Vatsal Ghiya, dyrektor generalny i współzałożyciel firmy Shaip, ma 20-letnie doświadczenie w oferowaniu rozwiązań AI dla służby zdrowia w celu lepszej opieki nad pacjentem. W tym gościnnym artykule omówił przyczynę niepowodzenia projektu Machine Learning i co należy wziąć pod uwagę, aby odniósł sukces.
Kluczowym wnioskiem z artykułu jest
- Jeśli nie jesteś świadomy tego, w jakim kierunku podążasz z nowymi trendami technologicznymi, cały proces może się nie udać. Według VentureBeat około 87% projektów AI kończy się niepowodzeniem z powodu wielu wewnętrznych czynników. A te awarie kosztują również ogromne straty finansowe po stronie biznesowej.
- Przyczyną niepowodzenia tych projektów ML jest brak wiedzy specjalistycznej, niska ilość i jakość danych, błędne etykietowanie, brak odpowiedniej współpracy, przestarzała strategia danych, brak skutecznego przywództwa i nieprzyjemne stronniczość danych.
- Chociaż może istnieć wiele powodów niepowodzenia projektów ML, ważne jest, aby wziąć pod uwagę wszystkie wskazówki, jeśli zamierzasz wdrożyć modele ML w swojej organizacji. Dlatego wskazane jest pozyskanie wiarygodnego dostawcy usług typu end-to-end do obsługi projektów ML i uzyskanie większej dokładności i wydajności.
Przeczytaj cały artykuł tutaj:
