70% AI ಯೋಜನೆಗಳು ಏಕೆ ವಿಫಲವಾಗುತ್ತವೆ: AI ಯೋಜನೆ ವೈಫಲ್ಯ ದರವನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಿ (ಮತ್ತು 30% ರಲ್ಲಿ ಹೇಗೆ ಇರಬೇಕು)
ಇದು ಡಜನ್‌ಗಟ್ಟಲೆ ಬಾರಿ ನಡೆಯುವುದನ್ನು ನಾನು ನೋಡಿದ್ದೇನೆ. ಒಂದು ಕಂಪನಿ ಮಷೀನ್ ಲರ್ನಿಂಗ್ ಪ್ಲಾಟ್‌ಫಾರ್ಮ್‌ನಲ್ಲಿ ಲಕ್ಷಾಂತರ ಹೂಡಿಕೆ ಮಾಡುತ್ತದೆ. ಡೇಟಾ ವಿಜ್ಞಾನಿಗಳು ಮಾದರಿಯನ್ನು ನಿರ್ಮಿಸುತ್ತಾರೆ. ಡ್ಯಾಶ್‌ಬೋರ್ಡ್ ಅದ್ಭುತವಾಗಿ ಕಾಣುತ್ತದೆ. ನಂತರ ಏನೂ ಬದಲಾಗುವುದಿಲ್ಲ. ಯೋಜನೆ ಹಾಗೇ ಸತ್ತುಹೋಗುತ್ತದೆ.
ಅದರ ಹಿಂದಿನ ಕಠೋರ ವಾಸ್ತವ ಅದು AI ಯೋಜನಾ ವೈಫಲ್ಯ ದರ . ಇದರ ಪ್ರಕಾರ 2023 ವರದಿ BCG , 70% AI ಉಪಕ್ರಮಗಳು ಯಾವುದೇ ಅಳೆಯಬಹುದಾದ ವ್ಯವಹಾರ ಮೌಲ್ಯವನ್ನು ನೀಡಲು ವಿಫಲವಾಗುತ್ತವೆ. “ಕೆಲವು ಮೌಲ್ಯ” ಅಲ್ಲ. ಶೂನ್ಯ ಮೌಲ್ಯ. Gartner AI Survey 2021ರ ಅಧ್ಯಯನವು ಕೇವಲ 54% AI ಯೋಜನೆಗಳು ಮಾತ್ರ ಪೈಲಟ್ನಿಂದ ಉತ್ಪಾದನೆಗೆ ಹೋಗುತ್ತವೆ ಎಂದು ಕಂಡುಕೊಂಡಿದೆ. ಉಳಿದವು ಸ್ಥಗಿತಗೊಳ್ಳುತ್ತವೆ. ಮತ್ತು ಒಂದು IDC study AI ಯೋಜನೆಗಳಲ್ಲಿ 28% ಡಿಪ್ಲಾಯ್‌ಮೆಂಟ್‌ಗೆ ಮೊದಲೇ ಕೈಬಿಡಲಾಗುತ್ತದೆ ಎಂದು ಬಹಿರಂಗಪಡಿಸುತ್ತದೆ, ಪ್ರೂಫ್-ಆಫ್-ಕಾನ್ಸೆಪ್ಟ್‌ಗಳ ಮೇಲೆ ಪ್ರತಿವರ್ಷ ಶತಕೋಟಿ ಡಾಲರ್‌ಗಳು ವ್ಯರ್ಥವಾಗುತ್ತವೆ, ಅವು ಎಂದಿಗೂ ಬೆಳಕು ಕಾಣುವುದಿಲ್ಲ.
ಆ ಭೀಕರ ಅಂಕಿಅಂಶದ ಎರಡೂ ಬದಿಗಳಲ್ಲಿ ಕೆಲಸ ಮಾಡಿದ್ದೇನೆ. ಶಿಪ್ ಆದ AI ಮತ್ತು ಕ್ರ್ಯಾಶ್ ಆದ AI ಎರಡನ್ನೂ ನಿರ್ಮಿಸಿದ್ದೇನೆ. ಈ ಲೇಖನದಲ್ಲಿ, ಆ 70% ಏಕೆ ವಿಫಲವಾಗುತ್ತವೆ ಮತ್ತು ಯಶಸ್ವಿ 30% ಏನು ವಿಭಿನ್ನವಾಗಿ ಮಾಡುತ್ತವೆ ಎಂಬುದನ್ನು ನಿಖರವಾಗಿ ತೋರಿಸುತ್ತೇನೆ. ಅಷ್ಟೇ ಮುಖ್ಯವಾಗಿ, ಅವುಗಳ AI ಯೋಜನಾ ವೈಫಲ್ಯ ದರ ಉದ್ಯಮದ ಸರಾಸರಿಯಿಂದ 30% ಕ್ಕಿಂತ ಕಡಿಮೆಗೆ, ಅನೇಕವೇಳೆ ಎರಡು ತ್ರೈಮಾಸಿಕಗಳಿಗಿಂತ ಕಡಿಮೆ ಅವಧಿಯಲ್ಲಿ.
ನಿಜವಾದ AI ಯೋಜನಾ ವೈಫಲ್ಯ ದರ
ಸಂಖ್ಯೆಗಳನ್ನು ಸರಿಪಡಿಸೋಣ. ಬೇರೆ ಬೇರೆ ಅಧ್ಯಯನಗಳು “ವೈಫಲ್ಯ”ದ ಬೇರೆ ಬೇರೆ ವ್ಯಾಖ್ಯಾನಗಳನ್ನು ಬಳಸುತ್ತವೆ, ಆದರೆ ಒಮ್ಮತ ಗಂಭೀರವಾಗಿದೆ.
- BCG (2023): 70% ಕಂಪನಿಗಳು ಗಣನೀಯ ಹೂಡಿಕೆಯ ನಂತರವೂ AI ನಿಂದ ಯಾವುದೇ ROI ಕಾಣುವುದಿಲ್ಲ.
- Gartner (2021): ಕೇವಲ 54% AI ಮೂಲಮಾದರಿಗಳು ಮಾತ್ರ ಉತ್ಪಾದನೆಯನ್ನು ತಲುಪುತ್ತವೆ. ಉಳಿದವು ಪ್ರಯೋಗಾಲಯವನ್ನು ಎಂದಿಗೂ ಬಿಡುವುದಿಲ್ಲ.
- IDC (2022): ನಿಯೋಜನೆಗೆ ಮೊದಲು AI ಉಪಕ್ರಮಗಳಲ್ಲಿ 28% ಸಂಪೂರ್ಣವಾಗಿ ವಿಫಲಗೊಳ್ಳುತ್ತವೆ; ನಿಯೋಜಿಸುವವುಗಳಲ್ಲಿ, 45% ನಿರೀಕ್ಷೆಗಳನ್ನು ಪೂರೈಸಲು ವಿಫಲವಾಗುತ್ತವೆ.
- MIT Sloan (2020): 70% ಕಂಪನಿಗಳು AI ನಿಂದ ಕನಿಷ್ಠ ಅಥವಾ ಯಾವುದೇ ಪರಿಣಾಮವಿಲ್ಲ ಎಂದು ವರದಿ ಮಾಡುತ್ತವೆ, ಮತ್ತು ಮಹತ್ವಾಕಾಂಕ್ಷೆ ಮತ್ತು ಕಾರ್ಯಗತಗೊಳಿಸುವಿಕೆಯ ನಡುವಿನ ಅಂತರ ಹೆಚ್ಚುತ್ತಿದೆ.
- McKinsey (2023): The State of AI ಸಮೀಕ್ಷೆಯು AI ಅಳವಡಿಕೆ ಸ್ಥಿರಗೊಂಡಿದೆ ಎಂದು ತೋರಿಸುತ್ತದೆ, ಮತ್ತು ಕೇವಲ 21% ಕಂಪನಿಗಳು ಮಾತ್ರ AI ಒಂದೇ ವ್ಯವಹಾರ ಕಾರ್ಯದಲ್ಲಿ ಗಮನಾರ್ಹ ಮೌಲ್ಯವನ್ನು ಸೃಷ್ಟಿಸಿದೆ ಎಂದು ಹೇಳುತ್ತವೆ.
The AI ಯೋಜನಾ ವೈಫಲ್ಯ ದರ ಈ ಎಲ್ಲ ಮೂಲಗಳಲ್ಲಿ ಸುಮಾರು 60–70% ರಷ್ಟಿದೆ. ಅಂದರೆ ನೀವು ಪ್ರಾರಂಭಿಸುವ ಪ್ರತಿ ಮೂರು AI ಯೋಜನೆಗಳಲ್ಲಿ ಎರಡು ನಿಮ್ಮ ಸಮಯ ಮತ್ತು ಹಣವನ್ನು ವ್ಯರ್ಥ ಮಾಡುತ್ತವೆ. ದೃಷ್ಟಿಕೋನಕ್ಕಾಗಿ ಹೇಳುವುದಾದರೆ, ಮಧ್ಯಮ ಗಾತ್ರದ ಉದ್ಯಮವು ವರ್ಷಕ್ಕೆ 10 AI ಉಪಕ್ರಮಗಳನ್ನು ಪ್ರತಿಯೊಂದಕ್ಕೆ ಸರಾಸರಿ $500,000 ವೆಚ್ಚದಲ್ಲಿ ನಿಯೋಜಿಸಿದರೆ, ಶೂನ್ಯ ಅಳೆಯಬಹುದಾದ ವ್ಯಾವಹಾರಿಕ ಪರಿಣಾಮ ನೀಡುವ ಯೋಜನೆಗಳ ಮೇಲೆ ವಾರ್ಷಿಕ $3.5 million ಅನ್ನು ಸುಡುತ್ತಿದೆ. ಅದು ನಿಷ್ಕ್ರಿಯತೆಯ ಬೆಚ್ಚಿಬೀಳಿಸುವ ವೆಚ್ಚ.
“ವೈಫಲ್ಯ”ವನ್ನು ನಾವು ಹೇಗೆ ವ್ಯಾಖ್ಯಾನಿಸುತ್ತೇವೆ
ನಾನು ಸರಳ ಪರೀಕ್ಷೆ ಬಳಸುತ್ತೇನೆ: ಯೋಜನೆ ವ್ಯವಹಾರ ಕಾರ್ಯನಿರ್ವಹಿಸುವ ರೀತಿಯನ್ನು ಬದಲಾಯಿಸಿದೆಯೇ? ಮಾದರಿ Jupyter ನೋಟ್‌ಬುಕ್‌ನಲ್ಲಿ ಕುಳಿತು ಗ್ರಾಹಕ, ಉತ್ಪನ್ನ ಅಥವಾ ಪೂರೈಕೆ ಸರಪಳಿಯನ್ನು ಎಂದಿಗೂ ಮುಟ್ಟದಿದ್ದರೆ, ಅದು ವಿಫಲವಾಗಿದೆ. ಮಾದರಿ ಲೈವ್ ಆಗಿದ್ದರೂ ಯಾರೂ ನಂಬದಿದ್ದರೆ ಅಥವಾ ಬಳಸದಿದ್ದರೆ, ಅದು ವಿಫಲವಾಗಿದೆ. “ಯಶಸ್ವಿ” AI ಯೋಜನೆ ಎಂದರೆ ಆದಾಯ ಹೆಚ್ಚಿಸುವ, ವೆಚ್ಚ ಕಡಿಮೆ ಮಾಡುವ, ಅಥವಾ ನಿಮ್ಮ ತ್ರೈಮಾಸಿಕ ಸಂಖ್ಯೆಗಳಲ್ಲಿ ಕಾಣಿಸುವ ರೀತಿಯಲ್ಲಿ ಗ್ರಾಹಕ ಅನುಭವ ಸುಧಾರಿಸುವ ಒಂದು. ಅದಕ್ಕಿಂತ ಕಡಿಮೆ ಯಾವುದೂ ಇದಕ್ಕೆ ಕೊಡುಗೆ ನೀಡುತ್ತದೆ AI ಯೋಜನಾ ವೈಫಲ್ಯ ದರ.
ಅದೇ ನಿಜವಾದ ವ್ಯಾಖ್ಯಾನ — ತಾಂತ್ರಿಕ ವೈಫಲ್ಯಗಳಲ್ಲ, ಸಾಂಸ್ಥಿಕ ವೈಫಲ್ಯಗಳು. ಸಂಪೂರ್ಣ ನಿಖರವಾದ ಮಾದರಿಯೂ ವ್ಯವಹಾರ ಅದನ್ನು ಅಳವಡಿಸಿಕೊಳ್ಳದಿದ್ದರೆ ನಿಷ್ಪ್ರಯೋಜಕ.
ಹೆಚ್ಚಿನ AI ಯೋಜನಾ ವೈಫಲ್ಯ ದರದ ಹಿಂದಿನ ಸಾಮಾನ್ಯ ಕಾರಣಗಳು
Fortune 500 ಚಿಲ್ಲರೆ ವ್ಯಾಪಾರಿಗಳಿಂದ ಮಧ್ಯಮ ಗಾತ್ರದ ಲಾಜಿಸ್ಟಿಕ್ಸ್ ಸಂಸ್ಥೆಗಳವರೆಗೆ ಡಜನ್‌ಗಟ್ಟಲೆ ಕಂಪನಿಗಳಲ್ಲಿ ವಿಫಲ ಯೋಜನೆಗಳನ್ನು ನಾನು ವಿಶ್ಲೇಷಿಸಿದ್ದೇನೆ. ಮಾದರಿ ಯಾವಾಗಲೂ ಒಂದೇ. ಐದು ದೊಡ್ಡ ಕೊಲೆಗಾರರು ಇಲ್ಲಿವೆ, ನಿಮ್ಮ ಸ್ವಂತ ಸಂಸ್ಥೆಯನ್ನು ಅವುಗಳಲ್ಲಿ ಕನಿಷ್ಠ ಒಂದರಲ್ಲಿ ಗುರುತಿಸುವಷ್ಟು ವಿವರವಾಗಿ ವಿವರಿಸಲಾಗಿದೆ.
