क्यों एआई परियोजनाओं का 70% विफल: एआई परियोजना विफलता दर को समझना (और 30% कैसे बनें)
मैंने देखा है कि यह दर्जनों बार होता है। एक कंपनी एक मशीन लर्निंग प्लेटफॉर्म में छह आंकड़े का निवेश करती है। डेटा वैज्ञानिक एक मॉडल का निर्माण करते हैं। डैशबोर्ड अविश्वसनीय दिखता है। फिर कुछ भी नहीं बदलता। परियोजना बेल पर मर जाती है।
यही कारण है कि वास्तविकता के पीछे हैएआई परियोजना विफलता दर2023 की रिपोर्ट के अनुसारBCGएआई पहल का 70% किसी भी व्यापारिक मूल्य को वितरित करने में विफल रहता है। "कुछ मूल्य" नहीं। शून्य मान। TheGartner AI सर्वे2021 से पाया गया कि एआई परियोजनाओं का केवल 54% पायलट से लेकर उत्पादन तक चल रहा है। शेष स्टाल बाहर। और एकIDC अध्ययनपता चलता है कि तैनाती से पहले 28% एआई परियोजनाओं को छोड़ दिया जाता है, जिसमें हर साल अरब डॉलर बर्बाद हो जाते थे, जिसमें सबूत के मुद्दों पर कभी नहीं देखा जाता है।
मैंने उस विनाशकारी सांख्यिकी के दोनों तरफ काम किया है। मैंने एआई बनाई है जिसे भेज दिया और एआई जो दुर्घटनाग्रस्त हो गया। इस लेख में, मैं आपको वास्तव में बताऊंगा कि उन 70% असफल क्यों हैं और सफल 30% अलग तरीके से क्या करते हैं। इससे भी महत्वपूर्ण बात, मैं आपको एक दोहराने योग्य ढांचा दूँगा जिसने संगठनों को उनकी मदद की हैएआई परियोजना विफलता दरउद्योग औसत से 30% से कम, अक्सर दो तिमाहियों से कम में।
सही एआई परियोजना विफलता दर
चलो सीधे नंबर प्राप्त करें। विभिन्न अध्ययन "सुविधा" की विभिन्न परिभाषाओं का उपयोग करते हैं, लेकिन आम सहमति सोबर रही है।
- BCG (2023):70% कंपनियां एआई से पर्याप्त निवेश के बाद भी कोई ROI नहीं देखती हैं।
- Gartner (2021):केवल 54% एआई प्रोटोटाइप इसे उत्पादन के लिए बनाते हैं। बाकी कभी प्रयोगशाला नहीं छोड़ते।
- IDC (2022):एआई पहल का 28% तैनाती से पहले पूरी तरह विफल हो गया; उन लोगों के बीच जो तैनाती करते हैं, 45% उम्मीदों को पूरा करने में असफल रहे।
- MIT Sloan (2020):70% कंपनियां एआई से न्यूनतम या कोई प्रभाव नहीं बताती हैं, और महत्वाकांक्षा और निष्पादन के बीच का अंतर व्यापक है।
- मैकिन्सी (2023):Theएआई राज्यसर्वेक्षण से पता चलता है कि एआई को गोद लेने के लिए पठार है, और केवल 21% कंपनियों का कहना है कि एआई ने एक ही व्यावसायिक कार्य में महत्वपूर्ण मूल्य उत्पन्न किया है।
Theएआई परियोजना विफलता दरइन सभी स्रोतों में लगभग 60-70% होवर्स। इसका मतलब है कि आपके द्वारा शुरू की गई प्रत्येक तीन एआई परियोजनाओं के लिए, दो आपके समय और धन को बर्बाद कर देंगे। इसे परिप्रेक्ष्य में रखने के लिए, यदि एक मध्य आकार का उद्यम प्रति वर्ष 10 AI पहलों को प्रति वर्ष $500,000 की औसत लागत के साथ परिनियोजित करता है, तो यह उन परियोजनाओं पर सालाना $3.5 मिलियन का जल रहा है जो शून्य व्यापारिक प्रभाव प्रदान करते हैं। यह निष्क्रियता की एक बड़ी लागत है।
हम "फेल्योर" को कैसे परिभाषित करते हैं?
मैं एक साधारण परीक्षण का उपयोग करता हूं: क्या परियोजना बदलती है कि व्यवसाय कैसे काम करता है? यदि मॉडल एक Jupyter नोटबुक में बैठता है और कभी भी ग्राहक, उत्पाद, या आपूर्ति श्रृंखला को छूता है, तो यह विफल हो गया। यदि मॉडल लाइव है, लेकिन कोई भी इसे भरोसा नहीं करता है या इसका उपयोग करता है, तो यह विफल हो गया। एक "सफल" एआई परियोजना वह है जो या तो राजस्व को बढ़ाता है, लागत को कम करता है, या ग्राहक के अनुभव को एक तरह से बेहतर बनाता है जो आपकी तिमाही संख्या में दिखाता है। उस में से कुछ भी कम योगदान देता हैएआई परियोजना विफलता दर.
यह वास्तविक परिभाषा है - तकनीकी विफलता नहीं, बल्कि संगठनात्मक विफलताएं। यहां तक कि एक पूरी तरह से सटीक मॉडल बेकार है अगर व्यवसाय इसे स्वीकार नहीं करता है।
उच्च एआई परियोजना विफलता दर के पीछे सामान्य कारण
मैंने दर्जनों कंपनियों में असफल परियोजनाओं का विश्लेषण किया है - फॉर्च्यून 500 खुदरा विक्रेताओं से मध्यम आकार की रसद फर्मों तक। पैटर्न हमेशा समान होता है। यहां पांच सबसे बड़े हत्यारों को बताया गया है कि आप अपने संगठन को कम से कम एक में पहचान लेंगे।
1. कोई स्पष्ट व्यापार समस्या नहीं
अधिकांश एआई परियोजनाएं प्रौद्योगिकी-पहली मानसिकता के साथ शुरू होती हैं। एक टीम उदार एआई या कंप्यूटर दृष्टि के बारे में उत्साहित हो जाती है और पूछती है, "हम इसके साथ क्या कर सकते हैं? पूछने के बजाय, "हमारा सबसे महंगा परिचालन समस्या क्या है? AMcKinsey अध्ययनपाया गया कि जिन कंपनियों ने एआई को विशिष्ट व्यावसायिक परिणामों से लिंक किया है, उनमें सफल होने की संभावना 1.7 गुना अधिक है। मैंने देखा है कि उलटा खेल दर्दनाक है। एक उपभोक्ता सामान कंपनी ने $ 800,000 खर्च किया एक मांग पूर्वानुमान मॉडल जो कभी इस्तेमाल नहीं किया गया था क्योंकि आपूर्ति श्रृंखला टीम में सरल नियम थे जो अच्छी तरह से पर्याप्त काम करते थे। मॉडल ने एक प्रश्न पूछने का उत्तर दिया।
जब आप व्यावसायिक शर्तों में सफलता को परिभाषित नहीं करते हैं, तो आपको गुंजाइश क्रीप मिलता है। परियोजना एक बार में तीन समस्याओं को हल करने की कोशिश करती है या एक अस्पष्ट "360 डिग्री ग्राहक दृश्य" का पीछा करती है। परिणाम एक मॉडल है जो संचालन के लिए बहुत जटिल है। Theएआई परियोजना विफलता दरजब प्रारंभिक समस्या वक्तव्य अस्पष्ट है तो ऐसा लगता है। O'Reilly द्वारा 2024 सर्वेक्षण के अनुसार, केवल 38% संगठनों ने कहा कि उनके पास AI कार्य शुरू करने से पहले अच्छी तरह से परिभाषित समस्या वक्तव्य था। बाकी सिर्फ प्रयोग कर रहे थे।
उदाहरण:एक यूरोपीय बैंक "AI" के साथ ग्राहक सगाई में सुधार करना चाहता था। छह महीने बाद, परियोजना की मृत्यु हो गई क्योंकि विपणन भविष्यवाणियों की भविष्यवाणी चाहता था, संचालन धोखाधड़ी का पता लगाना चाहता था, और अनुपालन के लिए केवाईसी स्वचालन चाहता था। हर कोई विभिन्न दिशाओं में खींचता है। एक केंद्रित उद्देश्य - क्रेडिट कार्ड को कम करके 8% - परियोजना को बचाया होगा।
2. खराब डेटा
एआई मॉडल स्वच्छ, लेबल, प्रासंगिक डेटा के लिए भूखे हैं। अधिकांश कंपनियों में दस विरासत प्रणालियों में बिखरे हुए डेटा होते हैं, प्रत्येक में "ग्राहक" या "transaction" की अपनी परिभाषा होती है। Theआईडीसी रिपोर्टकहते हैं कि खराब डेटा की गुणवत्ता वैश्विक स्तर पर एआई अपनाने के लिए दूसरा सबसे बड़ा बाधा है। मैं तर्क दूँगा कि यह सबसे बड़ा है। Garbage in, कचरा बाहर सिर्फ एक cliché नहीं है; यह संख्या एक तकनीकी कारण हैएआई परियोजना विफलता दरजिद्दी उच्च रहता है।
एक विशिष्ट एआई परियोजना डेटा तैयारी पर अपने समय का 80% खर्च करती है - लेकिन कई टीमों ने इस चरण को कम कर दिया। वे मानते हैं कि डेटा "बहुत अच्छा" है। यह कभी नहीं है। मैं एक बार एक हेल्थकेयर प्रदाता के साथ काम करता हूं, जिसका रोगी पठन भविष्यवाणी मॉडल में महत्वपूर्ण क्षेत्रों में 40% लापता मान थे। डेटा साइंस टीम ने उन्हें मध्यस्थों के साथ स्वीकार किया और मॉडल ने परीक्षण में 88% सटीकता हासिल की। लेकिन उत्पादन में, भविष्यवाणियां गैर-संवेदनशील थीं क्योंकि लापता मान यादृच्छिक नहीं थे - वे उन रोगियों के लिए लापता थे जिनके पास विशिष्ट जटिलताओं थी जिन्हें दर्ज नहीं किया गया था। परियोजना को तीन महीने के तर्क के बाद ठंडे बस्ते में रखा गया था।
"bad डेटा" क्या दिखता है:
- अपूर्ण रिकॉर्ड:30% बिक्री रिकॉर्ड ग्राहक खंड क्षेत्र की कमी है।
- असंगत लेबल:"सीए" और "कैलिफोर्निया" ने विशेष रूप से पते के क्षेत्रों में विनिमेय रूप से इस्तेमाल किया।
- डुप्लिकेट:एक ही ग्राहक विभिन्न आईडी के साथ चार बार दिखाई देता है।
- कहानी डेटा:इन्वेंटरी डेटा साप्ताहिक अद्यतन किया गया है, लेकिन वास्तविक समय के फैसले की आवश्यकता है।
- सिलो डेटा:ग्राहक इंटरेक्शन डेटा CRM में बैठता है, ईआरपी में लेनदेन डेटा और एक अलग हेल्पडेस्क में समर्थन टिकट।
यदि आपका डेटा एकीकृत नहीं है, तो डिडुप्लिकेट और मान्य नहीं है, तो भी आपकी एआई एक भाषा मॉडल नहीं है। Theएआई परियोजना विफलता दरबिना डेटा प्रशासन के संगठनों के लिए एक एक्सपेरियन सर्वेक्षण के अनुसार लगभग एक व्यक्ति के साथ दोगुना है।
3. परिवर्तन प्रबंधन की कमी
आपने एक मॉडल बनाया जो 95% सटीकता के साथ churn की भविष्यवाणी करता है। बिक्री टीम इसे अनदेखा करती है। क्यों? क्योंकि उन्हें कभी भी इसका उपयोग करने के लिए प्रशिक्षित नहीं किया गया है और वे इसे भरोसा नहीं करते हैं। यह एआई पहल का मूक हत्यारा है। Theएआई परियोजना विफलता दरजब नेताओं को लगता है कि एआई एक निर्वात में मौजूद नहीं है - यह बदलता है कि लोग कैसे काम करते हैं।
मैककिंसे ने पाया कि डिजिटल परिवर्तन विफलताओं का 70% संस्कृति और परिवर्तन प्रबंधन के कारण होता है, प्रौद्योगिकी नहीं। एक एआई मॉडल जो पहले एक वरिष्ठ प्रबंधक द्वारा किए गए निर्णय को स्वचालित करता है, उस प्रबंधक की स्थिति का खतरा है। यदि आप मानव भय को संबोधित नहीं करते हैं, तो परियोजना को तोड़ दिया जाएगा - पूरी तरह से या खुला। मैंने इसे खुदरा श्रृंखला में देखा जहां एक सूची अनुकूलन मॉडल को महान प्रशंसक के साथ लुढ़काया गया था। हालांकि, स्टोर प्रबंधकों ने मैन्युअल रूप से स्टॉक का आदेश दिया क्योंकि वे "अपने स्थानीय बाजार को बेहतर ढंग से नवीनीकृत करें"। मॉडल की सिफारिशों को छह महीने तक नजरअंदाज कर दिया गया जब तक कंपनी ने प्रबंधक के बोनस के एक छोटे हिस्से को गोद लेने के लिए बांध दिया। एक चौथाई के भीतर, सूची लागत 14% गिरा दिया।
क्यों परिवर्तन प्रबंधन एआई के लिए विफल रहता है:
- आईटी के बाहर कोई कार्यकारी प्रायोजक नहीं।
- अंत उपयोगकर्ताओं को कभी डिजाइन के दौरान परामर्श नहीं दिया गया था।
- प्रशिक्षण में एक घंटे के वेबिनार शामिल थे, हाथ पर अभ्यास नहीं।
- मॉडल त्रुटियों की रिपोर्ट करने के लिए कोई प्रतिक्रिया तंत्र नहीं है, इसलिए भरोसा करें।
- "ब्लैक बॉक्स" समस्या: उपयोगकर्ता यह नहीं समझते कि एआई ने क्यों निर्णय लिया है, इसलिए वे इसे अस्वीकार करते हैं।
Aगार्टनर रिपोर्टपाया गया कि एआई पहल के लिए एक समर्पित परिवर्तन प्रबंधन बजट वाले संगठनों में 45% उच्च सफलता दर है। फिर भी इसके लिए बजट आवंटित करने वाली कंपनियों के 20% से कम।
4. अवास्तविक उम्मीद
एआई जादू नहीं है। यह एक रजत बुलेट नहीं है। यह निश्चित रूप से एक महीने में 10x ROI वितरित नहीं करता है। जो नेता हिप चक्र में खरीदते हैं - जिन्होंने बहुत सारे ChatGPT डेमो देखे हैं - अक्सर तत्काल, बड़े पैमाने पर परिवर्तन की उम्मीद करते हैं। जब रियलिटी हिट होती है, तो वे परियोजना को मारने से पहले उसे परिपक्व होने का मौका मिलता है, जिससे यह बढ़ जाता है।एआई परियोजना विफलता दर.
Theएमआईटी Sloan लेखनोट्स कि कंपनियां अल्पावधि में क्या कर सकती हैं और इसे एम्बेड करने के लिए आवश्यक दीर्घकालिक कार्य को कम करती हैं। मैंने एक फिनटेक स्टार्टअप देखा है जो एआई-आधारित धोखाधड़ी डिटेक्शन सिस्टम पर $ 300,000 खर्च करता है, जिसकी उम्मीद है कि इसे 30 दिनों में 50% तक चार्जबैक में कटौती करने की उम्मीद है। जब चार्जबैक केवल 12% गिरा, तो सीएफओ ने प्लग को खींच लिया - भले ही 12% मासिक बचत सालाना 1.2 मिलियन डॉलर थी। उम्मीद के अंतराल ने पूरी तरह से व्यवहार्य परियोजना को मार दिया।
आर्टिफिशियल इंटेलिजेंस के लिए गार्टनर का हाइप साइकिल नियमित रूप से "inflated उम्मीदों के शिखर" पर गहरी शिक्षा और एज एआई जैसी प्रौद्योगिकियों को स्थान देता है, इसके बाद "असंतुलन के माध्यम से" होता है। कई एआई परियोजनाएं उस गर्त में मर जाती हैं क्योंकि प्रायोजकों ने सीखने की अवस्था की योजना नहीं बनाई थी। Theएआई परियोजना विफलता दरअक्सर प्रौद्योगिकी के रूप में धैर्य की विफलता होती है।
5. कोई माप ढांचा नहीं
क्या आप माप नहीं सकते? फिर भी एआई लॉन्च की एक बड़ी संख्या स्पष्ट केपीआई के बिना होती है। क्या लागत को 10% तक कम करने का लक्ष्य था? 5% तक रूपांतरण बढ़ाएं? चक्र समय को तीन दिनों से चार घंटे तक कम करें? विशिष्ट, समयबद्ध लक्ष्य के बिना, किसी भी परिणाम को जीत के रूप में स्पून किया जा सकता है - या अधिक सामान्यतः, कोई भी एआई को कुछ भी साबित नहीं कर सकता है। वह अस्पष्टता संगठनात्मक उदासीनता को जन्म देती है, और परियोजना धीरे-धीरे मर जाती है।
मैंने एक बार एक परियोजना की समीक्षा की जिसने "70% दक्षता में सुधार" का दावा किया। जब मैं डुग करता हूँ, तो "कुशलता" को प्रतिदिन सही डेटा प्रविष्टियों की संख्या के रूप में परिभाषित किया गया था, लेकिन समग्र प्रक्रिया लागत नहीं हुई थी। एआई ने काम को कम नहीं किया था। यह एक क्लासिक माप विफलता है। Theएआई परियोजना विफलता दरजब आप ऑपरेशनल केपीआई के एक छोटे से सेट को आगे बढ़ाते हैं तो नाटकीय रूप से गिर जाता है, सीधे समस्या वक्तव्य से जुड़ा होता है।
उदाहरण KPI कि काम:
- औसत ऑर्डर-टू-शिप समय को 6 महीने में 20% तक कम करें।
- Q3 के अंत तक 4.2% से 6.0% तक अपसेल रूपांतरण दर बढ़ाएं।
- स्लैश मैनुअल चालान प्रोसेसिंग लागत 35% वर्ष से अधिक है।
- एक तिमाही के भीतर 22% से 12% तक पूर्वानुमान सटीकता में सुधार।
उन संख्याओं के बिना, आप अंधे उड़ रहे हैं - और आप 70% में शामिल होंगे।
कैसे अपनी एआई परियोजना विफलता दर को कम करने के लिए
मैंने संगठनों को उनकी मदद की हैएआई परियोजना विफलता दर70% से 30% तक। दृष्टिकोण सेक्सी नहीं है। यह व्यवस्थित है। यह Ruthless प्राथमिकता, डेटा स्वच्छता, रैपिड प्रोटोटाइप और मानव केंद्रित रोलआउट की नींव पर बनाया गया है। यहाँ सटीक ब्लूप्रिंट है।
तुलना तालिका: असफल बनाम सफल एआई परियोजनाओं
| आयाम | असफल परियोजनाएं (70%) | सफल परियोजनाएं (30%) |
|---|---|---|
| स्पष्टता | वेग या एकाधिक उद्देश्य | एकल व्यापार समस्या |
| डेटा तत्परता | कोई डेटा ऑडिट प्री-प्रोजेक्ट नहीं | 90% + डेटा सटीकता और लेबलिंग पूरा |
| स्टेकहोल्डर | केवल कार्यकारी जनादेश | क्रॉस-फंक्शनल टीम दिन से एक |
| ROI माप | कोई KPI परिभाषित | 3-5 विशिष्ट, समयबद्ध मीट्रिक |
| तैनाती दृष्टिकोण | बिग बैंग लॉन्च | Iterative, MVP आधारित रोलआउट |
| प्रबंधन बदलें | कोई प्रशिक्षण योजना नहीं | उपयोगकर्ता प्रशिक्षण, पायलट परीक्षण और फीडबैक लूप |
पहली बार हल करने के लिए एक समस्या चुनें
समुद्र को उबालने की कोशिश करना बंद करो। मैंने $ 2 मिलियन एआई पहल को विफल कर दिया क्योंकि उन्होंने "पूरे ग्राहक यात्रा को बदलने" का प्रयास किया। जिन संगठनों ने हरायाएआई परियोजना विफलता दरएक छोटी, दर्दनाक, महंगी प्रक्रिया चुनें और इसे लगातार रोक दें।
एक समस्या फिक्सिंग कार्यशाला के साथ शुरू करें। व्यवसाय लीड, संचालन प्रबंधक और डेटा विश्लेषकों को एक साथ लाओ। पूछो: "यदि आप एक जादू की छड़ी को पकड़ सकते हैं और एक दोहरावदार, डेटा संचालित कार्य को ठीक कर सकते हैं जो आपको सोते हैं, तो क्या होगा? फिर उन विचारों को तीन अक्षों पर रैंक करें: संभावित व्यावसायिक प्रभाव, डेटा उपलब्धता और तैनाती की व्यवहार्यता। उच्चतम रैंक विचार चुनें। "यह शांत एआई है" पर आधारित कभी भी किसी को नहीं चुनना।
उच्च संभावित, संकीर्ण उपयोग के मामलों पर विचार करने के लिए:
- ग्राहक churn भविष्यवाणी (5% से churn को कम करने से लाभ 25-85% तक बढ़ा सकते हैं)।
- इन्वेंटरी मांग पूर्वानुमान (30% तक स्टॉकआउट को कम करना)।
- स्वचालित चालान प्रसंस्करण (50% तक मैन्युअल डेटा प्रविष्टि लागत को काटने)।
- एक विशिष्ट मशीन वर्ग के लिए विशेष रखरखाव।
- एक उत्पाद श्रेणी के लिए गतिशील मूल्य निर्धारण।
ABCG विश्लेषणपाया गया कि एक उच्च मूल्य के उपयोग के मामले पर ध्यान केंद्रित करने वाली कंपनियां पहले वर्ष में ROI को देखने की संभावना 2.3 गुना अधिक है। यह ध्यान भी डेटा तैयारी और प्रबंधन को आसान बनाता है क्योंकि हर कोई जानता है कि क्या सफलता की तरह लग रही है।
इससे पहले कि आप AI को टच करें
मैं डेटा तैयारी पर अपने समय का 80% खर्च करता हूँ। आपको भी होना चाहिए। यदि आप इस कदम को छोड़ते हैं, तो आप रेत पर एक घर बना रहे हैं। Theएआई परियोजना विफलता दरसीधे अपने डेटा एस्टेट की गड़बड़ी से संबंधित है।
किसी भी मॉडलिंग शुरू होने से पहले, पूरी तरह से डेटा ऑडिट करें। अपने डेटा स्रोतों का मानचित्र, पूर्णता, सटीकता और स्थिरता का आकलन करें। एक डेटा प्रोफाइलिंग टूल या यहां तक कि एक साधारण पायथन स्क्रिप्ट का उपयोग लापता मूल्यों, बाहरी लोगों और डुप्लिकेट रिकॉर्ड को संक्षेप में प्रस्तुत करने के लिए किया जाता है। फिर स्रोत पर मुद्दों को ठीक करें, पाइप लाइन में नहीं।
डेटा रीडनेस चेकलिस्ट मैं हर क्लाइंट के साथ उपयोग करता हूं:
- प्रमाणन:क्या उपयोग के मामले के लिए डेटा की आवश्यकता दो से अधिक प्रणालियों में रहती है? यदि हां, तो सत्य का एक स्रोत (एक डेटा गोदाम या एक सूची के साथ एक डेटा झील) बनाएं। इसके बिना, आपके मॉडल के इनपुट को विखंडित और अविश्वसनीय बनाया जाएगा।
- सही ढंग से लेबल:पर्यवेक्षण के लिए, लेबल की गुणवत्ता मेक-ऑर ब्रेक है। मैंने देखा है कि मॉडल विफल हो गए क्योंकि "चुर" लेबल को असंगत रूप से परिभाषित किया गया था (एक टीम ने 60 दिनों के बाद एक ग्राहक की गिनती की थी)। व्यापार मालिक के साथ लेबल परिभाषित करें, डेटा इंजीनियर नहीं।
- काल्पनिक रूप से लापता मान:सिर्फ पंक्तियाँ नहीं छोड़ें या इस बीच भर दें। समझेंक्योंडेटा लापता है। क्या यह यादृच्छिक है? मैंने एक बार एक रसद फर्म के साथ काम किया जहां 20% वजन रिकॉर्ड गायब हो गए थे; यह पता चला कि वे उच्च मूल्य वाले शिपमेंट थे जो पैमाने को बायपास करते थे। उन पंक्तियों को छोड़ने से मॉडल को पूर्वाग्रह हुआ होगा।
- डी-डुप्लिकेट और मानकीकरण:सुनिश्चित करें कि ग्राहक आईडी, उत्पाद में SKU, और तारीख प्रारूप तालिकाओं में संगत हैं। एक छोटा सा डेडुप्लिकेशन प्रयास 5-10% तक मॉडल प्रदर्शन में सुधार कर सकता है।
- दस्तावेज़ डेटा lineage:इसलिए जब एक महीने बाद कुछ टूट जाता है, तो आपको पता है कि डेटा कहाँ से आया था।
TheIDC अध्ययनयह दर्शाता है कि एक समर्पित डेटा इंजीनियरिंग टीम के साथ संगठन अपने को कम करते हैंएआई परियोजना विफलता दर40% तक। मेरे अनुभव में, वह कंपनियां जो मॉडलिंग से पहले 4-6 सप्ताह के डेटा क्लीनअप स्प्रिंट में निवेश करती हैं, कम से कम 60% कम विफलता दर देखें।
न्यूनतम उपलब्ध मॉडल बनाएं
पूर्णतावाद एआई तैनाती का दुश्मन है। दिन में 99% सटीकता का लक्ष्य नहीं है। एक "अच्छा पर्याप्त" मॉडल के लिए लक्ष्य जिसे आप 4-6 सप्ताह में जहाज कर सकते हैं। वास्तविक उपयोगकर्ता प्रतिक्रिया प्राप्त करें। फिर iterate।
एक MVP मॉडल को तंत्रिका नेटवर्क संचालित होने की आवश्यकता नहीं है। मैंने लॉजिस्टिक रिग्रेशन मॉडल को देखा है, जो ढाले हुए पेड़ों की तुलना में बेहतर समस्याओं को हल करता है क्योंकि वे समझाने और तैनात करने के लिए सरल थे। लक्ष्य एक परिकल्पना का परीक्षण करना है: यदि हम इस मॉडल का निर्णय लेने में सहायता करते हैं तो क्या यह सुई को स्थानांतरित करेगा? यदि hypothesis सच साबित होता है, तो आप हमेशा बाद में जटिलता बढ़ा सकते हैं।
एक वास्तविक दुनिया MVP समयरेखा:
- सप्ताह 1-2: डेटा समेकन और लेबलिंग (अनुभव का 80%)।
- सप्ताह 3: एक साधारण मॉडल (रैखिक प्रतिगमन, निर्णय पेड़, या XGBoost) बनाएँ।
- सप्ताह 4: एक बुनियादी API में मॉडल को लपेटें और इसे मौजूदा डैशबोर्ड या एक साधारण वेब ऐप में प्लग करें।
- सप्ताह 5-6: 3-5 अनुकूल उपयोगकर्ताओं के साथ पायलट, फीडबैक एकत्र करना, प्रारंभिक KPI को मापना।
मैंने देखा है कि टीमों ने एक मॉडल को पूरा करने के लिए छह महीने बिताए हैं जो किसी की जरूरत नहीं है। एक MVP आपको सस्ता विफल करने देता है - और अगर यह विफल हो जाता है, तो आप $200,000 खर्च करने से पहले जानना चाहते हैं। Theएआई परियोजना विफलता दरउन टीमों में से सबसे ज्यादा है जो कभी एक MVP जहाज नहीं करते हैं; वे सिर्फ़ बेतरतीब ढंग से टिंकर होते हैं।
परिवर्तन प्रबंधन में निवेश करें
यदि अंतिम उपयोगकर्ता इस पर भरोसा नहीं करता है तो आपका एआई बेकार है। यह मानव पक्ष हैएआई परियोजना विफलता दर, और यहीं है जहां अधिकांश तकनीकी टीमें गिर गईं। आपको एक पायलट से पूर्ण गोद लेने के लिए संक्रमण के लिए एक जानबूझकर योजना की आवश्यकता है।
न्यूनतम पर, निम्नलिखित करें:
- चैंपियन की पहचान करें:व्यावसायिक पक्ष से 2-3 प्रभावशाली उपयोगकर्ताओं को भर्ती करें जो MVP का परीक्षण करेगा और उपकरण को विकसित करेगा। उन्हें जल्दी पहुंच देना और उनकी प्रतिक्रिया सुनना।
- सह-डिज़ाइन वर्कफ़्लो:एक नए उपकरण को मजबूर न करें। एआई के उत्पादन को मौजूदा निर्णय प्रवाह में एम्बेड करें। उदाहरण के लिए, एक अलग डैशबोर्ड के बजाय, ग्राहक के नाम के बगल में सीआरएम में सीधे मॉडल के churn जोखिम स्कोर को दिखाएं।
- छोटे समूहों में ट्रेन:30 मिनट के हैंड-ऑन सत्रों को चलाएं जहां उपयोगकर्ता सवाल पूछ सकते हैं और वास्तविक परिणामों को बनाम मॉडल की भविष्यवाणी के वास्तविक उदाहरण देख सकते हैं। समझानाक्योंमॉडल ने कुछ सिफारिशें की, भले ही यह एक सरलीकृत स्पष्टीकरण हो।
- एक फीडबैक पाश बनाएँ:उपयोगकर्ताओं को उन मामलों को ध्वज देने का एक आसान तरीका दें जहां एआई गलत था। यह दो उद्देश्यों को पूरा करता है: यह समय के साथ मॉडल को बेहतर बनाता है, और यह उपयोगकर्ताओं को सुना महसूस करता है। ट्रस्ट ने वृद्धि की।
- गोद लेने के लिए प्रोत्साहन टाई:यदि संभव हो, तो एआई उपयोग को शामिल करने के लिए प्रदर्शन मीट्रिक को समायोजित करें। यह दंडनीय नहीं है; यह मान्यता प्राप्त हो सकती है। एक निर्माता के साथ मैंने काम किया, जो संयंत्र प्रबंधक ने 90% मॉडल गोद लेने को हासिल किया, उन्हें तिमाही समीक्षा पर एक चिल्लाहट मिली - गोद लेने तेजी से फैल गया।
Aगार्टनर रिपोर्टपाया गया कि एआई पहल के लिए एक समर्पित परिवर्तन प्रबंधन बजट वाले संगठनों में 45% उच्च सफलता दर है। यह एक संयोग नहीं है। Theएआई परियोजना विफलता दरएक व्यक्ति की समस्या है।
सफल एआई तैनाती के वास्तविक विश्व उदाहरण
मैंने असफलता कारखानों के ऊपर सफलता की कहानियों में बदलाव देखा है। यहां तीन केस स्टडी हैं जो साबित करते हैं कि आप हरा सकते हैंएआई परियोजना विफलता दर.
केस स्टडी 1: रसद कंपनी शिपिंग पर 12% बचाती है
- समस्या:ओवर-टाइम शिपिंग लागत मध्यम आकार के तीसरे पक्ष के रसद फर्म के लिए मार्जिन का 15% खा रही थी।
- डेटा:उनके पास सेल्सफोर्स में 3 साल का शिपिंग रिकॉर्ड था, जिसमें मूल, गंतव्य, वजन, वाहक और अंतिम लागत शामिल थी। डेटा एक सप्ताह की सफाई के बाद 90% पूरा हुआ।
- आदर्श:एक ग्रेडिएंट बूस्टिंग मॉडल ने प्रति मार्ग सबसे सस्ता वाहक की भविष्यवाणी की, सेवा स्तर की आवश्यकताओं को देखते हुए।
- तैनाती:मॉडल का आउटपुट सीधे प्रेषकों के मौजूदा डैशबोर्ड में पैक किया गया था। स्टाफ को दो 45 मिनट के सत्रों में प्रशिक्षित किया गया था।
- परिणाम:6 महीने में 12% की लागत में कमी। 4 महीने में पेबैक। परियोजना सफल हुई क्योंकि यह संकीर्ण, डेटा तैयार और उपयोगकर्ता केंद्रित था। Theएआई परियोजना विफलता दरइस कंपनी के लिए अब शून्य है।
केस स्टडी 2: ई-कॉमर्स रिटेलर 18% से रूपांतरण को बढ़ाता है
- समस्या:एक मिड-मार्केट ऑनलाइन रिटेलर व्यक्तिगत सिफारिशों के माध्यम से औसत ऑर्डर मूल्य बढ़ाना चाहता था।
- डेटा:उत्पाद सूची और क्लिकस्ट्रीम डेटा को तीन डेटाबेस में सिलवाया गया था। उन्होंने 3 महीने में एक एकीकृत ग्राहक-उत्पाद इंटरेक्शन टेबल का निर्माण किया।
- आदर्श:आइटम आधारित समानता के साथ सहयोगात्मक फ़िल्टरिंग, बाद में एक हल्के तंत्रिका नेटवर्क के साथ बढ़ाया।
- तैनाती:सिफारिश विजेट ने उत्पाद पृष्ठों पर "संबंधित उत्पाद" अनुभाग को बदल दिया। ए / बी पुराने नियम आधारित प्रणाली के खिलाफ परीक्षण किया।
- परिणाम:रूपांतरण दर 18% तक बढ़ गई और औसत ऑर्डर मूल्य 11% तक बढ़ गया। Theएआई परियोजना विफलता दरयदि वे पहले डेटा एकीकरण को निर्धारित नहीं करते थे तो इस परियोजना को मार दिया जाएगा। खंडित डेटा पर निर्मित प्रारंभिक मॉडल में नियंत्रण समूह की तुलना में एक क्लिकथ्रू रेट कम था।
केस स्टडी 3: निर्माता कट डाउनटाइम द्वारा 22%
- समस्या:एक पैकेजिंग निर्माता ने एक प्रमुख उत्पादन लाइन पर अनियोजित डाउनटाइम का अनुभव किया, जिसकी लागत प्रति घंटे 50,000 डॉलर थी।
- डेटा:50 मशीनों से सेंसर डेटा (कंपन, तापमान, थ्रूपुट) के दो साल, साथ ही रखरखाव लॉग।
- आदर्श:एक यादृच्छिक वन क्लासिफायर ने 48 घंटे के लीड टाइम के साथ ब्रेकडाउन की भविष्यवाणी की। मॉडल को जानबूझकर सरल रखा गया था ताकि रखरखाव कर्मचारी शीर्ष संकेतों को समझ सकें।
- तैनाती:अलर्ट एसएमएस के माध्यम से पर्यवेक्षकों के फोन को शिफ्ट करने और संयंत्र प्रबंधन प्रणाली में एकीकृत करने के लिए भेजे गए थे। श्रमिकों को निर्देशन और परीक्षण अलर्ट पर प्रशिक्षित किया गया था।
- परिणाम:अनप्लान्ड डाउनटाइम पहले क्वार्टर में 22% गिरा, $1.3 मिलियन की बचत हुई। टीम ने बाद में ट्रस्ट बनाने के लिए एक व्याख्यात्मक परत जोड़ा। Theएआई परियोजना विफलता दरइस पहल के लिए शून्य था क्योंकि वे दिन से ऑपरेटरों को शामिल करते थे।
ये मामले अध्ययन आम लक्षणों को साझा करते हैं: एक लेजर-केंद्रित समस्या, साफ डेटा, एक MVP मानसिकता और परिवर्तन प्रबंधन में भारी निवेश। यह नाटक है।
नीचे पंक्ति: 30% में रहो
Theएआई परियोजना विफलता दरप्रकृति का कानून नहीं है। यह खराब योजना, खराब डेटा और कमजोर परिवर्तन प्रबंधन का एक लक्षण है। आप इसे हरा सकते हैं। 30% के संगठनों में स्मार्ट डेटा वैज्ञानिक नहीं हैं - उनके पास बेहतर अनुशासन है। वे एक समस्या का चयन करते हैं, अपने डेटा को साफ करते हैं, तेजी से जहाज करते हैं और अपने लोगों को साथ लाते हैं।
यहाँ मैं क्या करना चाहता हूँ?
- अपना डेटा ऑडिट करें।एक सप्ताह में अपने शीर्ष उपयोग मामले के लिए प्रमुख डेटा स्रोतों को प्रोफाइल करने के लिए खर्च करें। लापता मान, डुप्लिकेट और असंगति की पहचान करें। यदि आपका डेटा तैयार नहीं है, तो मॉडलिंग में देरी होने तक।
- एक समस्या चुनें।एक समस्या वक्तव्य और अपेक्षित ROI लिखें। व्यापार प्रायोजक और डेटा मालिक दोनों से साइन-ऑफ प्राप्त करें।
- एक MVP बनाएँ।सबसे सरल मॉडल का उपयोग करें जो काम कर सकता है। 4 सप्ताह में जहाज़, भले ही यह सही न हो। आपके द्वारा परिभाषित व्यवसाय KPI के साथ शुरुआती परिणामों को मापें।
- अपने लोगों को प्रशिक्षित करें।हैंड-ऑन सत्र चलाएं, फीडबैक इकट्ठा करें और आंतरिक चैंपियन नियुक्त करें। पता खुले में डरता है।
- Iterate और उपाय।30-day समीक्षा चक्र सेट करें। यदि MVP वादा दिखाता है, तो डेटा की गुणवत्ता और मॉडल सोफिस्टिकेशन को बेहतर बनाने में निवेश करें। अगर यह नहीं है, तो इसे तेजी से मारो और सीखो।
यदि आप उस ढांचे का पालन करते हैं, तो आप 30% सफल होंगे। मुझे पता है क्योंकि मैंने इसे किया है। मैंने दर्जनों कंपनियों की मदद की है - स्वास्थ्य देखभाल से भारी उद्योग तक - उनके लिए स्लैशएआई परियोजना विफलता दरऔर अंत में अपने डेटा से वास्तविक मूल्य निकालने।
70% और 30% के बीच का अंतर जादू नहीं है। यह विधि है।
FAQ AI प्रोजेक्ट विफलता दर के बारे में
एआई परियोजना विफलता दर क्या है?
Theएआई परियोजना विफलता दरकृत्रिम खुफिया पहलों के प्रतिशत को संदर्भित करता है जो मापने योग्य व्यवसाय मूल्य नहीं देते हैं या पायलट से उत्पादन में स्थानांतरित होने में विफल रहते हैं। BCG (2023) के अनुसार, 70% कंपनियां AI से ROI नहीं देखती हैं।(स्रोतों के रूप में उद्धृत; विफलता दर बेंचमार्क फिर से सितंबर 2026 की जाँच - उद्धृत करने से पहले वर्तमान संस्करणों की पुष्टि।)Gartner (2021) रिपोर्ट करता है कि केवल 54% एआई प्रोटोटाइप उत्पादन तक पहुंचते हैं, जिसका अर्थ है कि उस परिभाषा की विफलता दर 46% है। आईडीसी (2022) ने तैनाती से पहले 28% असफल पाया और कई अंडरपरफॉर्म। आम सहमति यह है कि एआई परियोजनाओं का 60-70% सार्थक तरीके से विफल हो गया है।
क्यों एआई परियोजनाओं का 70% विफल?
शीर्ष पांच कारण हैं: कोई स्पष्ट व्यावसायिक समस्या (प्रौद्योगिकी-पहली दृष्टिकोण), खराब डेटा (scattered, अधूरी, या mislabeled), परिवर्तन प्रबंधन की कमी (अंत उपयोगकर्ता कभी नहीं अपनाने), अवास्तविक उम्मीदों (short-term ROI की मांग), और कोई माप ढांचा (कोई KPI मूल्य साबित करने के लिए नहीं)। संस्कृति और डेटा के मुद्दों में असफलता होती है, तकनीकी कमी नहीं होती है।
मैं अपनी कंपनी में एआई परियोजना विफलता दर को कैसे कम कर सकता हूं?
एक एकल उच्च प्रभाव उपयोग मामले के साथ छोटे शुरू। निर्माण मॉडल से पहले डेटा की गुणवत्ता और एकीकरण में निवेश करें। उपयोगकर्ता प्रतिक्रिया के आधार पर न्यूनतम व्यवहार्य मॉडल और iterate का निर्माण करें। परिवर्तन प्रबंधन - प्रशिक्षण, संचार और उपयोगकर्ता परीक्षण के लिए स्पष्ट रूप से बजट आवंटित करें। 3-5 विशिष्ट, समयबद्ध KPI को परिभाषित करें जो व्यावसायिक परिणामों से जुड़ा हुआ है। इन चरणों को अपने ग्राहक कार्य में 70% से कम 30% तक विफलता दर को कम करने के लिए दिखाया गया है।
उत्पादन में एआई तैनाती के लिए सफलता दर क्या है?
गार्टनर ने पाया कि एआई परियोजनाओं का केवल 54% पायलट से उत्पादन तक चलता है। उन लोगों में जो तैनाती करते हैं, केवल एक अंश अर्थपूर्ण ROI वितरित करते हैं - BCG की 30% सफलता दर उस के साथ संरेखित होती है। इसलिए लगभग आधे प्रयोगशाला को कभी नहीं छोड़ते हैं और उनमें से जो करते हैं, मोटे तौर पर आधे बार फिर underdeliver।
औसत पर कितनी असफल AI परियोजना लागत होती है?
लागत व्यापक रूप से भिन्न होती है। मिड-रेंज AI प्रोजेक्ट में $300,000-$800,000 खर्च हो सकता है जिसमें डेटा तैयारी, सॉफ्टवेयर और प्रतिभा शामिल है। बड़े उद्यम पहल $ 5 मिलियन तक पहुंच सकती है। यदि 70% विफल हो जाता है, तो एक वर्ष में पांच परियोजनाओं को चलाने वाली कंपनी सालाना 1.5-3 मिलियन डॉलर बर्बाद कर सकती है।
क्या कुछ उद्योगों के लिए एआई परियोजना विफलता दर अधिक है?
Theएआई परियोजना विफलता दरभारी नियामक बाधाओं (स्वास्थ्य देखभाल, वित्त) या विखंडित डेटा वातावरण (निर्माण, खुदरा) वाले उद्योगों में अधिक है क्योंकि डेटा प्रशासन और परिवर्तन प्रबंधन कठिन है। हालांकि, 70% आंकड़े क्षेत्रों में काफी सुसंगत है। टेक-नेटिव कंपनियों में थोड़ा कम विफलता दर होती है क्योंकि उनके पास अक्सर बेहतर डेटा अवसंरचना और सांस्कृतिक तत्परता होती है।
क्या Genrative AI की एक अलग विफलता दर है?
सामान्य एआई परियोजनाएं अभी भी नई हैं, लेकिन प्रारंभिक संकेत सामग्री पीढ़ी से परे प्रोटीक्यू 0 एक्स को मापने में कठिनाई के कारण भी उच्च विफलता दर का सुझाव देते हैं। डेलॉइट द्वारा एक 2024 सर्वेक्षण में संकेत दिया गया है कि केवल 22% कंपनियों ने पायलट से उत्पादन तक GenAI को स्थानांतरित कर दिया है, जो पायलट-टू-प्रोडक्शन मीट्रिक द्वारा 78% विफलता दर को लागू करता है।
क्या एआई परियोजना को बचाया जा सकता है?
बिल्कुल। अधिकांश "failed" परियोजनाओं ने संगठनात्मक रूप से विफल कर दिया, तकनीकी रूप से नहीं। मैंने एक स्पष्ट समस्या परिभाषा, डेटा की सफाई और उचित परिवर्तन प्रबंधन प्रक्रिया की स्थापना करके मृत परियोजनाओं को पुनर्जीवित किया है। यह मॉडल अक्सर प्रयोग करने योग्य रहता है; यह सिर्फ सही वातावरण की जरूरत है।
एआई परियोजना विफलता दर को बीटने के लिए तैयार?
एआई पर पैसे बर्बाद करना बंद करो जो कभी जहाज नहीं करता है। परDG10 Agency, हम कंपनियों को डिजाइन, निर्माण और एआई को तैनात करने में मदद करते हैं जो वास्तव में एक प्रयोगशाला में नहीं बल्कि वास्तविक दुनिया में जहां मार्जिन मायने रखता है।
हमने काट दिया हैएआई परियोजना विफलता दरहमारे ग्राहकों के लिए औसतन 40% से अधिक है। हम आपके डेटा के साथ शुरू करते हैं। हम स्पष्ट मीट्रिक परिभाषित करते हैं। हम उन मॉडलों का निर्माण करते हैं जो आपकी टीम का उपयोग करेंगे। जब तक कि ROI आपकी आय स्टेटमेंट पर दिखाई देता है तब तक हम आपको गोद लेने के माध्यम से रहते हैं।
आज हमसे संपर्क करेंअपने एआई तैनाती लक्ष्यों के बारे में। आपको 30% में मिलता है।
पढ़ना जारी रखें
यदि इस गाइड ने मदद की है, तो ये इसके पीछे के सिस्टम पर गहरा हो जाते हैं: