หายนะ AI: 80% ของโปรเจ็กต์ล้มเหลวและเงินหลายพันล้านดอลลาร์สูญเปล่า
(salesforcedevops.net)- รายงานฉบับใหม่จาก RAND แสดงให้เห็นว่า แม้จะมีกระแส Hype เกี่ยวกับ AI แต่โปรเจ็กต์ส่วนใหญ่กลับล้มเหลว
- RAND: หนึ่งในสถาบันคลังสมองชั้นนำของสหรัฐฯ ชื่อย่อมาจาก R&D ก่อตั้งโดย Douglas Aircraft ในปี 1948
- รายงานนี้อ้างอิงจากการสัมภาษณ์นักวิทยาศาสตร์ข้อมูลและวิศวกรที่มีประสบการณ์ 65 คน เพื่อเปิดเผยสาเหตุรากของความล้มเหลวเหล่านี้ และนำเสนอโรดแมปสู่ความสำเร็จ
ความล้มเหลวของผู้นำ: คนตาบอดพาคนตาบอด
- สาเหตุใหญ่ที่สุดของความล้มเหลวของโปรเจ็กต์ AI ไม่ใช่เทคโนโลยี แต่คือผู้บริหารระดับสูง
- ผู้บริหารมักเข้าใจผิดหรือสื่อสารผิดว่าควรใช้ AI แก้ปัญหาอะไร
- ผู้บริหารมีความคาดหวังเกินจริงต่อ AI และประเมินเวลาและทรัพยากรที่จำเป็นต่อการใช้งาน AI ให้สำเร็จต่ำเกินไป
- เมื่อขาดการสื่อสารที่ชัดเจนและความเข้าใจเป้าหมายของโปรเจ็กต์ร่วมกันระหว่างผู้บริหารกับทีมเทคนิค โครงการ AI ก็มีแนวโน้มล้มเหลวตั้งแต่เริ่มต้น
- หลายองค์กรขาดความอดทนที่จำเป็นต่อการทำ AI ให้สำเร็จ โปรเจ็กต์มักถูกยุติกลางทางหรือเปลี่ยนไปตามลำดับความสำคัญใหม่ก่อนจะมีโอกาสพิสูจน์คุณค่าจริง
ภาวะกลืนไม่เข้าคายไม่ออกของข้อมูล: ใส่ขยะเข้าไป ก็ได้ขยะออกมา
- คุณภาพข้อมูลเป็นอุปสรรคสำคัญอันดับสอง โดยมีคำกล่าวว่า "80% ของ AI คือการทำงานสกปรกของ data engineering"
- หลายองค์กรไม่มีข้อมูลคุณภาพสูงเพียงพอสำหรับฝึกโมเดล AI อย่างมีประสิทธิภาพ
- ชุดข้อมูลแบบเลกาซีอาจไม่เหมาะกับการฝึก AI
- การขาดแคลน data engineer นำไปสู่การสูญเสียองค์ความรู้และต้นทุนโปรเจ็กต์ที่เพิ่มขึ้น
- การขาดความเชี่ยวชาญเฉพาะโดเมนภายในทีม AI อาจทำให้ตีความข้อมูลผิดและออกแบบโมเดลบกพร่อง
การไล่ตามของใหม่: เมื่อวิศวกรเสียสมาธิ
- ตัววิศวกรเองก็อาจมีส่วนทำให้โปรเจ็กต์ล้มเหลว
- นักวิทยาศาสตร์ข้อมูลและวิศวกรจำนวนมากหลงใหลกับการใช้เทคโนโลยีล่าสุด ทั้งที่จริงแล้วโซลูชันที่ง่ายกว่าก็อาจเพียงพอ
- แนวโน้มที่จะไล่ตาม "ของใหม่ที่แวววาว" นี้ อาจนำไปสู่โซลูชันที่ซับซ้อนเกินจำเป็น ซึ่งยากต่อการบำรุงรักษาและอธิบายให้ผู้มีส่วนได้ส่วนเสียเข้าใจ
- องค์กรต้องสร้างสมดุลระหว่างนวัตกรรมกับความเป็นจริงเชิงปฏิบัติ การตามให้ทันความก้าวหน้าทางเทคโนโลยีเป็นเรื่องสำคัญ แต่ต้องมุ่งแก้ปัญหาธุรกิจจริงให้ได้อย่างมีประสิทธิภาพ
โครงสร้างพื้นฐาน: รากฐานที่ไม่หวือหวาแต่จำเป็นต่อความสำเร็จ
- การลงทุนด้านโครงสร้างพื้นฐานที่ไม่เพียงพอเป็นอีกปัจจัยสำคัญที่ทำให้โปรเจ็กต์ AI ล้มเหลว
- หลายบริษัทพยายามเริ่มโปรเจ็กต์ AI โดยยังไม่ได้วางรากฐานที่จำเป็นให้พร้อมก่อน
- องค์กรจำเป็นต้องมีมุมมองต่อการใช้งาน AI ที่ครอบคลุมมากขึ้น ซึ่งหมายถึงการลงทุนใน data pipeline ที่แข็งแรง ระบบทดสอบและ deploy อัตโนมัติ และเครื่องมือสำหรับติดตามประสิทธิภาพของโมเดลใน production
- หลายองค์กรประสบปัญหาในการเปลี่ยนจาก AI prototype ที่ประสบความสำเร็จ ไปสู่ระบบที่พร้อมใช้งานจริงใน production ปัญหา "last mile" นี้มักทำให้โปรเจ็กต์ที่ดูมีอนาคตต้องสะดุด
ข้อเสนอแนะ: เช็กความเป็นจริงของความทะเยอทะยานด้าน AI
- รายงาน RAND เสนอคำแนะนำต่อไปนี้เพื่อให้องค์กรเพิ่มอัตราความสำเร็จของโปรเจ็กต์ AI:
- ทำให้มั่นใจว่าบุคลากรสายเทคนิคเข้าใจวัตถุประสงค์ของโปรเจ็กต์และบริบทธุรกิจ รายงานชี้ว่า "ความเข้าใจผิดและการสื่อสารที่คลาดเคลื่อนเกี่ยวกับเจตนาและวัตถุประสงค์ของโปรเจ็กต์คือเหตุผลที่พบบ่อยที่สุดของความล้มเหลวของโปรเจ็กต์ AI" สิ่งนี้ต้องอาศัยการสนทนาอย่างต่อเนื่องระหว่างทีมธุรกิจกับทีมเทคนิค รวมถึงความพยายามในการสร้างความเข้าใจและคำศัพท์ร่วมกัน
- เลือกปัญหาที่ยืนระยะได้ "ก่อนเริ่มโปรเจ็กต์ AI ผู้นำควรพร้อมให้แต่ละทีมผลิตภัณฑ์ทุ่มเทแก้ปัญหาเฉพาะเรื่องหนึ่งอย่างน้อย 1 ปี" ข้อแนะนำนี้เป็นการโต้แย้งแนวโน้มการไล่ล่าผลลัพธ์ระยะสั้นหรือการเปลี่ยนลำดับความสำคัญไปมาอย่างต่อเนื่อง ด้วยการมุ่งไปที่ปัญหาระยะยาวและมีผลกระทบสูง องค์กรจะสามารถให้เวลาและทรัพยากรที่จำเป็นต่อความสำเร็จของโครงการ AI ได้
- โฟกัสที่ปัญหา ไม่ใช่เทคโนโลยี "การวิ่งไล่ตามเทคโนโลยี AI ล่าสุดเพียงเพราะมันใหม่ เป็นหนึ่งในเส้นทางสู่ความล้มเหลวที่พบบ่อยที่สุด" รายงานเน้นว่าการเลือกเครื่องมือที่เหมาะกับงานนั้นสำคัญ แม้จะไม่ใช่โซลูชันที่ล้ำหน้าที่สุดก็ตาม ซึ่งอาจต้องอาศัยการเปลี่ยนวิธีที่องค์กรใช้ประเมินและให้รางวัลแก่ทีมเทคนิค
- ลงทุนในโครงสร้างพื้นฐาน "การลงทุนล่วงหน้าในโครงสร้างพื้นฐานเพื่อรองรับ data governance และการ deploy โมเดล สามารถลดเวลาที่ต้องใช้ในการทำโปรเจ็กต์ AI ให้เสร็จได้อย่างมาก" การลงทุนแบบนี้อาจไม่หวือหวาเท่างานวิจัย AI แต่สำคัญต่อความสำเร็จระยะยาว ซึ่งรวมถึงการสร้าง data pipeline ที่แข็งแรง การทำ version control สำหรับโมเดลและข้อมูล และการพัฒนาระบบเพื่อติดตามและดูแลโซลูชัน AI ที่ deploy แล้ว
- เข้าใจข้อจำกัดของ AI "AI ไม่ใช่ไม้กายสิทธิ์ที่จะแก้ปัญหายาก ๆ ได้ทั้งหมด ในบางกรณี แม้แต่โมเดล AI ที่ก้าวหน้าที่สุดก็ไม่สามารถทำงานยากให้เป็นอัตโนมัติได้" รายงานเรียกร้องให้มีการประเมินอย่างสมจริงมากขึ้นว่า AI ทำอะไรได้และทำอะไรไม่ได้ พร้อมกระตุ้นให้องค์กรลดความคาดหวังและโฟกัสในด้านที่ AI สามารถสร้างคุณค่าได้จริง
มุมมองจากแวดวงวิชาการ: publish papers or perish
- งานวิจัยนี้ยังสำรวจงานวิจัย AI ในภาควิชาการด้วย และพบว่าแรงกดดันในการตีพิมพ์ผลงานและการแสวงหาชื่อเสียงมักมีอิทธิพลเหนือการประยุกต์ใช้งานจริง
- รายงานระบุว่า "หากโปรเจ็กต์ AI ไม่ได้นำไปสู่การตีพิมพ์บทความ ก็จะไม่ถูกมองว่าเป็นความสำเร็จ" ซึ่งสะท้อนความไม่สอดคล้องกันระหว่างแรงจูงใจทางวิชาการกับผลกระทบในโลกจริง
- แนวทางที่ยึดการตีพิมพ์เป็นศูนย์กลางเช่นนี้ อาจทำให้นักวิจัยให้ความสำคัญกับแนวทางที่แปลกใหม่แต่ไม่สมจริง มากกว่าการปรับปรุงแบบค่อยเป็นค่อยไปที่อาจสร้างผลกระทบต่อโลกจริงได้มากกว่า
- รายงานเสนอว่าสถาบันการศึกษาควรพิจารณาขยายเกณฑ์ความสำเร็จของงานวิจัย AI ให้ครอบคลุมตัวชี้วัดที่เกี่ยวข้องกับการประยุกต์ใช้จริงหรือความร่วมมือกับภาคอุตสาหกรรม
- นอกจากนี้ งานวิจัยยังพบว่านักวิจัยในภาควิชาการจำนวนมากประสบปัญหาในการเข้าถึงชุดข้อมูลจริงคุณภาพสูง ซึ่งอาจนำไปสู่ช่องว่างระหว่างงานวิจัยเชิงวิชาการกับการใช้งานจริง
- รายงานแนะนำให้ส่งเสริมความร่วมมือระหว่างภาควิชาการ ภาคอุตสาหกรรม และหน่วยงานภาครัฐ เพื่อเปิดโอกาสให้นักวิจัยเข้าถึงข้อมูลที่เกี่ยวข้องมากขึ้น โดยยังคงมาตรการด้านความเป็นส่วนตัวและความปลอดภัยที่จำเป็นไว้
สัญญาณเตือนต่ออุตสาหกรรม AI
- รายงานของ RAND ฉบับนี้ทำหน้าที่เป็นการเช็กความเป็นจริงที่อุตสาหกรรม AI ต้องการอย่างยิ่ง
- แม้ศักยภาพของ AI จะยังมหาศาล แต่เส้นทางสู่การนำไปใช้ให้สำเร็จก็เต็มไปด้วยความท้าทาย
- องค์กรต้องอุดช่องว่างระหว่างกระแสเกินจริงกับความเป็นจริง และหันมาโฟกัสกับพื้นฐานที่มั่นคง เช่น คุณภาพข้อมูล โครงสร้างพื้นฐาน และการสื่อสารที่ชัดเจนระหว่างทีมเทคนิคกับทีมธุรกิจ
- ดังที่ผู้ให้สัมภาษณ์คนหนึ่งชี้ไว้อย่างเฉียบคมว่า "ผู้มีส่วนได้ส่วนเสียอยากมีส่วนร่วมในกระบวนการ พวกเขาไม่ชอบเวลาคุณบอกว่า 'มันใช้เวลานานกว่าที่คาดไว้ เดี๋ยวติดต่อกลับในอีก 2 สัปดาห์' พวกเขาอยากรู้และอยากมีส่วนร่วม" สิ่งนี้ตอกย้ำความจำเป็นของการสื่อสารอย่างต่อเนื่องและโปร่งใสตลอดทั้งโปรเจ็กต์ AI เพื่อให้ผู้มีส่วนได้ส่วนเสียทุกฝ่ายได้รับข้อมูลและมีส่วนร่วม
- รายงานยังเน้นย้ำถึงความสำคัญของความอดทนและความพากเพียรในการพัฒนา AI ผลลัพธ์แบบรวดเร็วเกิดขึ้นได้ไม่บ่อย และองค์กรต้องพร้อมทุ่มเทระยะยาวหากต้องการได้ประโยชน์ที่เป็นรูปธรรมจากโครงการ AI ซึ่งอาจต้องอาศัยการเปลี่ยนแปลงด้านวัฒนธรรมองค์กรและความคาดหวัง จากกรอบคิดระยะสั้นไปสู่มุมมองเชิงกลยุทธ์และระยะยาวต่อการนำ AI ไปใช้
- ด้วยการยอมรับบทเรียนเหล่านี้และหันมาใช้แนวทางพัฒนา AI ที่สมจริงและอดทนมากขึ้น องค์กรก็จะเพิ่มโอกาสประสบความสำเร็จในสาขาที่เปลี่ยนโลกนี้ได้
"อนาคตของ AI สดใส แต่จะเป็นเช่นนั้นเฉพาะสำหรับผู้ที่สามารถฝ่าฟันความท้าทายที่เป็นเรื่องของมนุษย์อย่างยิ่งซึ่งรออยู่บนเส้นทางนี้ได้เท่านั้น เมื่ออุตสาหกรรมเติบโตเต็มที่ ผู้ที่สร้างสมดุลระหว่างนวัตกรรมกับการใช้งานจริง และมีทั้งความเป็นเลิศทางเทคนิคควบคู่กับความเข้าใจธุรกิจ จะอยู่ในตำแหน่งที่เหมาะสมที่สุดในการปลดล็อกศักยภาพที่แท้จริงของ AI"
6 ความคิดเห็น
หายนะของ AI: 80% ของโปรเจกต์ล้มเหลวและเงินหลายพันล้านดอลลาร์ถูกใช้ไปอย่างสูญเปล่า
หากองค์กรสามารถทนรับความล้มเหลวได้...
ท้ายที่สุด ผู้ที่ยืนหยัดต่อไปได้คือผู้ชนะ
เป็นโพสต์ที่รู้สึกเห็นด้วยมากจริง ๆ ^^ ถ้าจะขอแย้งเล็ก ๆ แบบไม่เชิงแย้งสักหน่อย... คำว่า 'Publish' ในบริบทนี้น่าจะเป็น 'การเผยแพร่งานวิจัย' มากกว่า 'การตีพิมพ์' นะ
มีคนฉลาดคนหนึ่งเคยทิ้งคำถามสำคัญเอาไว้นานแล้ว...
มันจะทำเงินได้ไหม?
ธุรกิจกำลังพยายามทำกำไรอย่างรวดเร็ว แล้วก็ขายแต่ของแนว ai นั่นนี่ที่มีแต่ชื่อเท่านั้น ส่วนระดับความคาดหวังของผู้ใช้ก็น่าจะเป็นผลงานที่เกิดจากการลงทุนมาอย่างน้อย 10 ปีขึ้นไป...มันยากจริง ๆ..
ลองนึกภาพว่าตัวเลขงบการเงินมั่ว ๆ ที่สร้างด้วย LLM ถูกสื่อสารผิดไปยังนักลงทุน ผู้บริหารที่มีเหตุผลก็คงไม่คลั่งไคล้ LLM กันขนาดนี้ ผมคิดว่าสำหรับคนบางส่วนที่ดื้อดึงไม่ว่าจะอธิบายอย่างไร ประสบการณ์น่าอับอายสักครั้งคงเป็นยาดี
ความคิดเห็นจาก Hacker News
รายงาน RAND: มีใจความว่า "ผู้มีส่วนได้ส่วนเสียในอุตสาหกรรมเข้าใจผิดหรือสื่อสารผิดเกี่ยวกับปัญหาที่ควรแก้ด้วย AI"
ปัญหาความล้มเหลวของการลงทุน: ปัญหาไม่ใช่ว่า 80% ล้มเหลว แต่คือใน 20% ที่เหลือจะมี black swan สักกี่รายที่ทำให้พอร์ตการลงทุนทั้งหมดมีกำไรได้
ลิงก์รายงาน Rand: Rand Report
ปัญหาการใช้ AI แบบพร่ำเพรื่อ: บริษัทจำนวนมากมักสั่งว่า "ใส่ AI ลงไปทุกที่"
อัตราความสำเร็จของสตาร์ตอัป: กฎ 80/20 ยังดีกว่าการที่สตาร์ตอัป 90% ล้มเหลวภายใน 3 ปี
ประวัติศาสตร์ซ้ำรอย: มีกรณีที่ DART ถูกนำมาใช้ในปี 1991 และสามารถชดเชยงบวิจัย AI ของ DARPA ได้ภายในปี 1995
ปัญหาฟีเจอร์ AI: ฟีเจอร์ AI ยังคงอยู่เพราะผู้บริหารหมกมุ่นกับ AI มากเกินไป
อัตราความสำเร็จของ R&D: ในเทคโนโลยีล้ำสมัย การที่ 20% ของโครงการประสบความสำเร็จอาจถือว่าเป็นผลงานที่ค่อนข้างดี
การแทนที่การเขียนโค้ดด้วย AI: มีมุมมองที่สงสัยต่อคำกล่าวอ้างว่า AI จะมาแทนการเขียนโค้ด
เว็บไซต์ล่ม: เว็บไซต์ Wordpress ล่มเพราะรองรับทราฟฟิกจาก HN ไม่ไหว