a betekintés a RAND Corporation, a globális politikai agytröszt nemrégiben készült jelentéséből származik, amely 65 adattudóssal és mérnökkel készült interjún alapul, akik legalább ötéves tapasztalattal rendelkeznek mesterséges intelligencia és gépi tanulási modellek építésében az iparban vagy a tudományos életben. Az eredetileg az Egyesült Államok Védelmi Minisztériuma számára végzett kutatás 2024 áprilisában fejeződött be. "Túl gyakran előfordul, hogy az AI-projektek tönkremennek, vagy soha nem indulnak el" - mondták a jelentés társszerzői, James Ryseff vezető műszaki politikai elemző vezetésével. a RAND-nál.

Érdekes módon több mesterségesintelligencia-szakértő úgy látja, hogy a formális agilis szoftverfejlesztési gyakorlat a sikeres mesterségesintelligencia útakadálya. "Számos interjúalany (50-ből 10) kifejezte azt a meggyőződését, hogy az agilis szoftverfejlesztési folyamatok merev értelmezései rosszul illeszkednek az AI-projektekhez" - állapították meg a kutatók.

"Míg az agilis szoftvermozgalomnak soha nem állt szándékában merev folyamatok kidolgozása - egyik fő alapelve, hogy az egyének és az interakciók sokkal fontosabbak, mint a folyamatok és az eszközök -, sok szervezet megköveteli, hogy a mérnöki csapatok egyetemesen kövessék ugyanazokat az agilis folyamatokat."

Ennek eredményeként, ahogy az egyik interjúalany fogalmazott, "a munkadarabokat többször is vagy újra kellett nyitni a következő sprintben, vagy nevetségesen kicsinyre és értelmetlenné kellett tenni, hogy beleférjenek egy egy- vagy kéthetes sprintbe". Különösen az AI-projektek "megjósolhatatlan időtartamú adatfeltárás és kísérletezés kezdeti szakaszát igénylik".

A RAND kutatása szerint más tényezők is korlátozhatják az AI-projektek sikerét. Míg az informatikai hibákat az elmúlt néhány évtizedben jól dokumentálták, az AI-kudarcok alternatív színt kapnak. "Úgy tűnik, hogy a mesterséges intelligencia eltérő projektjellemzőkkel rendelkezik, mint például a költséges munkaerő- és tőkeigény, valamint az algoritmusok bonyolultsága, ami miatt nem hasonlítanak a hagyományos információs rendszerekhez" - mondták a tanulmány társszerzői.

"A mesterséges intelligencia kiemelt jellege fokozhatja az érdekelt felek iránti vágyat, hogy jobban megértsék, mi okozza az AI-val kapcsolatos IT-projektek kockázatát."

A RAND csapata azonosította a mesterséges intelligencia projekt kudarcának fő okait:

• "Az iparági szereplők gyakran félreértik - vagy félrekommunikálják -, hogy milyen problémát kell megoldani az AI segítségével. A szervezetek túl gyakran csak azért alkalmaznak képzett AI-modelleket, hogy rájöjjenek, hogy a modellek rossz mérőszámokat optimalizáltak, vagy nem illeszkednek az általános munkafolyamatba és kontextusba. "
• "Számos mesterségesintelligencia-projekt kudarcot vall, mert a szervezet nem rendelkezik a szükséges adatokkal a hatékony AI-modell megfelelő képzéséhez."
• "A szervezet inkább a legújabb és legjobb technológia használatára összpontosít, semmint arra, hogy valódi problémákat oldjon meg a felhasználók számára."
• "Előfordulhat, hogy a szervezetek nem rendelkeznek megfelelő infrastruktúrával az adataik kezeléséhez és a kész mesterséges intelligencia modellek telepítéséhez, ami növeli a projekt kudarcának valószínűségét."
• "A technológiát olyan problémákra alkalmazzák, amelyeket túl nehéz megoldani a mesterséges intelligencia számára. Az AI nem egy varázspálca, amely eltüntet bármilyen kihívást jelentő problémát; bizonyos esetekben még a legfejlettebb AI-modellek sem képesek automatizálni egy nehéz feladatot."

Bár a formális agilis gyakorlatok túlságosan nehézkesek lehetnek az AI-fejlesztéshez, továbbra is kritikus fontosságú az informatikai és adatszakértők számára, hogy nyíltan kommunikáljanak az üzleti felhasználókkal. A tanulmányban részt vevő interjúalanyok azt javasolták, hogy "ahelyett, hogy bevett szoftverfejlesztési folyamatokat alkalmaznának - amelyek gyakran nem jelentenek mást, mint képzeletbeli teendők listáját -, a műszaki csapat gyakran kommunikáljon üzleti partnereivel a projekt állapotáról."

A jelentés a következőket javasolta: "Az érdekelt felek nem szeretik, ha azt mondod: "tovább tart a vártnál; két héten belül jelentkezem." Kíváncsiak a nyílt kommunikációra, amely bizalmat épít az üzleti érdekeltek és a műszaki csapat között, és növeli annak valószínűségét, hogy a projekt végül sikeres lesz."
Ezért a mesterséges intelligencia fejlesztőinek gondoskodniuk kell arról, hogy a műszaki személyzet megértse a projekt célját és a tartomány kontextusát: "Félreértések. és a projekt szándékával és céljával kapcsolatos félreértés a mesterséges intelligencia-projekt sikertelenségének leggyakoribb oka.

A RAND csapata a „tartós problémák” választását is javasolta. Az AI-projektek befejezéséhez időre és türelemre van szükség: "Mielőtt bármilyen mesterségesintelligencia-projektet elkezdenek, a vezetőknek fel kell készülniük arra, hogy minden termékcsapatot legalább egy évre elköteleznek egy adott probléma megoldása mellett. Ha egy mesterségesintelligencia-projekt nem ér ilyen hosszú távú elkötelezettséget , valószínűleg egyáltalán nem éri meg elkötelezni magát."

Noha az üzleti probléma és nem a technológiai megoldás a döntő fontosságú, a szervezeteknek be kell fektetniük az infrastruktúrába, hogy támogassák a mesterséges intelligencia erőfeszítéseit, javasolja a RAND jelentés: "Az infrastruktúrába történő kezdeti beruházások az adatirányítás és a modellek telepítésének támogatására jelentősen csökkenthetik a szükséges időt. a mesterséges intelligencia projektek befejezéséhez, és növelheti a hatékony AI-modellek betanításához rendelkezésre álló kiváló minőségű adatok mennyiségét."

Végül, amint fentebb megjegyeztük, a jelentés azt sugallta, hogy a mesterséges intelligencia nem varázspálca, és vannak korlátai: "A lehetséges AI-projekt mérlegelésekor a vezetőknek műszaki szakértőket kell bevonniuk a projekt megvalósíthatóságának felmérésére."