1. ಸ್ಪಷ್ಟ ವ್ಯಾಪಾರ ಸಮಸ್ಯೆ ಇಲ್ಲ
ಹೆಚ್ಚಿನ AI ಯೋಜನೆಗಳು ತಂತ್ರಜ್ಞಾನ‑ಮೊದಲು ಮನೋಭಾವದಿಂದ ಪ್ರಾರಂಭವಾಗುತ್ತವೆ. ತಂಡವು ಜನರೇಟಿವ್ AI ಅಥವಾ ಕಂಪ್ಯೂಟರ್ ವಿಷನ್ ಬಗ್ಗೆ ಉತ್ಸುಕಗೊಂಡು “ಇದರಿಂದ ನಾವು ಏನು ಮಾಡಬಹುದು?” ಎಂದು ಕೇಳುತ್ತದೆ. “ನಮ್ಮ ಏಕೈಕ ಅತ್ಯಂತ ದುಬಾರಿ ಕಾರ್ಯಾಚರಣಾ ಸಮಸ್ಯೆ ಯಾವುದು?” ಎಂದು ಕೇಳುವ ಬದಲು. McKinsey study AI ಅನ್ನು ನಿರ್ದಿಷ್ಟ ವ್ಯವಹಾರ ಫಲಿತಾಂಶಗಳಿಗೆ ಜೋಡಿಸುವ ಕಂಪನಿಗಳು ಯಶಸ್ವಿಯಾಗುವ ಸಾಧ್ಯತೆ 1.7 ಪಟ್ಟು ಹೆಚ್ಚು ಎಂದು ಕಂಡುಕೊಂಡಿದೆ. ವಿರುದ್ಧವಾದುದು ನೋವಿನಿಂದ ನಡೆಯುವುದನ್ನು ನಾನು ನೋಡಿದ್ದೇನೆ. ಗ್ರಾಹಕ ಸರಕು ಕಂಪನಿಯೊಂದು ಬೇಡಿಕೆ ಮುನ್ಸೂಚನಾ ಮಾದರಿಯನ್ನು ನಿರ್ಮಿಸಲು $800,000 ಖರ್ಚು ಮಾಡಿತು, ಅದನ್ನು ಎಂದಿಗೂ ಬಳಸಲಾಗಲಿಲ್ಲ ಏಕೆಂದರೆ ಪೂರೈಕೆ ಸರಪಳಿ ತಂಡವು ಸಾಕಷ್ಟು ಕೆಲಸ ಮಾಡುವ ಸರಳ ನಿಯಮಗಳನ್ನು ಹೊಂದಿತ್ತು. ಮಾದರಿಯು ಯಾರೂ ಕೇಳದ ಪ್ರಶ್ನೆಗೆ ಉತ್ತರಿಸಿತು.
ನೀವು ವ್ಯಾಪಾರ ಪರಿಭಾಷೆಯಲ್ಲಿ ಯಶಸ್ಸನ್ನು ವ್ಯಾಖ್ಯಾನಿಸದಿದ್ದಾಗ, ವ್ಯಾಪ್ತಿ ವಿಸ್ತರಣೆ ಸಿಗುತ್ತದೆ. ಯೋಜನೆ ಒಂದೇ ಬಾರಿಗೆ ಮೂರು ಸಮಸ್ಯೆಗಳನ್ನು ಪರಿಹರಿಸಲು ಪ್ರಯತ್ನಿಸುತ್ತದೆ ಅಥವಾ ಅಸ್ಪಷ್ಟ “360-ಡಿಗ್ರಿ ಗ್ರಾಹಕ ನೋಟ” ವನ್ನು ಬೆನ್ನಟ್ಟುತ್ತದೆ. ಫಲಿತಾಂಶವೆಂದರೆ ಕಾರ್ಯರೂಪಕ್ಕೆ ತರಲು ತುಂಬಾ ಸಂಕೀರ್ಣವಾದ ಮಾದರಿ. AI ಯೋಜನಾ ವೈಫಲ್ಯ ದರ ಆರಂಭಿಕ ಸಮಸ್ಯಾ ಹೇಳಿಕೆ ಅಸ್ಪಷ್ಟವಾಗಿದ್ದಾಗ ಏರುತ್ತದೆ. O’Reilly ಅವರ 2024ರ ಸಮೀಕ್ಷೆಯ ಪ್ರಕಾರ, AI ಕೆಲಸ ಆರಂಭಿಸುವ ಮೊದಲು ಕೇವಲ 38% ಸಂಸ್ಥೆಗಳು ಮಾತ್ರ ಸು-ವ್ಯಾಖ್ಯಾನಿತ ಸಮಸ್ಯಾ ಹೇಳಿಕೆಯನ್ನು ಹೊಂದಿದ್ದೇವೆ ಎಂದು ಹೇಳಿವೆ. ಉಳಿದವರು ಕೇವಲ ಪ್ರಯೋಗ ಮಾಡುತ್ತಿದ್ದರು.
Real example: “AI ನೊಂದಿಗೆ ಗ್ರಾಹಕ ತೊಡಗಿಸಿಕೊಳ್ಳುವಿಕೆಯನ್ನು ಸುಧಾರಿಸಲು” ಯುರೋಪಿಯನ್ ಬ್ಯಾಂಕ್ ಬಯಸಿತು. ಆರು ತಿಂಗಳ ನಂತರ, ಯೋಜನೆಯು ಸತ್ತಿತ್ತು ಏಕೆಂದರೆ ಮಾರ್ಕೆಟಿಂಗ್ ಚರ್ನ್ ಭವಿಷ್ಯವನ್ನು ಬಯಸಿತು, ಕಾರ್ಯಾಚರಣೆಗಳು ವಂಚನೆ ಪತ್ತೆಹಚ್ಚುವಿಕೆಯನ್ನು ಬಯಸಿದವು, ಮತ್ತು ಅನುಸರಣೆ KYC ಯಾಂತ್ರೀಕರಣವನ್ನು ಬಯಸಿತು. ಎಲ್ಲರೂ ವಿಭಿನ್ನ ದಿಕ್ಕುಗಳಲ್ಲಿ ಎಳೆದರು. ಕೇಂದ್ರೀಕೃತ ಉದ್ದೇಶ — ಕ್ರೆಡಿಟ್ ಕಾರ್ಡ್ ಚರ್ನ್ ಅನ್ನು 8% ರಷ್ಟು ಕಡಿಮೆ ಮಾಡುವುದು — ಯೋಜನೆಯನ್ನು ಉಳಿಸುತ್ತಿತ್ತು.
2. Bad Data
AI ಮಾದರಿಗಳು ಸ್ವಚ್ಛ, ಲೇಬಲ್ ಮಾಡಿದ, ಪ್ರಸ್ತುತ ಡೇಟಾಕ್ಕೆ ಹಸಿದಿವೆ. ಹೆಚ್ಚಿನ ಕಂಪನಿಗಳು ಹತ್ತು ಹಳೆಯ ವ್ಯವಸ್ಥೆಗಳಲ್ಲಿ ಡೇಟಾ ಚದುರಿಹೋಗಿವೆ, ಪ್ರತಿಯೊಂದೂ “customer” ಅಥವಾ “transaction” ಗೆ ತನ್ನದೇ ವ್ಯಾಖ್ಯಾನ ಹೊಂದಿದೆ. IDC report ಜಾಗತಿಕವಾಗಿ AI ಅಳವಡಿಕೆಗೆ ಕಳಪೆ ಡೇಟಾ ಗುಣಮಟ್ಟವು ಎರಡನೇ ಅತಿದೊಡ್ಡ ಅಡಚಣೆ ಎಂದು ಹೇಳುತ್ತದೆ. ಇದು ಅತಿದೊಡ್ಡದು ಎಂದು ನಾನು ವಾದಿಸುತ್ತೇನೆ. ಕಸ ಒಳಗೆ, ಕಸ ಹೊರಗೆ ಎಂಬುದು ಕೇವಲ ನಾಣ್ಣುಡಿಯಲ್ಲ; ಇದು ನಂ-ಒನ್ ತಾಂತ್ರಿಕ ಕಾರಣ AI ಯೋಜನಾ ವೈಫಲ್ಯ ದರ ಹಠಮಾರಿಯಾಗಿ ಹೆಚ್ಚಾಗಿಯೇ ಉಳಿದಿದೆ.
ವಿಶಿಷ್ಟ AI ಯೋಜನೆ ತನ್ನ 80% ಸಮಯವನ್ನು ಡೇಟಾ ತಯಾರಿಕೆಯಲ್ಲಿ ಕಳೆಯುತ್ತದೆ — ಆದರೆ ಅನೇಕ ತಂಡಗಳು ಈ ಹಂತವನ್ನು ತ್ವರಿತವಾಗಿ ಮುಗಿಸುತ್ತವೆ. ಡೇಟಾ “ಉತ್ತಮವಾಗಿದೆ” ಎಂದು ಅವರು ಭಾವಿಸುತ್ತಾರೆ. ಅದು ಎಂದಿಗೂ ಹಾಗಿರುವುದಿಲ್ಲ. ಒಮ್ಮೆ ನಾನು ಆರೋಗ್ಯ ಸೇವಾ ಪೂರೈಕೆದಾರರೊಂದಿಗೆ ಕೆಲಸ ಮಾಡಿದೆ, ಅವರ ರೋಗಿ ಮರುದಾಖಲು ಮುನ್ಸೂಚನೆ ಮಾದರಿಯಲ್ಲಿ ನಿರ್ಣಾಯಕ ಕ್ಷೇತ್ರಗಳಲ್ಲಿ 40% ಮೌಲ್ಯಗಳು ಕಾಣೆಯಾಗಿದ್ದವು. ಡೇಟಾ ವಿಜ್ಞಾನ ತಂಡ ಅವುಗಳನ್ನು ಮಧ್ಯಮಗಳಿಂದ ತುಂಬಿತು, ಮತ್ತು ಮಾದರಿ ಪರೀಕ್ಷೆಯಲ್ಲಿ 88% ನಿಖರತೆ ಸಾಧಿಸಿತು. ಆದರೆ ಉತ್ಪಾದನೆಯಲ್ಲಿ, ಮುನ್ಸೂಚನೆಗಳು ಅಸಂಬದ್ಧವಾಗಿದ್ದವು ಏಕೆಂದರೆ ಕಾಣೆಯಾದ ಮೌಲ್ಯಗಳು ಯಾದೃಚ್ಛಿಕವಾಗಿರಲಿಲ್ಲ — ದಾಖಲಾಗದ ನಿರ್ದಿಷ್ಟ ತೊಡಕುಗಳಿರುವ ರೋಗಿಗಳಿಗೆ ಅವು ಕಾಣೆಯಾಗಿದ್ದವು. ಮೂರು ತಿಂಗಳ ವಾದದ ನಂತರ ಯೋಜನೆಯನ್ನು ಕೈಬಿಡಲಾಯಿತು.
“ಕೆಟ್ಟ ಡೇಟಾ” ಹೇಗಿರುತ್ತದೆ:
- Incomplete records: 30% ಮಾರಾಟ ದಾಖಲೆಗಳಲ್ಲಿ ಗ್ರಾಹಕ ವಿಭಾಗ ಕ್ಷೇತ್ರವಿಲ್ಲ.
- ಅಸಂಗತ ಲೇಬಲ್‌ಗಳು: ವಿಳಾಸ ಕ್ಷೇತ್ರಗಳಲ್ಲಿ “CA” ಮತ್ತು “California” ಅನ್ನು ಪರಸ್ಪರ ಬದಲಾಯಿಸಿ ಬಳಸಲಾಗಿದೆ.
- Duplicates: ಒಂದೇ ಗ್ರಾಹಕರು ವಿಭಿನ್ನ ID ಗಳೊಂದಿಗೆ ನಾಲ್ಕು ಬಾರಿ ಕಾಣಿಸಿಕೊಳ್ಳುತ್ತಾರೆ.
- Stale data: ದಾಸ್ತಾನು ದತ್ತಾಂಶವನ್ನು ವಾರಕ್ಕೊಮ್ಮೆ ನವೀಕರಿಸಲಾಗುತ್ತದೆ, ಆದರೆ ನೈಜ-ಸಮಯದ ನಿರ್ಧಾರಗಳು ಅಗತ್ಯವಿದೆ.
- Siloed data: ಗ್ರಾಹಕ ಸಂವಹನ ಡೇಟಾ CRM ನಲ್ಲಿ, ವಹಿವಾಟು ಡೇಟಾ ERP ನಲ್ಲಿ, ಮತ್ತು ಬೆಂಬಲ ಟಿಕೆಟ್‌ಗಳು ಪ್ರತ್ಯೇಕ ಸಹಾಯ ಕೇಂದ್ರದಲ್ಲಿವೆ.
ನಿಮ್ಮ ಡೇಟಾ ಏಕೀಕೃತ, ನಕಲು-ತೆಗೆದ ಮತ್ತು ಮೌಲ್ಯೀಕರಿಸಿದ್ದಲ್ಲದಿದ್ದರೆ, ಅದು ಭಾಷಾ ಮಾದರಿಯಲ್ಲದಿದ್ದರೂ ನಿಮ್ಮ AI ಭ್ರಮಿಸುತ್ತದೆ. ಆ AI ಯೋಜನಾ ವೈಫಲ್ಯ ದರ ಡೇಟಾ ಆಡಳಿತ ಚೌಕಟ್ಟು ಇಲ್ಲದ ಸಂಸ್ಥೆಗಳಿಗೆ ಹೊಂದಿರುವವರಿಗಿಂತ ಸುಮಾರು ದ್ವಿಗುಣವಾಗಿದೆ, Experian ಸಮೀಕ್ಷೆಯ ಪ್ರಕಾರ.
3. ಬದಲಾವಣೆ ನಿರ್ವಹಣೆಯ ಕೊರತೆ
ಚರ್ನ್ ಅನ್ನು 95% ನಿಖರತೆಯೊಂದಿಗೆ ಊಹಿಸುವ ಮಾಡೆಲ್ ಅನ್ನು ನೀವು ನಿರ್ಮಿಸಿದ್ದೀರಿ. ಮಾರಾಟ ತಂಡ ಅದನ್ನು ನಿರ್ಲಕ್ಷಿಸುತ್ತದೆ. ಏಕೆ? ಏಕೆಂದರೆ ಅವರಿಗೆ ಅದನ್ನು ಬಳಸಲು ತರಬೇತಿ ನೀಡಿಲ್ಲ ಮತ್ತು ಅವರಿಗೆ ಅದರಲ್ಲಿ ನಂಬಿಕೆ ಇಲ್ಲ. ಇದು AI ಉಪಕ್ರಮಗಳ ಮೌನ ಕೊಲೆಗಾರ. AI ಯೋಜನಾ ವೈಫಲ್ಯ ದರ ನಾಯಕರು AI ನಿರ್ವಾತದಲ್ಲಿ ಅಸ್ತಿತ್ವದಲ್ಲಿಲ್ಲ ಎಂಬುದನ್ನು ಮರೆತಾಗ ಏರುತ್ತದೆ — ಅದು ಜನರು ಕೆಲಸ ಮಾಡುವ ರೀತಿಯನ್ನು ಬದಲಾಯಿಸುತ್ತದೆ.
ಡಿಜಿಟಲ್ ರೂಪಾಂತರ ವೈಫಲ್ಯಗಳಲ್ಲಿ 70% ತಂತ್ರಜ್ಞಾನದಿಂದಲ್ಲ, ಸಂಸ್ಕೃತಿ ಮತ್ತು ಬದಲಾವಣೆ ನಿರ್ವಹಣೆಯಿಂದ ಎಂದು McKinsey ಕಂಡುಕೊಂಡಿದೆ. ಹಿಂದೆ ಹಿರಿಯ ವ್ಯವಸ್ಥಾಪಕರು ತೆಗೆದುಕೊಳ್ಳುತ್ತಿದ್ದ ನಿರ್ಧಾರವನ್ನು ಸ್ವಯಂಚಾಲಿಸುವ AI ಮಾದರಿ ಆ ವ್ಯವಸ್ಥಾಪಕರ ಸ್ಥಾನಮಾನಕ್ಕೆ ಬೆದರಿಕೆ. ಮಾನವ ಭಯವನ್ನು ಪರಿಹರಿಸದಿದ್ದರೆ, ಯೋಜನೆಗೆ ಹಾನಿಯಾಗುತ್ತದೆ — ಸೂಕ್ಷ್ಮವಾಗಿ ಅಥವಾ ಬಹಿರಂಗವಾಗಿ. ಚಿಲ್ಲರೆ ಸರಪಳಿಯಲ್ಲಿ ಇದನ್ನು ನಾನು ನೋಡಿದೆ, ಅಲ್ಲಿ ದಾಸ್ತಾನು ಆಪ್ಟಿಮೈಸೇಶನ್ ಮಾದರಿಯನ್ನು ಅದ್ಧೂರಿಯಾಗಿ ಹೊರತಂದರೂ, ಅಂಗಡಿ ವ್ಯವಸ್ಥಾಪಕರು “ತಮ್ಮ ಸ್ಥಳೀಯ ಮಾರುಕಟ್ಟೆ ಚೆನ್ನಾಗಿ ತಿಳಿದಿದೆ” ಎಂದು ಹಸ್ತಚಾಲಿತವಾಗಿ ಸ್ಟಾಕ್ ಆರ್ಡರ್ ಮುಂದುವರಿಸಿದರು. ಕಂಪನಿ ವ್ಯವಸ್ಥಾಪಕರ ಬೋನಸ್‌ನ ಸಣ್ಣ ಭಾಗವನ್ನು ಅಳವಡಿಕೆಗೆ ಜೋಡಿಸುವವರೆಗೆ ಆರು ತಿಂಗಳು ಮಾದರಿಯ ಶಿಫಾರಸುಗಳನ್ನು ನಿರ್ಲಕ್ಷಿಸಲಾಯಿತು. ಕಾಲುಭಾಗದಲ್ಲಿ ದಾಸ್ತಾನು ವೆಚ್ಚ 14% ಇಳಿಯಿತು.
AI ಗೆ ಬದಲಾವಣೆ ನಿರ್ವಹಣೆ ಏಕೆ ವಿಫಲವಾಗುತ್ತದೆ:
- IT ಹೊರತಾಗಿ ಯಾವುದೇ ಕಾರ್ಯನಿರ್ವಾಹಕ ಪ್ರಾಯೋಜಕರಿಲ್ಲ.
- ವಿನ್ಯಾಸದ ಸಮಯದಲ್ಲಿ ಅಂತಿಮ ಬಳಕೆದಾರರನ್ನು ಎಂದಿಗೂ ಸಂಪರ್ಕಿಸಲಿಲ್ಲ.
- ತರಬೇತಿಯು ಪ್ರಾಯೋಗಿಕ ಅಭ್ಯಾಸವಲ್ಲದೆ ಒಂದು ಗಂಟೆಯ ವೆಬಿನಾರ್ ಅನ್ನು ಒಳಗೊಂಡಿತ್ತು.
- ಮಾದರಿ ದೋಷಗಳನ್ನು ವರದಿ ಮಾಡಲು ಪ್ರತಿಕ್ರಿಯಾ ವ್ಯವಸ್ಥೆಯಿಲ್ಲ, ಆದ್ದರಿಂದ ನಂಬಿಕೆ ಕುಸಿಯಿತು.
- “ಬ್ಲ್ಯಾಕ್ ಬಾಕ್ಸ್” ಸಮಸ್ಯೆ: AI ಏಕೆ ನಿರ್ಧಾರ ತೆಗೆದುಕೊಂಡಿತು ಎಂದು ಬಳಕೆದಾರರಿಗೆ ಅರ್ಥವಾಗುವುದಿಲ್ಲ, ಆದ್ದರಿಂದ ಅವರು ಅದನ್ನು ತಿರಸ್ಕರಿಸುತ್ತಾರೆ.
A Gartner report AI ಉಪಕ್ರಮಗಳಿಗೆ ಮೀಸಲಾದ ಬದಲಾವಣೆ ನಿರ್ವಹಣಾ ಬಜೆಟ್ ಹೊಂದಿರುವ ಸಂಸ್ಥೆಗಳು 45% ಹೆಚ್ಚಿನ ಯಶಸ್ಸಿನ ದರವನ್ನು ಹೊಂದಿವೆ ಎಂದು ಕಂಡುಕೊಂಡಿದೆ. ಆದರೂ 20% ಕ್ಕಿಂತ ಕಡಿಮೆ ಕಂಪನಿಗಳು ಅದಕ್ಕಾಗಿ ಬಜೆಟ್ ನಿಗದಿಪಡಿಸುತ್ತವೆ.
4. ಅವಾಸ್ತವಿಕ ನಿರೀಕ್ಷೆಗಳು
AI ಮಾಯೆಯಲ್ಲ. ಅದು ಬೆಳ್ಳಿ ಗುಂಡಲ್ಲ. ಮತ್ತು ಮೊದಲ ತಿಂಗಳಿನಲ್ಲಿ ಅದು ಖಂಡಿತ 10x ROI ನೀಡುವುದಿಲ್ಲ. ಹೈಪ್ ಚಕ್ರವನ್ನು ನಂಬುವ ನಾಯಕರು — ಹೆಚ್ಚು ChatGPT ಡೆಮೊಗಳನ್ನು ನೋಡಿದವರು — ಹೆಚ್ಚಾಗಿ ತಕ್ಷಣದ, ಬೃಹತ್ ರೂಪಾಂತರವನ್ನು ನಿರೀಕ್ಷಿಸುತ್ತಾರೆ. ವಾಸ್ತವ ತಟ್ಟಿದಾಗ, ಅದು ಪ್ರಬುದ್ಧವಾಗಲು ಅವಕಾಶ ಸಿಗುವ ಮೊದಲೇ ಅವರು ಯೋಜನೆಯನ್ನು ಕೊಲ್ಲುತ್ತಾರೆ, ಇದನ್ನು ಹೆಚ್ಚಿಸುತ್ತಾರೆ AI ಯೋಜನಾ ವೈಫಲ್ಯ ದರ.
The MIT Sloan article ಕಂಪನಿಗಳು ಅಲ್ಪಾವಧಿಯಲ್ಲಿ AI ಏನು ಮಾಡಬಹುದು ಎಂದು ಅತಿಯಾಗಿ ಅಂದಾಜು ಮಾಡುತ್ತವೆ ಮತ್ತು ಅದನ್ನು ಅಳವಡಿಸಲು ಬೇಕಾದ ದೀರ್ಘಾವಧಿ ಕೆಲಸವನ್ನು ಕಡಿಮೆ ಅಂದಾಜು ಮಾಡುತ್ತವೆ ಎಂದು ಟಿಪ್ಪಣಿಗಳು ಹೇಳುತ್ತವೆ. AI ಆಧಾರಿತ ವಂಚನೆ ಪತ್ತೆ ವ್ಯವಸ್ಥೆಗೆ $300,000 ಖರ್ಚು ಮಾಡಿ, 30 ದಿನಗಳಲ್ಲಿ ಚಾರ್ಜ್‌ಬ್ಯಾಕ್‌ಗಳು 50% ಕಡಿಮೆಯಾಗುತ್ತವೆ ಎಂದು ನಿರೀಕ್ಷಿಸಿದ ಫಿನ್‌ಟೆಕ್ ಸ್ಟಾರ್ಟ್‌ಅಪ್ ಒಂದನ್ನು ನಾನು ನೋಡಿದ್ದೇನೆ. ಚಾರ್ಜ್‌ಬ್ಯಾಕ್‌ಗಳು ಕೇವಲ 12% ಇಳಿದಾಗ, CFO ಯೋಜನೆ ನಿಲ್ಲಿಸಿದರು — 12% ಮಾಸಿಕ ಉಳಿತಾಯವೇ ವಾರ್ಷಿಕ $1.2 million ಆಗಿದ್ದರೂ. ನಿರೀಕ್ಷೆಯ ಅಂತರವು ಸಂಪೂರ್ಣ ಕಾರ್ಯಸಾಧ್ಯ ಯೋಜನೆಯನ್ನು ಕೊಂದಿತು.
ಕೃತ್ರಿಮ ಬುದ್ಧಿಮತ್ತೆ ಕುರಿತ Gartner ಸಂಸ್ಥೆಯ Hype Cycle ವರದಿಯು ಡೀಪ್ ಲರ್ನಿಂಗ್ ಮತ್ತು ಎಡ್ಜ್ AI ನಂತಹ ತಂತ್ರಜ್ಞಾನಗಳನ್ನು ನಿಯಮಿತವಾಗಿ “ಉಬ್ಬಿದ ನಿರೀಕ್ಷೆಗಳ ಶಿಖರ”ದಲ್ಲಿ ಇರಿಸುತ್ತದೆ, ನಂತರ “ಭ್ರಮನಿರಸನದ ಕಂದಕ” ಬರುತ್ತದೆ. ಕಲಿಕೆಯ ಹಂತಕ್ಕೆ ಪ್ರಾಯೋಜಕರು ಯೋಜನೆ ಹಾಕದ ಕಾರಣ ಅನೇಕ AI ಯೋಜನೆಗಳು ಆ ಕಂದಕದಲ್ಲಿಯೇ ಸಾಯುತ್ತವೆ. The AI ಯೋಜನಾ ವೈಫಲ್ಯ ದರ ಅನೇಕವೇಳೆ ತಂತ್ರಜ್ಞಾನದಷ್ಟೇ ತಾಳ್ಮೆಯ ವೈಫಲ್ಯವಾಗಿದೆ.
5. ಮಾಪನ ಚೌಕಟ್ಟು ಇಲ್ಲ
ನೀವು ಅಳೆಯದ್ದನ್ನು ಸುಧಾರಿಸಲಾಗುವುದಿಲ್ಲ. ಆದರೂ ಸ್ಪಷ್ಟ KPI ಗಳಿಲ್ಲದೆ ಆಶ್ಚರ್ಯಕರ ಸಂಖ್ಯೆಯ AI ಲಾಂಚ್‌ಗಳು ನಡೆಯುತ್ತವೆ. ಗುರಿ ವೆಚ್ಚವನ್ನು 10% ಕಡಿಮೆ ಮಾಡುವುದಾಗಿತ್ತೇ? ಪರಿವರ್ತನೆಯನ್ನು 5% ಹೆಚ್ಚಿಸುವುದಾಗಿತ್ತೇ? ಸೈಕಲ್ ಸಮಯವನ್ನು ಮೂರು ದಿನಗಳಿಂದ ನಾಲ್ಕು ಗಂಟೆಗಳಿಗೆ ಇಳಿಸುವುದಾಗಿತ್ತೇ? ನಿರ್ದಿಷ್ಟ, ಸಮಯ-ಬದ್ಧ ಗುರಿಗಳಿಲ್ಲದೆ, ಯಾವುದೇ ಫಲಿತಾಂಶವನ್ನು ಗೆಲುವು ಎಂದು ತಿರುಗಿಸಬಹುದು — ಅಥವಾ, ಹೆಚ್ಚು ಸಾಮಾನ್ಯವಾಗಿ, AI ಏನನ್ನಾದರೂ ಮಾಡಿದೆ ಎಂದು ಯಾರೂ ಸಾಬೀತುಪಡಿಸಲಾಗುವುದಿಲ್ಲ. ಆ ಅಸ್ಪಷ್ಟತೆ ಸಾಂಸ್ಥಿಕ ನಿರಾಸಕ್ತಿಯನ್ನು ಹುಟ್ಟಿಸುತ್ತದೆ, ಮತ್ತು ಯೋಜನೆ ನಿಧಾನವಾಗಿ ಸಾಯುತ್ತದೆ.
“ದಕ್ಷತೆಯಲ್ಲಿ 70% ಸುಧಾರಣೆ” ಎಂದು ಹೇಳಿಕೊಂಡ ಯೋಜನೆಯನ್ನು ನಾನು ಒಮ್ಮೆ ಪರಿಶೀಲಿಸಿದೆ. ಅಗೆದು ನೋಡಿದಾಗ, “ದಕ್ಷತೆ”ಯನ್ನು ದಿನಕ್ಕೆ ಸರಿಪಡಿಸಿದ ಡೇಟಾ ನಮೂದುಗಳ ಸಂಖ್ಯೆ ಎಂದು ವ್ಯಾಖ್ಯಾನಿಸಲಾಗಿತ್ತು, ಆದರೆ ಒಟ್ಟಾರೆ ಪ್ರಕ್ರಿಯಾ ವೆಚ್ಚ ಅಲುಗಾಡಿರಲಿಲ್ಲ. AI ಕೆಲಸವನ್ನು ಕಡಿಮೆ ಮಾಡಿರಲಿಲ್ಲ, ಬದಲಾಯಿಸಿತ್ತು. ಅದು ಶ್ರೇಷ್ಠ ಮಾಪನ ವೈಫಲ್ಯ. ಆ AI ಯೋಜನಾ ವೈಫಲ್ಯ ದರ ಸಮಸ್ಯಾ ಹೇಳಿಕೆಗೆ ನೇರವಾಗಿ ಬಂಧಿಸಲಾದ ಸಣ್ಣ ಕಾರ್ಯಾಚರಣಾ KPI ಗಳನ್ನು ಮುಂಗಡವಾಗಿ ವ್ಯಾಖ್ಯಾನಿಸಿದಾಗ ನಾಟಕೀಯವಾಗಿ ಇಳಿಯುತ್ತದೆ.
ಕೆಲಸ ಮಾಡುವ ಉದಾಹರಣೆ KPI ಗಳು:
- 6 ತಿಂಗಳಲ್ಲಿ ಸರಾಸರಿ ಆರ್ಡರ್-ಟು-ಶಿಪ್ ಸಮಯವನ್ನು 20% ಕಡಿಮೆ ಮಾಡಿ.
- Q3 ಅಂತ್ಯದ ವೇಳೆಗೆ ಅಪ್‌ಸೆಲ್ ಪರಿವರ್ತನೆ ದರವನ್ನು 4.2% ರಿಂದ 6.0% ಗೆ ಹೆಚ್ಚಿಸಿ.
- ಹಸ್ತಚಾಲಿತ ಇನ್‌ವಾಯ್ಸ್ ಸಂಸ್ಕರಣಾ ವೆಚ್ಚವನ್ನು ವರ್ಷದಿಂದ ವರ್ಷಕ್ಕೆ 35% ಕಡಿಮೆ ಮಾಡಿ.
- ಒಂದು ತ್ರೈಮಾಸಿಕದೊಳಗೆ ಮುನ್ಸೂಚನೆ ನಿಖರತೆಯನ್ನು (MAPE) 22% ರಿಂದ 12% ಕ್ಕೆ ಸುಧಾರಿಸಿ.
ಆ ಸಂಖ್ಯೆಗಳಿಲ್ಲದೆ, ನೀವು ಕುರುಡಾಗಿ ಹಾರುತ್ತಿದ್ದೀರಿ — ಮತ್ತು ನೀವು 70% ರೊಂದಿಗೆ ಸೇರುತ್ತೀರಿ.
ನಿಮ್ಮ AI ಯೋಜನಾ ವೈಫಲ್ಯ ದರವನ್ನು ಹೇಗೆ ಕಡಿಮೆ ಮಾಡುವುದು
ಸಂಸ್ಥೆಗಳು ತಮ್ಮದನ್ನು ಕಡಿಮೆ ಮಾಡಲು ನಾನು ಸಹಾಯ ಮಾಡಿದ್ದೇನೆ AI ಯೋಜನಾ ವೈಫಲ್ಯ ದರ 70% ರಿಂದ 30% ಕ್ಕಿಂತ ಕಡಿಮೆಗೆ. ಈ ವಿಧಾನ ಆಕರ್ಷಕವಲ್ಲ. ಇದು ವ್ಯವಸ್ಥಿತವಾಗಿದೆ. ನಿರ್ದಯ ಆದ್ಯತಾ ನಿರ್ಧಾರ, ದತ್ತಾಂಶ ಶುಚಿತ್ವ, ತ್ವರಿತ ಮೂಲಮಾದರಿ ತಯಾರಿಕೆ ಮತ್ತು ಮಾನವ-ಕೇಂದ್ರಿತ ಬಿಡುಗಡೆಯ ಅಡಿಪಾಯದ ಮೇಲೆ ಇದನ್ನು ನಿರ್ಮಿಸಲಾಗಿದೆ. ಇಲ್ಲಿದೆ ನಿಖರವಾದ ನೀಲನಕ್ಷೆ.
ಹೋಲಿಕೆ ಕೋಷ್ಟಕ: ವಿಫಲ vs. ಯಶಸ್ವಿ AI ಯೋಜನೆಗಳು
| Dimension | ವಿಫಲ ಯೋಜನೆಗಳು (70%) | ಯಶಸ್ವಿ ಯೋಜನೆಗಳು (30%) |
|---|---|---|
| Problem clarity | ಅಸ್ಪಷ್ಟ ಅಥವಾ ಬಹು ಉದ್ದೇಶಗಳು | ಒಂದೇ, ಅಳೆಯಬಹುದಾದ ವ್ಯವಹಾರ ಸಮಸ್ಯೆ |
| Data readiness | ಯೋಜನೆಗೆ ಮುನ್ನ ಡೇಟಾ ಆಡಿಟ್ ಇಲ್ಲ | 90%+ ದತ್ತಾಂಶ ನಿಖರತೆ ಮತ್ತು ಲೇಬಲಿಂಗ್ ಪೂರ್ಣಗೊಂಡಿದೆ |
| Stakeholder buy-in | ಕಾರ್ಯನಿರ್ವಾಹಕ ಆದೇಶ ಮಾತ್ರ | ಮೊದಲ ದಿನದಿಂದಲೇ ತೊಡಗಿಸಿಕೊಂಡ ಅಡ್ಡ-ಕ್ರಿಯಾತ್ಮಕ ತಂಡ |
| ROI measurement | No KPIs defined | 3–5 ನಿರ್ದಿಷ್ಟ, ಸಮಯ-ಬದ್ಧ ಮಾಪನಗಳು |
| Deployment approach | Big bang launch | ಪುನರಾವರ್ತಿತ, MVP-ಆಧಾರಿತ ಬಿಡುಗಡೆ |
| Change management | No training plan | ಬಳಕೆದಾರ ತರಬೇತಿ, ಪ್ರಾಯೋಗಿಕ ಪರೀಕ್ಷೆ ಮತ್ತು ಪ್ರತಿಕ್ರಿಯಾ ಚಕ್ರಗಳು |
ಮೊದಲು ಪರಿಹರಿಸಲು ಒಂದು ಸಮಸ್ಯೆಯನ್ನು ಆರಿಸಿ
ಸಾಗರವನ್ನು ಕುದಿಸಲು ಪ್ರಯತ್ನಿಸುವುದನ್ನು ನಿಲ್ಲಿಸಿ. “ಇಡೀ ಗ್ರಾಹಕ ಪ್ರಯಾಣವನ್ನು ಪರಿವರ್ತಿಸಲು” ಪ್ರಯತ್ನಿಸಿ ವಿಫಲವಾದ $2 ಮಿಲಿಯನ್ AI ಉಪಕ್ರಮಗಳನ್ನು ನಾನು ನೋಡಿದ್ದೇನೆ. ಅದನ್ನು ಮೀರಿಸಿದ ಸಂಸ್ಥೆಗಳು AI ಯೋಜನಾ ವೈಫಲ್ಯ ದರ ಒಂದು ಸಣ್ಣ, ನೋವಿನ, ದುಬಾರಿ ಪ್ರಕ್ರಿಯೆಯನ್ನು ಆರಿಸಿ ಅದನ್ನು ನಿರ್ದಯವಾಗಿ ಎದುರಿಸಿ.
ಸಮಸ್ಯೆ-ಶೋಧನಾ ಕಾರ್ಯಾಗಾರದೊಂದಿಗೆ ಪ್ರಾರಂಭಿಸಿ. ವ್ಯವಹಾರ ಮುಖಂಡರು, ಕಾರ್ಯಾಚರಣಾ ವ್ಯವಸ್ಥಾಪಕರು ಮತ್ತು ದತ್ತಾಂಶ ವಿಶ್ಲೇಷಕರನ್ನು ಒಟ್ಟುಗೂಡಿಸಿ. ಕೇಳಿ: "ನಿಮಗೆ ನಿದ್ರೆ ಬರಿಸದ ಒಂದು ಪುನರಾವರ್ತಿತ, ದತ್ತಾಂಶ-ಚಾಲಿತ ಕಾರ್ಯವನ್ನು ಸರಿಪಡಿಸಲು ಮಾಂತ್ರಿಕ ದಂಡವನ್ನು ಬೀಸಬಹುದಾದರೆ, ಅದು ಏನಾಗಿರುತ್ತದೆ?" ನಂತರ ಆ ಆಲೋಚನೆಗಳನ್ನು ಮೂರು ಅಕ್ಷಗಳಲ್ಲಿ ಶ್ರೇಣೀಕರಿಸಿ: ಸಂಭಾವ್ಯ ವ್ಯವಹಾರ ಪರಿಣಾಮ, ದತ್ತಾಂಶ ಲಭ್ಯತೆ ಮತ್ತು ನಿಯೋಜನೆಯ ಕಾರ್ಯಸಾಧ್ಯತೆ. ಅತ್ಯುನ್ನತ ಶ್ರೇಣಿಯ ಆಲೋಚನೆಯನ್ನು ಆರಿಸಿ. "ಇದು ತಂಪಾದ AI" ಆಧಾರದ ಮೇಲೆ ಎಂದಿಗೂ ಆರಿಸಬೇಡಿ.
ಪರಿಗಣಿಸಲು ಹೆಚ್ಚಿನ-ಸಾಮರ್ಥ್ಯದ, ಸಂಕುಚಿತ ಬಳಕೆ ಸಂದರ್ಭಗಳು:
- ಗ್ರಾಹಕರ ಚರ್ನ್ ಮುನ್ಸೂಚನೆ (ಚರ್ನ್ ಅನ್ನು 5% ರಷ್ಟು ಕಡಿಮೆ ಮಾಡುವುದರಿಂದ ಲಾಭವು 25-85% ರಷ್ಟು ಹೆಚ್ಚಾಗಬಹುದು).
- ದಾಸ್ತಾನು ಬೇಡಿಕೆ ಮುನ್ಸೂಚನೆ (ಸ್ಟಾಕ್ ಖಾಲಿಯಾಗುವುದನ್ನು 30% ಕಡಿಮೆ ಮಾಡುತ್ತದೆ).
- ಸ್ವಯಂಚಾಲಿತ ಇನ್‌ವಾಯ್ಸ್ ಸಂಸ್ಕರಣೆ (ಹಸ್ತಚಾಲಿತ ಡೇಟಾ ನಮೂದು ವೆಚ್ಚವನ್ನು 50% ಕಡಿತಗೊಳಿಸುತ್ತದೆ).
- ನಿರ್ದಿಷ್ಟ ಯಂತ್ರ ವರ್ಗಕ್ಕೆ ಮುನ್ಸೂಚಕ ನಿರ್ವಹಣೆ.
- ಒಂದೇ ಉತ್ಪನ್ನ ವರ್ಗಕ್ಕೆ ಡೈನಾಮಿಕ್ ಬೆಲೆ ನಿಗದಿ.
A BCG analysis ಒಂದೇ ಹೆಚ್ಚಿನ-ಮೌಲ್ಯದ ಬಳಕೆಯ ಸಂದರ್ಭದ ಮೇಲೆ ಕೇಂದ್ರೀಕರಿಸುವ ಕಂಪನಿಗಳು ಮೊದಲ ವರ್ಷದಲ್ಲಿ ROI ನೋಡುವ ಸಾಧ್ಯತೆ 2.3 ಪಟ್ಟು ಹೆಚ್ಚು ಎಂದು ಕಂಡುಕೊಂಡಿದೆ. ಆ ಗಮನವು ಡೇಟಾ ತಯಾರಿ ಮತ್ತು ಬದಲಾವಣೆ ನಿರ್ವಹಣೆಯನ್ನು ಸುಲಭಗೊಳಿಸುತ್ತದೆ ಏಕೆಂದರೆ ಯಶಸ್ಸು ಹೇಗೆ ಕಾಣುತ್ತದೆ ಎಂದು ಎಲ್ಲರಿಗೂ ತಿಳಿದಿದೆ.
AI ಅನ್ನು ಮುಟ್ಟುವ ಮೊದಲು ನಿಮ್ಮ ಡೇಟಾವನ್ನು ಸ್ವಚ್ಛಗೊಳಿಸಿ
ನನ್ನ 80% ಸಮಯವನ್ನು ನಾನು ಡೇಟಾ ತಯಾರಿಕೆಯಲ್ಲಿ ಕಳೆಯುತ್ತೇನೆ. ನೀವೂ ಹಾಗೆಯೇ ಮಾಡಬೇಕು. ಈ ಹಂತವನ್ನು ಬಿಟ್ಟರೆ, ನೀವು ಮರಳಿನ ಮೇಲೆ ಮನೆ ಕಟ್ಟುತ್ತಿದ್ದೀರಿ. ಆ AI ಯೋಜನಾ ವೈಫಲ್ಯ ದರ ನಿಮ್ಮ ಡೇಟಾ ಆಸ್ತಿಯ ಅಸ್ತವ್ಯಸ್ತತೆಯೊಂದಿಗೆ ನೇರವಾಗಿ ಸಂಬಂಧಿಸಿದೆ.
ಯಾವುದೇ ಮಾಡೆಲಿಂಗ್ ಆರಂಭವಾಗುವ ಮೊದಲು, ಸಂಪೂರ್ಣ ಡೇಟಾ ಆಡಿಟ್ ಮಾಡಿ. ನಿಮ್ಮ ಡೇಟಾ ಮೂಲಗಳನ್ನು ನಕ್ಷೆ ಮಾಡಿ, ಸಂಪೂರ್ಣತೆ, ನಿಖರತೆ ಮತ್ತು ಸ್ಥಿರತೆಯನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಿ. ಡೇಟಾ ಪ್ರೊಫೈಲಿಂಗ್ ಸಾಧನ ಅಥವಾ ಸರಳ Python ಸ್ಕ್ರಿಪ್ಟ್ ಬಳಸಿ ಕಾಣೆಯಾದ ಮೌಲ್ಯಗಳು, ಅಸಹಜ ಮೌಲ್ಯಗಳು ಮತ್ತು ನಕಲಿ ದಾಖಲೆಗಳನ್ನು ಸಂಕ್ಷೇಪಿಸಿ. ನಂತರ ಸಮಸ್ಯೆಗಳನ್ನು ಪೈಪ್‌ಲೈನ್‌ನಲ್ಲಿ ಅಲ್ಲ, ಮೂಲದಲ್ಲೇ ಸರಿಪಡಿಸಿ.
ಪ್ರತಿ ಕ್ಲೈಂಟ್‌ನೊಂದಿಗೆ ನಾನು ಬಳಸುವ ಡೇಟಾ ಸಿದ್ಧತೆ ಚೆಕ್‌ಲಿಸ್ಟ್:
- Centralize: ಬಳಕೆಯ ಸಂದರ್ಭಕ್ಕೆ ಅಗತ್ಯವಾದ ಡೇಟಾವು ಎರಡಕ್ಕಿಂತ ಹೆಚ್ಚು ವ್ಯವಸ್ಥೆಗಳಲ್ಲಿ ಇದೆಯೇ? ಹೌದು ಎಂದಾದರೆ, ಒಂದೇ ಸತ್ಯ ಮೂಲವನ್ನು (ಡೇಟಾ ಗೋದಾಮು ಅಥವಾ ಕ್ಯಾಟಲಾಗ್ ಹೊಂದಿರುವ ಡೇಟಾ ಸರೋವರ) ರಚಿಸಿ. ಇದಿಲ್ಲದೆ, ನಿಮ್ಮ ಮಾದರಿಯ ಒಳಹರಿವುಗಳು ಛಿದ್ರಗೊಂಡು ವಿಶ್ವಾಸಾರ್ಹವಲ್ಲದವುಗಳಾಗಿರುತ್ತವೆ.
- Label correctly: ಮೇಲ್ವಿಚಾರಿತ ಕಲಿಕೆಗೆ, ಲೇಬಲ್ ಗುಣಮಟ್ಟವು ನಿರ್ಣಾಯಕವಾಗಿದೆ. “ಚರ್ನ್” ಲೇಬಲ್ ಅನ್ನು ಅಸಂಗತವಾಗಿ ವ್ಯಾಖ್ಯಾನಿಸಿದ್ದರಿಂದ ಮಾದರಿಗಳು ವಿಫಲವಾದದ್ದನ್ನು ನಾನು ನೋಡಿದ್ದೇನೆ (ಒಂದು ತಂಡವು 60 ದಿನಗಳ ನಂತರ ಗ್ರಾಹಕರನ್ನು ಚರ್ನ್ಡ್ ಎಂದು ಎಣಿಸಿತು, ಇನ್ನೊಂದು 90 ದಿನಗಳ ನಂತರ). ಡೇಟಾ ಎಂಜಿನಿಯರ್ ಅಲ್ಲದೆ ವ್ಯಾಪಾರ ಮಾಲೀಕರೊಂದಿಗೆ ಲೇಬಲ್‌ಗಳನ್ನು ವ್ಯಾಖ್ಯಾನಿಸಿ.
- ಕಾಣೆಯಾದ ಮೌಲ್ಯಗಳನ್ನು ಚಿಂತನಶೀಲವಾಗಿ ಭರ್ತಿ ಮಾಡಿ: ಸಾಲುಗಳನ್ನು ಬಿಡಬೇಡಿ ಅಥವಾ ಸರಾಸರಿಯೊಂದಿಗೆ ತುಂಬಬೇಡಿ. ಅರ್ಥಮಾಡಿಕೊಳ್ಳಿ why ಡೇಟಾ ಕಾಣೆಯಾಗಿದೆ. ಇದು ಯಾದೃಚ್ಛಿಕವೇ, ಅಥವಾ ವ್ಯವಸ್ಥಿತ ಸಮಸ್ಯೆಯನ್ನು ಸೂಚಿಸುತ್ತದೆಯೇ? ಒಮ್ಮೆ ನಾನು ಲಾಜಿಸ್ಟಿಕ್ಸ್ ಸಂಸ್ಥೆಯೊಂದಿಗೆ ಕೆಲಸ ಮಾಡಿದೆ, ಅಲ್ಲಿ 20% ತೂಕ ದಾಖಲೆಗಳು ಕಾಣೆಯಾಗಿದ್ದವು; ಮಾಪಕವನ್ನು ಬೈಪಾಸ್ ಮಾಡಿದ ಹೆಚ್ಚಿನ-ಮೌಲ್ಯದ ಸಾಗಣೆಗಳು ಅವು ಎಂದು ತಿಳಿಯಿತು. ಆ ಸಾಲುಗಳನ್ನು ಬಿಡುವುದರಿಂದ ಮಾದರಿಯು ಪಕ್ಷಪಾತವಾಗುತ್ತಿತ್ತು.
- ನಕಲಿಗಳನ್ನು ತೆಗೆದು ಪ್ರಮಾಣೀಕರಿಸಿ: ಗ್ರಾಹಕ ID ಗಳು, ಉತ್ಪನ್ನ SKU ಗಳು ಮತ್ತು ದಿನಾಂಕ ಸ್ವರೂಪಗಳು ಕೋಷ್ಟಕಗಳಲ್ಲಿ ಸ್ಥಿರವಾಗಿವೆ ಎಂದು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಿ. ಸಣ್ಣ ಡಿಡಪ್ಲಿಕೇಶನ್ ಪ್ರಯತ್ನವು ಮಾದರಿ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು 5-10% ಸುಧಾರಿಸಬಹುದು.
- ದತ್ತಾಂಶ ವಂಶಾವಳಿಯನ್ನು ದಸ್ತಾವೇಜೀಕರಿಸಿ: ಇದರಿಂದ ಒಂದು ತಿಂಗಳ ನಂತರ ಏನಾದರೂ ಮುರಿದಾಗ, ದತ್ತಾಂಶ ಎಲ್ಲಿಂದ ಬಂತು ಎಂದು ನಿಮಗೆ ತಿಳಿಯುತ್ತದೆ.
The IDC study ಮೀಸಲಾದ ಡೇಟಾ ಎಂಜಿನಿಯರಿಂಗ್ ತಂಡವಿರುವ ಸಂಸ್ಥೆಗಳು ತಮ್ಮ … ಕಡಿಮೆ ಮಾಡುತ್ತವೆ ಎಂದು ತೋರಿಸುತ್ತದೆ AI ಯೋಜನಾ ವೈಫಲ್ಯ ದರ 40% ರಷ್ಟು. ನನ್ನ ಅನುಭವದಲ್ಲಿ, ಮಾಡೆಲಿಂಗ್‌ಗೆ ಮೊದಲು 4-6 ವಾರಗಳ ಡೇಟಾ ಸ್ವಚ್ಛತಾ ಸ್ಪ್ರಿಂಟ್‌ನಲ್ಲಿ ಹೂಡಿಕೆ ಮಾಡುವ ಕಂಪನಿಗಳು ಕನಿಷ್ಠ 60% ಕಡಿಮೆ ವೈಫಲ್ಯ ದರವನ್ನು ಕಾಣುತ್ತವೆ.
ಕನಿಷ್ಠ ಕಾರ್ಯಸಾಧ್ಯ ಮಾದರಿ ನಿರ್ಮಿಸಿ
ಪರಿಪೂರ್ಣತಾವಾದವು AI ನಿಯೋಜನೆಯ ಶತ್ರು. ಮೊದಲ ದಿನವೇ 99% ನಿಖರತೆಯ ಗುರಿ ಇಡಬೇಡಿ. 4–6 ವಾರಗಳಲ್ಲಿ ರವಾನಿಸಬಹುದಾದ “ಸಾಕಷ್ಟು ಉತ್ತಮ” ಮಾದರಿಯ ಗುರಿ ಇರಿಸಿ. ನಿಜವಾದ ಬಳಕೆದಾರ ಪ್ರತಿಕ್ರಿಯೆ ಪಡೆಯಿರಿ. ನಂತರ ಪುನರಾವರ್ತಿಸಿ.
MVP ಮಾದರಿಯು ನರಜಾಲ-ಶಕ್ತಿಯ ಅಗತ್ಯವಿಲ್ಲ. ಗ್ರೇಡಿಯಂಟ್-ಬೂಸ್ಟೆಡ್ ಮರಗಳಿಗಿಂತ ಲಾಜಿಸ್ಟಿಕ್ ರಿಗ್ರೆಷನ್ ಮಾದರಿಗಳು ಸಮಸ್ಯೆಗಳನ್ನು ಉತ್ತಮವಾಗಿ ಪರಿಹರಿಸುವುದನ್ನು ನಾನು ನೋಡಿದ್ದೇನೆ, ಏಕೆಂದರೆ ಅವು ವಿವರಿಸಲು ಮತ್ತು ನಿಯೋಜಿಸಲು ಸರಳವಾಗಿದ್ದವು. ಗುರಿ ಒಂದು ಊಹೆಯನ್ನು ಪರೀಕ್ಷಿಸುವುದು: ಈ ಮಾದರಿಯನ್ನು ನಿರ್ಧಾರಕ್ಕೆ ಸಹಾಯ ಮಾಡಲು ಬಳಸಿದರೆ, ಅದು ಸೂಜಿಯನ್ನು ಚಲಿಸುತ್ತದೆಯೇ? ಊಹೆ ನಿಜವೆಂದು ಸಾಬೀತಾದರೆ, ನಂತರ ಸಂಕೀರ್ಣತೆಯನ್ನು ಹೆಚ್ಚಿಸಬಹುದು.
ನೈಜ-ಪ್ರಪಂಚದ MVP ಟೈಮ್‌ಲೈನ್:
- ವಾರ 1-2: ಡೇಟಾ ಏಕೀಕರಣ ಮತ್ತು ಲೇಬಲಿಂಗ್ (80% ಶ್ರಮ).
- ವಾರ 3: ಸರಳ ಮಾದರಿಯನ್ನು ನಿರ್ಮಿಸಿ (ಲೀನಿಯರ್ ರಿಗ್ರೆಷನ್, ಡಿಸಿಷನ್ ಟ್ರೀ, ಅಥವಾ XGBoost).
- ವಾರ 4: ಮಾದರಿಯನ್ನು ಮೂಲಭೂತ API ನಲ್ಲಿ ಸುತ್ತಿ ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಡ್ಯಾಶ್‌ಬೋರ್ಡ್ ಅಥವಾ ಸರಳ ವೆಬ್ ಆ್ಯಪ್‌ಗೆ ಸಂಪರ್ಕಿಸಿ.
- ವಾರ 5-6: 3-5 ಸ್ನೇಹಪರ ಬಳಕೆದಾರರೊಂದಿಗೆ ಪ್ರಾಯೋಗಿಕ ಪರೀಕ್ಷೆ, ಪ್ರತಿಕ್ರಿಯೆ ಸಂಗ್ರಹಿಸಿ, ಆರಂಭಿಕ KPI ಗಳನ್ನು ಅಳೆಯಿರಿ.
ಯಾರಿಗೂ ಬೇಡದ ಮಾದರಿಯನ್ನು ಪರಿಪೂರ್ಣಗೊಳಿಸಲು ಆರು ತಿಂಗಳು ಕಳೆದ ತಂಡಗಳನ್ನು ನಾನು ನೋಡಿದ್ದೇನೆ. MVP ನಿಮಗೆ ಅಗ್ಗದಲ್ಲಿ ವಿಫಲರಾಗಲು ಬಿಡುತ್ತದೆ — ಮತ್ತು ಅದು ವಿಫಲವಾಗುವುದೇ ಆದರೆ, ನೀವು $200,000 ಖರ್ಚು ಮಾಡುವ ಮೊದಲೇ ತಿಳಿಯಬೇಕು. AI ಯೋಜನಾ ವೈಫಲ್ಯ ದರ MVP ಅನ್ನು ಎಂದಿಗೂ ಬಿಡುಗಡೆ ಮಾಡದ ತಂಡಗಳಲ್ಲಿ ಅತ್ಯಧಿಕವಾಗಿದೆ; ಅವರು ಕೇವಲ ಅಂತ್ಯವಿಲ್ಲದೆ ಚುರುಕುಬುದ್ಧಿಯಿಂದ ಬದಲಾಯಿಸುತ್ತಲೇ ಇರುತ್ತಾರೆ.
ಬದಲಾವಣೆ ನಿರ್ವಹಣೆಯಲ್ಲಿ ಹೂಡಿಕೆ ಮಾಡಿ
ಅಂತಿಮ ಬಳಕೆದಾರರಿಗೆ ಅದರಲ್ಲಿ ನಂಬಿಕೆ ಇಲ್ಲದಿದ್ದರೆ ನಿಮ್ಮ AI ನಿಷ್ಪ್ರಯೋಜಕ. ಇದು ಇದರ ಮಾನವ ಮುಖ AI ಯೋಜನಾ ವೈಫಲ್ಯ ದರ , ಮತ್ತು ಹೆಚ್ಚಿನ ತಾಂತ್ರಿಕ ತಂಡಗಳು ಎಲ್ಲಿ ವಿಫಲವಾಗುತ್ತವೆ. ಪೈಲಟ್ನಿಂದ ಪೂರ್ಣ ಅಳವಡಿಕೆಗೆ ಪರಿವರ್ತನೆಗೊಳ್ಳಲು ನಿಮಗೆ ಉದ್ದೇಶಪೂರ್ವಕ ಯೋಜನೆ ಅಗತ್ಯ.
ಕನಿಷ್ಠ, ಈ ಕೆಳಗಿನವುಗಳನ್ನು ಮಾಡಿ:
- Identify champions: MVP ಅನ್ನು ಪರೀಕ್ಷಿಸಿ ಪ್ರಚಾರ ಮಾಡುವ ವ್ಯವಹಾರ ಬದಿಯ 2-3 ಪ್ರಭಾವಿ ಬಳಕೆದಾರರನ್ನು ನೇಮಿಸಿ. ಅವರಿಗೆ ಮುಂಚಿನ ಪ್ರವೇಶ ನೀಡಿ ಮತ್ತು ಅವರ ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ಆಲಿಸಿ.
- ಕಾರ್ಯಪ್ರವಾಹವನ್ನು ಸಹ-ವಿನ್ಯಾಸಗೊಳಿಸಿ: ಹೊಸ ಸಾಧನವನ್ನು ಒತ್ತಾಯಿಸಬೇಡಿ. AI ಯ ಔಟ್‌ಪುಟ್ ಅನ್ನು ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ನಿರ್ಧಾರ ಹರಿವಿನಲ್ಲಿ ಎಂಬೆಡ್ ಮಾಡಿ. ಉದಾಹರಣೆಗೆ, ಪ್ರತ್ಯೇಕ ಡ್ಯಾಶ್‌ಬೋರ್ಡ್ ಬದಲು, ಗ್ರಾಹಕರ ಹೆಸರಿನ ಪಕ್ಕದಲ್ಲಿ CRM ನಲ್ಲಿಯೇ ಮಾದರಿಯ ಚರ್ನ್ ಅಪಾಯದ ಅಂಕವನ್ನು ತೋರಿಸಿ.
- ಸಣ್ಣ ಗುಂಪುಗಳಲ್ಲಿ ತರಬೇತಿ ನೀಡಿ: ಬಳಕೆದಾರರು ಪ್ರಶ್ನೆಗಳನ್ನು ಕೇಳಬಹುದಾದ ಮತ್ತು ಮಾದರಿಯ ಭವಿಷ್ಯಗಳ ವಿರುದ್ಧ ನಿಜವಾದ ಫಲಿತಾಂಶಗಳ ನೈಜ ಉದಾಹರಣೆಗಳನ್ನು ನೋಡಬಹುದಾದ 30-ನಿಮಿಷಗಳ ಪ್ರಾಯೋಗಿಕ ಅವಧಿಗಳನ್ನು ನಡೆಸಿ. ವಿವರಿಸಿ why ಮಾದರಿಯು ಕೆಲವು ಶಿಫಾರಸುಗಳನ್ನು ಮಾಡಿತು, ಅದು ಸರಳೀಕೃತ ವಿವರಣೆಯೇ ಆಗಿದ್ದರೂ ಸಹ.
- ಪ್ರತಿಕ್ರಿಯೆ ಲೂಪ್ ರಚಿಸಿ: AI ತಪ್ಪು ಮಾಡಿದ ಪ್ರಕರಣಗಳನ್ನು ಫ್ಲ್ಯಾಗ್ ಮಾಡಲು ಬಳಕೆದಾರರಿಗೆ ಸುಲಭವಾದ ಮಾರ್ಗವನ್ನು ನೀಡಿ. ಇದರಿಂದ ಎರಡು ಉದ್ದೇಶಗಳು ಈಡೇರುತ್ತವೆ: ಕಾಲಕ್ರಮೇಣ ಮಾದರಿ ಸುಧಾರಿಸುತ್ತದೆ ಮತ್ತು ಬಳಕೆದಾರರ ಮಾತಿಗೆ ಬೆಲೆಯಿದೆ ಎಂಬ ಭಾವನೆ ಮೂಡುತ್ತದೆ. ನಂಬಿಕೆ ಹಂತಹಂತವಾಗಿ ಬೆಳೆಯುತ್ತದೆ.
- ಪ್ರೋತ್ಸಾಹಗಳನ್ನು ಅಳವಡಿಕೆಗೆ ಜೋಡಿಸಿ: ಸಾಧ್ಯವಾದರೆ, AI ಬಳಕೆಯನ್ನು ಸೇರಿಸುವಂತೆ ಕಾರ್ಯಕ್ಷಮತೆಯ ಮಾಪನಗಳನ್ನು ಹೊಂದಿಸಿ. ಅದು ಶಿಕ್ಷಾತ್ಮಕವಾಗಿರಬೇಕಿಲ್ಲ; ಅದು ಗುರುತಿಸುವಿಕೆಯೂ ಆಗಬಹುದು. ನಾನು ಕೆಲಸ ಮಾಡಿದ ಉತ್ಪಾದನಾ ಘಟಕವೊಂದರಲ್ಲಿ, 90% ಮಾದರಿ ಅಳವಡಿಕೆ ಸಾಧಿಸಿದ ಸ್ಥಾವರ ವ್ಯವಸ್ಥಾಪಕರಿಗೆ ತ್ರೈಮಾಸಿಕ ವಿಮರ್ಶೆಯಲ್ಲಿ ಶ್ಲಾಘನೆ ಸಿಕ್ಕಿತು — ಅಳವಡಿಕೆ ವೇಗವಾಗಿ ಹರಡಿತು.
A Gartner report AI ಉಪಕ್ರಮಗಳಿಗೆ ಮೀಸಲಾದ ಬದಲಾವಣೆ ನಿರ್ವಹಣಾ ಬಜೆಟ್ ಹೊಂದಿರುವ ಸಂಸ್ಥೆಗಳು 45% ಹೆಚ್ಚಿನ ಯಶಸ್ಸಿನ ದರವನ್ನು ಹೊಂದಿವೆ ಎಂದು ಕಂಡುಕೊಂಡಿದೆ. ಅದು ಆಕಸ್ಮಿಕವಲ್ಲ. AI ಯೋಜನಾ ವೈಫಲ್ಯ ದರ ಮರೆಮಾಚಿದ ಜನರ ಸಮಸ್ಯೆಯಾಗಿದೆ.
ಯಶಸ್ವಿ AI ನಿಯೋಜನೆಯ ನೈಜ ಉದಾಹರಣೆಗಳು
ಮೇಲಿನ ಚೌಕಟ್ಟು ವೈಫಲ್ಯ ಕಾರ್ಖಾನೆಗಳನ್ನು ಯಶೋಗಾಥೆಗಳಾಗಿ ಬದಲಾಯಿಸುವುದನ್ನು ನಾನು ನೋಡಿದ್ದೇನೆ. ನೀವು ಇದನ್ನು ಸೋಲಿಸಬಹುದು ಎಂದು ಸಾಬೀತುಪಡಿಸುವ ಮೂರು ಪ್ರಕರಣ ಅಧ್ಯಯನಗಳು ಇಲ್ಲಿವೆ AI ಯೋಜನಾ ವೈಫಲ್ಯ ದರ.
ಪ್ರಕರಣ ಅಧ್ಯಯನ 1: ಲಾಜಿಸ್ಟಿಕ್ಸ್ ಕಂಪನಿ ಶಿಪ್ಪಿಂಗ್‌ನಲ್ಲಿ 12% ಉಳಿಸಿದೆ
- Problem: ಮಧ್ಯಮ ಗಾತ್ರದ ಮೂರನೇ-ಪಕ್ಷದ ಲಾಜಿಸ್ಟಿಕ್ಸ್ ಸಂಸ್ಥೆಗೆ ಅಧಿಕ-ಸಮಯದ ಶಿಪ್ಪಿಂಗ್ ವೆಚ್ಚಗಳು ಮಾರ್ಜಿನ್‌ನ 15% ಅನ್ನು ತಿನ್ನುತ್ತಿದ್ದವು.
- Data: ಮೂಲ, ಗಮ್ಯಸ್ಥಾನ, ತೂಕ, ವಾಹಕ ಮತ್ತು ಅಂತಿಮ ವೆಚ್ಚ ಸೇರಿದಂತೆ Salesforce ನಲ್ಲಿ 3 ವರ್ಷಗಳ ಶಿಪ್ಪಿಂಗ್ ದಾಖಲೆಗಳನ್ನು ಅವರು ಹೊಂದಿದ್ದರು. ಒಂದು ವಾರದ ಸ್ವಚ್ಛಗೊಳಿಸುವಿಕೆಯ ನಂತರ ದತ್ತಾಂಶ 90% ಪೂರ್ಣವಾಗಿತ್ತು.
- Model: ಅಗ್ಗದ ವಾಹಕವನ್ನು ಪ್ರತಿ ಮಾರ್ಗಕ್ಕೆ ಸೇವಾ-ಮಟ್ಟದ ಅವಶ್ಯಕತೆಗಳನ್ನು ಪರಿಗಣಿಸಿ ಭವಿಷ್ಯ ನುಡಿದ ಗ್ರೇಡಿಯಂಟ್ ಬೂಸ್ಟಿಂಗ್ ಮಾದರಿ.
- Deployment: ಮಾದರಿಯ ಔಟ್‌ಪುಟ್ ಅನ್ನು ರವಾನೆದಾರರ ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಡ್ಯಾಶ್‌ಬೋರ್ಡ್‌ಗೆ ನೇರವಾಗಿ ಪ್ಯಾಕ್ ಮಾಡಲಾಯಿತು. ಸಿಬ್ಬಂದಿಗೆ ಎರಡು 45-ನಿಮಿಷಗಳ ಅವಧಿಗಳಲ್ಲಿ ತರಬೇತಿ ನೀಡಲಾಯಿತು.
- Result: 6 ತಿಂಗಳಲ್ಲಿ 12% ವೆಚ್ಚ ಕಡಿತ. 4 ತಿಂಗಳಲ್ಲಿ ಮರುಪಾವತಿ. ಯೋಜನೆಯು ಸಂಕುಚಿತ, ಡೇಟಾ-ಸಿದ್ಧ ಮತ್ತು ಬಳಕೆದಾರ-ಕೇಂದ್ರಿತವಾಗಿದ್ದರಿಂದ ಯಶಸ್ವಿಯಾಯಿತು. AI ಯೋಜನಾ ವೈಫಲ್ಯ ದರ ಈ ಕಂಪನಿಗೆ ಈಗ ಶೂನ್ಯವಾಗಿದೆ.
ಪ್ರಕರಣ ಅಧ್ಯಯನ 2: ಇ-ಕಾಮರ್ಸ್ ಚಿಲ್ಲರೆ ವ್ಯಾಪಾರಿ ಪರಿವರ್ತನೆಯನ್ನು 18% ಹೆಚ್ಚಿಸಿದೆ
- Problem: ವೈಯಕ್ತಿಕಗೊಳಿಸಿದ ಶಿಫಾರಸುಗಳ ಮೂಲಕ ಸರಾಸರಿ ಆರ್ಡರ್ ಮೌಲ್ಯವನ್ನು ಹೆಚ್ಚಿಸಲು ಬಯಸಿದ ಮಿಡ್-ಮಾರ್ಕೆಟ್ ಆನ್‌ಲೈನ್ ಚಿಲ್ಲರೆ ವ್ಯಾಪಾರಿ.
- Data: ಉತ್ಪನ್ನ ಕ್ಯಾಟಲಾಗ್ ಮತ್ತು ಕ್ಲಿಕ್‌ಸ್ಟ್ರೀಮ್ ದತ್ತಾಂಶವು ಮೂರು ಡೇಟಾಬೇಸ್‌ಗಳಲ್ಲಿ ಪ್ರತ್ಯೇಕವಾಗಿತ್ತು. ಏಕೀಕೃತ ಗ್ರಾಹಕ-ಉತ್ಪನ್ನ ಸಂವಹನ ಕೋಷ್ಟಕವನ್ನು ನಿರ್ಮಿಸಲು ಅವರು 3 ತಿಂಗಳು ಕಳೆದರು.
- Model: ಐಟಂ-ಆಧಾರಿತ ಹೋಲಿಕೆಯೊಂದಿಗೆ ಸಹಯೋಗದ ಫಿಲ್ಟರಿಂಗ್, ನಂತರ ಹಗುರವಾದ ನರಮಂಡಲದೊಂದಿಗೆ ವರ್ಧಿಸಲಾಗಿದೆ.
- Deployment: ಶಿಫಾರಸು ವಿಜೆಟ್ ಉತ್ಪನ್ನ ಪುಟಗಳಲ್ಲಿನ “Related Products” ವಿಭಾಗವನ್ನು ಬದಲಾಯಿಸಿತು. ಹಳೆಯ ನಿಯಮ-ಆಧಾರಿತ ವ್ಯವಸ್ಥೆಯ ವಿರುದ್ಧ A/B ಪರೀಕ್ಷೆ ಮಾಡಲಾಯಿತು.
- Result: ಪರಿವರ್ತನೆ ದರ 18% ಮತ್ತು ಸರಾಸರಿ ಆರ್ಡರ್ ಮೌಲ್ಯ 11% ಹೆಚ್ಚಾಯಿತು. AI ಯೋಜನಾ ವೈಫಲ್ಯ ದರ ಅವರು ಮೊದಲು ಡೇಟಾ ಏಕೀಕರಣವನ್ನು ಸರಿಪಡಿಸದಿದ್ದರೆ ಈ ಯೋಜನೆಯನ್ನು ಕೊಂದುಬಿಡುತ್ತಿತ್ತು. ಛಿದ್ರಗೊಂಡ ಡೇಟಾದ ಮೇಲೆ ನಿರ್ಮಿಸಿದ ಆರಂಭಿಕ ಮಾದರಿಯು ನಿಯಂತ್ರಣ ಗುಂಪಿಗಿಂತ ಕಡಿಮೆ ಕ್ಲಿಕ್-ಥ್ರೂ ದರವನ್ನು ಹೊಂದಿತ್ತು.
ಪ್ರಕರಣ ಅಧ್ಯಯನ 3: ತಯಾರಕರು ಡೌನ್‌ಟೈಮ್ ಅನ್ನು 22% ಕಡಿಮೆ ಮಾಡಿದ್ದಾರೆ
- Problem: ಪ್ರಮುಖ ಉತ್ಪಾದನಾ ಮಾರ್ಗದಲ್ಲಿ ಯೋಜಿತವಲ್ಲದ ಸ್ಥಗಿತವನ್ನು ಅನುಭವಿಸಿದ ಪ್ಯಾಕೇಜಿಂಗ್ ತಯಾರಕ, ಗಂಟೆಗೆ $50,000 ವೆಚ್ಚ.
- Data: 50 ಯಂತ್ರಗಳಿಂದ ಎರಡು ವರ್ಷಗಳ ಸಂವೇದಕ ದತ್ತಾಂಶ (ಕಂಪನ, ತಾಪಮಾನ, ಥ್ರೂಪುಟ್), ಜೊತೆಗೆ ನಿರ್ವಹಣಾ ದಾಖಲೆಗಳು.
- Model: 48-ಗಂಟೆ ಮುನ್ನೋಟದೊಂದಿಗೆ ಸ್ಥಗಿತಗಳನ್ನು ಭವಿಷ್ಯ ನುಡಿದ ರ್ಯಾಂಡಮ್ ಫಾರೆಸ್ಟ್ ವರ್ಗೀಕಾರಕ. ನಿರ್ವಹಣಾ ಸಿಬ್ಬಂದಿ ಉನ್ನತ ಸಂಕೇತಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಂತೆ ಮಾದರಿಯನ್ನು ಉದ್ದೇಶಪೂರ್ವಕವಾಗಿ ಸರಳವಾಗಿ ಇರಿಸಲಾಗಿತ್ತು.
- Deployment: ಎಚ್ಚರಿಕೆಗಳನ್ನು SMS ಮೂಲಕ ಶಿಫ್ಟ್ ಮೇಲ್ವಿಚಾರಕರ ಫೋನ್‌ಗಳಿಗೆ ಕಳುಹಿಸಲಾಯಿತು ಮತ್ತು ಸ್ಥಾವರ ನಿರ್ವಹಣಾ ವ್ಯವಸ್ಥೆಯಲ್ಲಿ ಸಂಯೋಜಿಸಲಾಯಿತು. ಎಚ್ಚರಿಕೆಗಳನ್ನು ಹೇಗೆ ಅರ್ಥೈಸಿಕೊಳ್ಳುವುದು ಮತ್ತು ವರ್ಗೀಕರಿಸುವುದು ಎಂದು ಕಾರ್ಮಿಕರಿಗೆ ತರಬೇತಿ ನೀಡಲಾಯಿತು.
- Result: ಮೊದಲ ತ್ರೈಮಾಸಿಕದಲ್ಲಿ ಯೋಜಿತವಲ್ಲದ ಸ್ಥಗಿತ ಸಮಯ 22% ರಷ್ಟು ಕುಸಿದು, $1.3 ಮಿಲಿಯನ್ ಉಳಿತಾಯವಾಯಿತು. ತಂಡ ನಂತರ ನಂಬಿಕೆ ನಿರ್ಮಿಸಲು ವಿವರಿಸಬಹುದಾದ ಪದರವನ್ನು ಸೇರಿಸಿತು. ದಿ AI ಯೋಜನಾ ವೈಫಲ್ಯ ದರ ಈ ಉಪಕ್ರಮಕ್ಕೆ ಶೂನ್ಯವಾಗಿತ್ತು ಏಕೆಂದರೆ ಅವರು ಮೊದಲ ದಿನದಿಂದಲೇ ನಿರ್ವಾಹಕರನ್ನು ಒಳಗೊಂಡಿದ್ದರು.
ಈ ಪ್ರಕರಣ ಅಧ್ಯಯನಗಳು ಸಾಮಾನ್ಯ ಗುಣಗಳನ್ನು ಹಂಚಿಕೊಳ್ಳುತ್ತವೆ: ಲೇಸರ್-ಕೇಂದ್ರಿತ ಸಮಸ್ಯೆ, ಸ್ವಚ್ಛ ಡೇಟಾ, MVP ಮನಸ್ಥಿತಿ, ಮತ್ತು ಬದಲಾವಣೆ ನಿರ್ವಹಣೆಯಲ್ಲಿ ಭಾರೀ ಹೂಡಿಕೆ. ಅದೇ ತಂತ್ರ.
ತೀರ್ಮಾನ: 30% ರಲ್ಲಿರಿ
The AI ಯೋಜನಾ ವೈಫಲ್ಯ ದರ ಪ್ರಕೃತಿಯ ನಿಯಮವಲ್ಲ. ಇದು ಕಳಪೆ ಯೋಜನೆ, ಕೆಟ್ಟ ಡೇಟಾ ಮತ್ತು ದುರ್ಬಲ ಬದಲಾವಣೆ ನಿರ್ವಹಣೆಯ ಲಕ್ಷಣ. ನೀವು ಅದನ್ನು ಸೋಲಿಸಬಹುದು. 30% ರಲ್ಲಿರುವ ಸಂಸ್ಥೆಗಳು ಚುರುಕಾದ ಡೇಟಾ ವಿಜ್ಞಾನಿಗಳನ್ನು ಹೊಂದಿಲ್ಲ — ಅವು ಉತ್ತಮ ಶಿಸ್ತನ್ನು ಹೊಂದಿವೆ. ಅವು ಒಂದು ಸಮಸ್ಯೆಯನ್ನು ಆಯ್ಕೆ ಮಾಡುತ್ತವೆ, ತಮ್ಮ ಡೇಟಾವನ್ನು ಸ್ವಚ್ಛಗೊಳಿಸುತ್ತವೆ, ವೇಗವಾಗಿ ಬಿಡುಗಡೆ ಮಾಡುತ್ತವೆ ಮತ್ತು ತಮ್ಮ ಜನರನ್ನು ಜೊತೆಗೆ ಕರೆದೊಯ್ಯುತ್ತವೆ.
ನೀವು ಮುಂದೆ ಏನು ಮಾಡಬೇಕೆಂದು ನಾನು ಬಯಸುತ್ತೇನೆ — ನಾಳೆಯೇ ಪ್ರಾರಂಭಿಸಬಹುದಾದ 5-ಹಂತದ ಕಾರ್ಯಯೋಜನೆ ಇಲ್ಲಿದೆ:
- Audit your data. ನಿಮ್ಮ ಪ್ರಮುಖ ಬಳಕೆಯ ಪ್ರಕರಣಕ್ಕಾಗಿ ಪ್ರಮುಖ ದತ್ತಾಂಶ ಮೂಲಗಳನ್ನು ಪ್ರೊಫೈಲ್ ಮಾಡಲು ಒಂದು ವಾರ ಕಳೆಯಿರಿ. ಕಾಣೆಯಾದ ಮೌಲ್ಯಗಳು, ನಕಲುಗಳು ಮತ್ತು ಅಸಂಗತತೆಗಳನ್ನು ಗುರುತಿಸಿ. ನಿಮ್ಮ ದತ್ತಾಂಶ ಸಿದ್ಧವಿಲ್ಲದಿದ್ದರೆ, ಮಾಡೆಲಿಂಗ್ ಸಿದ್ಧವಾಗುವವರೆಗೆ ಮುಂದೂಡಿ.
- Pick one problem. ಒಂದೇ ಸಮಸ್ಯಾ ಹೇಳಿಕೆ ಮತ್ತು ನಿರೀಕ್ಷಿತ ROI ಅನ್ನು ಬರೆದಿಡಿ. ವ್ಯವಹಾರ ಪ್ರಾಯೋಜಕರು ಮತ್ತು ಡೇಟಾ ಮಾಲೀಕರು ಇಬ್ಬರಿಂದಲೂ ಅನುಮೋದನೆ ಪಡೆಯಿರಿ.
- Build an MVP. ಕೆಲಸ ಮಾಡಬಹುದಾದ ಸರಳ ಮಾದರಿಯನ್ನು ಬಳಸಿ. ಪರಿಪೂರ್ಣವಲ್ಲದಿದ್ದರೂ 4 ವಾರಗಳಲ್ಲಿ ರವಾನಿಸಿ. ನೀವು ವ್ಯಾಖ್ಯಾನಿಸಿದ ವ್ಯವಹಾರ KPI ಗಳೊಂದಿಗೆ ಮುಂಚಿನ ಫಲಿತಾಂಶಗಳನ್ನು ಅಳೆಯಿರಿ.
- Train your people. ಪ್ರಾಯೋಗಿಕ ಅವಧಿಗಳನ್ನು ನಡೆಸಿ, ಪ್ರತಿಕ್ರಿಯೆ ಸಂಗ್ರಹಿಸಿ ಮತ್ತು ಆಂತರಿಕ ಚಾಂಪಿಯನ್‌ಗಳನ್ನು ನೇಮಿಸಿ. ಭಯಗಳನ್ನು ಮುಕ್ತವಾಗಿ ಪರಿಹರಿಸಿ.
- ಪುನರಾವರ್ತಿಸಿ ಮತ್ತು ಅಳೆಯಿರಿ. 30-ದಿನಗಳ ವಿಮರ್ಶಾ ಚಕ್ರವನ್ನು ಹೊಂದಿಸಿ. MVP ಭರವಸೆ ತೋರಿಸಿದರೆ, ದತ್ತಾಂಶ ಗುಣಮಟ್ಟ ಮತ್ತು ಮಾದರಿ ಅತ್ಯಾಧುನಿಕತೆಯನ್ನು ಸುಧಾರಿಸಲು ಹೂಡಿಕೆ ಮಾಡಿ. ಇಲ್ಲದಿದ್ದರೆ, ವೇಗವಾಗಿ ನಿಲ್ಲಿಸಿ ಕಲಿಯಿರಿ.
ಆ ಚೌಕಟ್ಟನ್ನು ಅನುಸರಿಸಿದರೆ, ಯಶಸ್ವಿಯಾಗುವ 30% ರಲ್ಲಿ ನೀವು ಸೇರುತ್ತೀರಿ. ನನಗೆ ಗೊತ್ತು ಏಕೆಂದರೆ ನಾನು ಮಾಡಿದ್ದೇನೆ. ಆರೋಗ್ಯದಿಂದ ಭಾರೀ ಉದ್ಯಮದವರೆಗೆ ಡಜನ್‌ಗಟ್ಟಲೆ ಕಂಪನಿಗಳಿಗೆ ಸಹಾಯ ಮಾಡಿದ್ದೇನೆ — ಅವರ AI ಯೋಜನಾ ವೈಫಲ್ಯ ದರ ಮತ್ತು ಅಂತಿಮವಾಗಿ ತಮ್ಮ ಡೇಟಾದಿಂದ ನಿಜವಾದ ಮೌಲ್ಯವನ್ನು ಪಡೆಯುತ್ತಾರೆ.
70% ಮತ್ತು 30% ನಡುವಿನ ವ್ಯತ್ಯಾಸ ಮಾಂತ್ರಿಕವಲ್ಲ. ಇದು ವಿಧಾನ.
AI ಯೋಜನಾ ವೈಫಲ್ಯ ದರದ ಬಗ್ಗೆ FAQ ಗಳು
AI ಯೋಜನಾ ವೈಫಲ್ಯ ದರ ನಿಖರವಾಗಿ ಎಷ್ಟು?
The AI ಯೋಜನಾ ವೈಫಲ್ಯ ದರ ಅಳೆಯಬಹುದಾದ ವ್ಯವಹಾರ ಮೌಲ್ಯವನ್ನು ನೀಡದ ಅಥವಾ ಪೈಲಟ್ನಿಂದ ಪ್ರೊಡಕ್ಷನ್ಗೆ ಹೋಗಲು ವಿಫಲವಾದ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಉಪಕ್ರಮಗಳ ಶೇಕಡಾವಾರು ಪ್ರಮಾಣವನ್ನು ಸೂಚಿಸುತ್ತದೆ. BCG (2023) ಪ್ರಕಾರ, 70% ಕಂಪನಿಗಳು AIನಿಂದ ಯಾವುದೇ ROI ಕಾಣುವುದಿಲ್ಲ. (ಉಲ್ಲೇಖಿಸಿದಂತೆ ಮೂಲಗಳು; ವೈಫಲ್ಯ-ದರ ಮಾನದಂಡಗಳನ್ನು ಸೆಪ್ಟೆಂಬರ್ 2026 ರಲ್ಲಿ ಮರು-ಪರಿಶೀಲಿಸಲಾಗಿದೆ — ಉಲ್ಲೇಖಿಸುವ ಮೊದಲು ಪ್ರಸ್ತುತ ಆವೃತ್ತಿಗಳನ್ನು ದೃಢೀಕರಿಸಿ.) Gartner (2021) ವರದಿ ಮಾಡಿರುವಂತೆ ಕೇವಲ 54% AI ಮೂಲಮಾದರಿಗಳು ಮಾತ್ರ ಉತ್ಪಾದನಾ ಹಂತವನ್ನು ತಲುಪುತ್ತವೆ, ಅಂದರೆ ಆ ವ್ಯಾಖ್ಯಾನದ ಪ್ರಕಾರ ವೈಫಲ್ಯದ ಪ್ರಮಾಣ 46%. IDC (2022) ನಡೆಸಿದ ಅಧ್ಯಯನದಲ್ಲಿ 28% ನಿಯೋಜನೆಗೆ ಮೊದಲೇ ವಿಫಲವಾಗುತ್ತವೆ ಮತ್ತು ಇನ್ನೂ ಹಲವು ನಿರೀಕ್ಷೆಗೆ ತಕ್ಕಂತೆ ಕಾರ್ಯನಿರ್ವಹಿಸುವುದಿಲ್ಲ ಎಂದು ಕಂಡುಬಂದಿದೆ. 60-70% AI ಯೋಜನೆಗಳು ಯಾವುದಾದರೂ ಅರ್ಥಪೂರ್ಣ ರೀತಿಯಲ್ಲಿ ವಿಫಲವಾಗುತ್ತವೆ ಎಂಬುದು ಸಾಮಾನ್ಯ ಒಮ್ಮತ.
70% AI ಯೋಜನೆಗಳು ಏಕೆ ವಿಫಲವಾಗುತ್ತವೆ?
ಟಾಪ್ ಐದು ಕಾರಣಗಳು: ಸ್ಪಷ್ಟ ವ್ಯಾಪಾರ ಸಮಸ್ಯೆ ಇಲ್ಲ (ತಂತ್ರಜ್ಞಾನ-ಮೊದಲು ವಿಧಾನ), ಕೆಟ್ಟ ಡೇಟಾ (ಚದುರಿದ, ಅಪೂರ್ಣ ಅಥವಾ ತಪ್ಪು ಲೇಬಲ್), ಬದಲಾವಣೆ ನಿರ್ವಹಣೆ ಕೊರತೆ (ಅಂತಿಮ ಬಳಕೆದಾರರು ಎಂದಿಗೂ ಅಳವಡಿಸಿಕೊಳ್ಳುವುದಿಲ್ಲ), ಅವಾಸ್ತವಿಕ ನಿರೀಕ್ಷೆಗಳು (ಅಲ್ಪಾವಧಿ ROI ಬೇಡಿಕೆ), ಮತ್ತು ಅಳತೆ ಚೌಕಟ್ಟು ಇಲ್ಲ (ಮೌಲ್ಯ ಸಾಬೀತುಪಡಿಸಲು KPI ಗಳಿಲ್ಲ). ಸಂಸ್ಕೃತಿ ಮತ್ತು ಡೇಟಾ ಸಮಸ್ಯೆಗಳು ಹೆಚ್ಚಿನ ವೈಫಲ್ಯಗಳಿಗೆ ಕಾರಣ, ತಾಂತ್ರಿಕ ನ್ಯೂನತೆಗಳಲ್ಲ.
ನನ್ನ ಕಂಪನಿಯಲ್ಲಿ AI ಯೋಜನಾ ವೈಫಲ್ಯ ದರವನ್ನು ನಾನು ಹೇಗೆ ಕಡಿಮೆ ಮಾಡಬಹುದು?
ಒಂದೇ ಉನ್ನತ-ಪರಿಣಾಮದ ಬಳಕೆ ಪ್ರಕರಣದೊಂದಿಗೆ ಚಿಕ್ಕದಾಗಿ ಪ್ರಾರಂಭಿಸಿ. ಮಾದರಿಗಳನ್ನು ನಿರ್ಮಿಸುವ ಮೊದಲು ದತ್ತಾಂಶ ಗುಣಮಟ್ಟ ಮತ್ತು ಏಕೀಕರಣದಲ್ಲಿ ಹೂಡಿಕೆ ಮಾಡಿ. ಕನಿಷ್ಠ ಕಾರ್ಯಸಾಧ್ಯ ಮಾದರಿಯನ್ನು ನಿರ್ಮಿಸಿ ಬಳಕೆದಾರ ಪ್ರತಿಕ್ರಿಯೆಯ ಆಧಾರದ ಮೇಲೆ ಪುನರಾವರ್ತಿಸಿ. ಬದಲಾವಣೆ ನಿರ್ವಹಣೆಗೆ — ತರಬೇತಿ, ಸಂವಹನ ಮತ್ತು ಬಳಕೆದಾರ ಪರೀಕ್ಷೆಗೆ — ಸ್ಪಷ್ಟವಾಗಿ ಬಜೆಟ್ ನಿಗದಿಪಡಿಸಿ. ವ್ಯವಹಾರ ಫಲಿತಾಂಶಗಳಿಗೆ ಬದ್ಧವಾದ 3-5 ನಿರ್ದಿಷ್ಟ, ಸಮಯ-ಬದ್ಧ KPI ಗಳನ್ನು ವ್ಯಾಖ್ಯಾನಿಸಿ. ಈ ಹಂತಗಳು ನನ್ನ ಸ್ವಂತ ಗ್ರಾಹಕ ಕೆಲಸದಲ್ಲಿ ವೈಫಲ್ಯ ದರಗಳನ್ನು 70% ರಿಂದ 30% ಕ್ಕಿಂತ ಕಡಿಮೆಗೆ ಇಳಿಸಿವೆ ಎಂದು ತೋರಿಸಲಾಗಿದೆ.
ಉತ್ಪಾದನೆಯಲ್ಲಿ AI ನಿಯೋಜನೆಯ ಯಶಸ್ಸಿನ ದರ ಎಷ್ಟು?
ಪೈಲಟ್ನಿಂದ ಪ್ರೊಡಕ್ಷನ್ಗೆ ಕೇವಲ 54% AI ಯೋಜನೆಗಳು ಮಾತ್ರ ಹೋಗುತ್ತವೆ ಎಂದು Gartner ಕಂಡುಕೊಂಡಿದೆ. ನಿಯೋಜಿಸುವವುಗಳಲ್ಲಿ ಅರ್ಥಪೂರ್ಣ ROI ನೀಡುವುದು ಕೆಲವೇ — BCG ಯ 30% ಯಶಸ್ಸಿನ ದರ ಅದಕ್ಕೆ ಹೊಂದುತ್ತದೆ. ಹಾಗಾಗಿ ಸುಮಾರು ಅರ್ಧದಷ್ಟು ಲ್ಯಾಬ್ ಬಿಡುವುದೇ ಇಲ್ಲ, ಮತ್ತು ಹೋಗುವವುಗಳಲ್ಲಿ ಮತ್ತೆ ಸುಮಾರು ಅರ್ಧದಷ್ಟು ಕಡಿಮೆ ಸಾಧಿಸುತ್ತವೆ.
ವಿಫಲವಾದ AI ಯೋಜನೆಗೆ ಸರಾಸರಿ ಎಷ್ಟು ವೆಚ್ಚ?
ವೆಚ್ಚಗಳು ವ್ಯಾಪಕವಾಗಿ ಬದಲಾಗುತ್ತವೆ. ಮಧ್ಯಮ ಶ್ರೇಣಿಯ AI ಯೋಜನೆಗೆ ಡೇಟಾ ತಯಾರಿ, ಸಾಫ್ಟ್‌ವೇರ್ ಮತ್ತು ಪ್ರತಿಭೆ ಸೇರಿ $300,000-$800,000 ವೆಚ್ಚವಾಗಬಹುದು. ದೊಡ್ಡ ಎಂಟರ್‌ಪ್ರೈಸ್ ಉಪಕ್ರಮಗಳು $2-5 ಮಿಲಿಯನ್ ತಲುಪಬಹುದು. 70% ವಿಫಲವಾದರೆ, ವರ್ಷಕ್ಕೆ ಐದು ಯೋಜನೆಗಳನ್ನು ನಡೆಸುವ ಕಂಪನಿ ವಾರ್ಷಿಕ $1.5-3 ಮಿಲಿಯನ್ ವ್ಯರ್ಥ ಮಾಡಬಹುದು.
ಕೆಲವು ಉದ್ಯಮಗಳಿಗೆ AI ಯೋಜನಾ ವೈಫಲ್ಯ ದರ ಹೆಚ್ಚಿದೆಯೇ?
The AI ಯೋಜನಾ ವೈಫಲ್ಯ ದರ ಭಾರಿ ನಿಯಂತ್ರಕ ನಿರ್ಬಂಧಗಳಿರುವ (ಆರೋಗ್ಯ, ಹಣಕಾಸು) ಅಥವಾ ಛಿದ್ರಗೊಂಡ ಡೇಟಾ ಪರಿಸರಗಳಿರುವ (ಉತ್ಪಾದನೆ, ಚಿಲ್ಲರೆ) ಉದ್ಯಮಗಳಲ್ಲಿ ಹೆಚ್ಚಾಗಿದೆ, ಏಕೆಂದರೆ ಡೇಟಾ ಆಡಳಿತ ಮತ್ತು ಬದಲಾವಣೆ ನಿರ್ವಹಣೆ ಕಷ್ಟ. ಆದಾಗ್ಯೂ, 70% ಅಂಕಿ ವಲಯಗಳಾದ್ಯಂತ ಸಾಕಷ್ಟು ಸ್ಥಿರವಾಗಿದೆ. ತಂತ್ರಜ್ಞಾನ-ಸ್ಥಳೀಯ ಕಂಪನಿಗಳು ಸ್ವಲ್ಪ ಕಡಿಮೆ ವೈಫಲ್ಯ ದರಗಳನ್ನು ಹೊಂದಿರುತ್ತವೆ, ಏಕೆಂದರೆ ಅವು ಅನೇಕವೇಳೆ ಉತ್ತಮ ಡೇಟಾ ಮೂಲಸೌಕರ್ಯ ಮತ್ತು ಸಾಂಸ್ಕೃತಿಕ ಸನ್ನದ್ಧತೆಯನ್ನು ಹೊಂದಿರುತ್ತವೆ.
ಜನರೇಟಿವ್ AI ವಿಭಿನ್ನ ವೈಫಲ್ಯ ದರವನ್ನು ಹೊಂದಿದೆಯೇ?
ಜನರೇಟಿವ್ AI ಯೋಜನೆಗಳು ಇನ್ನೂ ಹೊಸತು, ಆದರೆ ಆರಂಭಿಕ ಸೂಚನೆಗಳು ಉಬ್ಬಿದ ನಿರೀಕ್ಷೆಗಳು, ನೈತಿಕ ಅಪಾಯಗಳು ಮತ್ತು ವಿಷಯ ರಚನೆಯನ್ನು ಮೀರಿ ROI ಅಳೆಯುವಲ್ಲಿನ ಕಷ್ಟದಿಂದಾಗಿ ಇನ್ನೂ ಹೆಚ್ಚಿನ ವೈಫಲ್ಯ ಪ್ರಮಾಣವನ್ನು ಸೂಚಿಸುತ್ತವೆ. Deloitte ನ 2024 ರ ಸಮೀಕ್ಷೆಯು ಕೇವಲ 22% ಕಂಪನಿಗಳು ಮಾತ್ರ GenAI ಅನ್ನು ಪೈಲಟ್ನಿಂದ ಉತ್ಪಾದನೆಗೆ ಸ್ಥಳಾಂತರಿಸಿವೆ ಎಂದು ಸೂಚಿಸಿತು, ಇದು ಪೈಲಟ್-ಟು-ಉತ್ಪಾದನಾ ಮಾಪನದಲ್ಲಿ 78% ವೈಫಲ್ಯ ಪ್ರಮಾಣವನ್ನು ಸೂಚಿಸುತ್ತದೆ.
ವಿಫಲವಾದ AI ಯೋಜನೆಯನ್ನು ಉಳಿಸಬಹುದೇ?
ಖಂಡಿತ. ಹೆಚ್ಚಿನ 'ವಿಫಲ' ಯೋಜನೆಗಳು ತಾಂತ್ರಿಕವಾಗಿ ಅಲ್ಲದೆ ಸಾಂಸ್ಥಿಕವಾಗಿ ವಿಫಲವಾದವು. ಸ್ಪಷ್ಟ ಸಮಸ್ಯಾ ವ್ಯಾಖ್ಯಾನದೊಂದಿಗೆ ಮರುಪ್ರಾರಂಭಿಸಿ, ಡೇಟಾವನ್ನು ಸ್ವಚ್ಛಗೊಳಿಸಿ ಮತ್ತು ಸರಿಯಾದ ಬದಲಾವಣೆ ನಿರ್ವಹಣಾ ಪ್ರಕ್ರಿಯೆಯನ್ನು ಸ್ಥಾಪಿಸುವ ಮೂಲಕ ನಾನು ಸತ್ತ ಯೋಜನೆಗಳನ್ನು ಪುನರುಜ್ಜೀವನಗೊಳಿಸಿದ್ದೇನೆ. ಮಾದರಿಯು ಹೆಚ್ಚಾಗಿ ಬಳಸಬಹುದಾಗಿಯೇ ಉಳಿದಿರುತ್ತದೆ; ಅದಕ್ಕೆ ಸರಿಯಾದ ವಾತಾವರಣ ಬೇಕು.
AI ಪ್ರಾಜೆಕ್ಟ್ ವೈಫಲ್ಯ ಪ್ರಮಾಣವನ್ನು ಮೀರಲು ಸಿದ್ಧರಿದ್ದೀರಾ?
ಎಂದಿಗೂ ಬಿಡುಗಡೆಯಾಗದ AI ಮೇಲೆ ಹಣ ವ್ಯರ್ಥ ಮಾಡುವುದನ್ನು ನಿಲ್ಲಿಸಿ. DG10 Agency , ನಾವು ಕಂಪನಿಗಳಿಗೆ AI ಅನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸಲು, ನಿರ್ಮಿಸಲು ಮತ್ತು ನಿಯೋಜಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತೇವೆ ಅದು ನಿಜವಾಗಿಯೂ ಕೆಲಸ ಮಾಡುತ್ತದೆ — ಪ್ರಯೋಗಾಲಯದಲ್ಲಲ್ಲ, ಆದರೆ ಮಾರ್ಜಿನ್‌ಗಳು ಮುಖ್ಯವಾಗುವ ನೈಜ ಜಗತ್ತಿನಲ್ಲಿ.
We’ve cut the AI ಯೋಜನಾ ವೈಫಲ್ಯ ದರ ನಮ್ಮ ಗ್ರಾಹಕರಿಗೆ ಸರಾಸರಿ 40% ಕ್ಕಿಂತ ಹೆಚ್ಚು. ನಿಮ್ಮ ಡೇಟಾದೊಂದಿಗೆ ನಾವು ಆರಂಭಿಸುತ್ತೇವೆ. ಸ್ಪಷ್ಟ ಮೆಟ್ರಿಕ್‌ಗಳನ್ನು ನಾವು ವ್ಯಾಖ್ಯಾನಿಸುತ್ತೇವೆ. ನಿಮ್ಮ ತಂಡ ಬಳಸುವ ಮಾದರಿಗಳನ್ನು ನಾವು ನಿರ್ಮಿಸುತ್ತೇವೆ. ಮತ್ತು ROI ನಿಮ್ಮ ಆದಾಯ ಹೇಳಿಕೆಯಲ್ಲಿ ಕಾಣಿಸಿಕೊಳ್ಳುವವರೆಗೆ ನಾವು ನಿಮ್ಮೊಂದಿಗೆ ಇರುತ್ತೇವೆ.
Talk to us today ನಿಮ್ಮ AI ನಿಯೋಜನಾ ಗುರಿಗಳ ಬಗ್ಗೆ. 30% ರೊಳಗೆ ನಿಮ್ಮನ್ನು ಸೇರಿಸೋಣ.
Keep Reading
ಈ ಮಾರ್ಗದರ್ಶಿ ಸಹಾಯ ಮಾಡಿದ್ದರೆ, ಇವು ಅದರ ಹಿಂದಿನ ವ್ಯವಸ್ಥೆಗಳ ಬಗ್ಗೆ ಆಳವಾಗಿ ಹೋಗುತ್ತವೆ: