70% AI പ്രോജക്ടുകൾ പരാജയപ്പെടുന്നത് എന്തുകൊണ്ട്: AI പ്രോജക്ട് പരാജയനിരക്ക് മനസ്സിലാക്കാം (എങ്ങനെ 30%-ത്തിൽ ഉൾപ്പെടാം)

70% AI പ്രോജക്ടുകൾ പരാജയപ്പെടുന്നത് എന്തുകൊണ്ട്: AI പ്രോജക്ട് പരാജയനിരക്ക് മനസ്സിലാക്കാം (എങ്ങനെ 30%-ത്തിൽ ഉൾപ്പെടാം)

ഇത് ഡസൻകണക്കിന് തവണ സംഭവിക്കുന്നത് ഞാൻ കണ്ടിട്ടുണ്ട്. ഒരു കമ്പനി ഒരു മെഷീൻ ലേണിംഗ് പ്ലാറ്റ്ഫോമിൽ ആറക്ക തുക നിക്ഷേപിക്കുന്നു. ഡാറ്റാ ശാസ്ത്രജ്ഞർ ഒരു മോഡൽ നിർമ്മിക്കുന്നു. ഡാഷ്‌ബോർഡ് അതിമനോഹരമായി കാണപ്പെടുന്നു. പിന്നെ ഒന്നും മാറുന്നില്ല. പദ്ധതി വാടിപ്പോകുന്നു.

പിന്നിലെ നിരാശാജനകമായ യാഥാർത്ഥ്യം അതാണ് AI പ്രോജക്ട് പരാജയ നിരക്ക്. ... ൽ നിന്നുള്ള 2023 റിപ്പോർട്ട് അനുസരിച്ച് BCG, 70% AI സംരംഭങ്ങൾ അളക്കാവുന്ന ബിസിനസ് മൂല്യം നൽകുന്നതിൽ പരാജയപ്പെടുന്നു. “കുറച്ച് മൂല്യം” എന്നല്ല. പൂജ്യം മൂല്യം. Gartner AI Survey 2021-ലെ പഠനം കണ്ടെത്തിയത് AI പദ്ധതികളിൽ വെറും 54% മാത്രമാണ് പൈലറ്റിൽ നിന്ന് പ്രൊഡക്ഷനിലേക്ക് എത്തുന്നതെന്നാണ്. ബാക്കിയെല്ലാം നിലച്ചുപോകുന്നു. ഒപ്പം ഒരു IDC study AI പദ്ധതികളിൽ 28% വിന്യാസത്തിന് മുൻപ് ഉപേക്ഷിക്കപ്പെടുന്നുവെന്നും, വെളിച്ചം കാണാത്ത പ്രൂഫ്-ഓഫ്-കൺസെപ്റ്റുകളിൽ പ്രതിവർഷം ബില്യൺ കണക്കിന് ഡോളർ പാഴാകുന്നുവെന്നും വെളിപ്പെടുത്തുന്നു.

ആ വിനാശകരമായ സ്ഥിതിവിവരത്തിന്റെ രണ്ട് വശത്തും ഞാൻ പ്രവർത്തിച്ചിട്ടുണ്ട്. വിജയിച്ച AI-യും തകർന്ന AI-യും ഞാൻ നിർമ്മിച്ചിട്ടുണ്ട്. ആ 70% പരാജയപ്പെടുന്നത് എന്തുകൊണ്ടെന്നും വിജയിക്കുന്ന 30% വ്യത്യസ്തമായി ചെയ്യുന്നതെന്തെന്നും ഈ ലേഖനത്തിൽ ഞാൻ കൃത്യമായി കാണിച്ചുതരാം. ഏറ്റവും പ്രധാനമായി, അവരുടെ കുറയ്ക്കാൻ ഓർഗനൈസേഷനുകളെ സഹായിച്ചിട്ടുള്ള ആവർത്തിക്കാവുന്ന ഒരു ചട്ടക്കൂട് ഞാൻ നിങ്ങൾക്ക് നൽകും — അവരുടെ AI പ്രോജക്ട് പരാജയ നിരക്ക് വ്യവസായ ശരാശരിയിൽ നിന്ന് 30%-ത്തിൽ താഴേക്ക്, പലപ്പോഴും രണ്ട് പാദങ്ങൾക്കുള്ളിൽ.

യഥാർത്ഥ AI പ്രോജക്ട് പരാജയ നിരക്ക്

സംഖ്യകൾ ശരിയാക്കാം. “പരാജയം” എന്നതിന് വ്യത്യസ്ത പഠനങ്ങൾ വ്യത്യസ്ത നിർവചനങ്ങൾ ഉപയോഗിക്കുന്നു, പക്ഷേ സമവായം ഗൗരവകരമാണ്.

• BCG (2023): ഗണ്യമായ നിക്ഷേപത്തിന് ശേഷവും 70% കമ്പനികൾക്കും AI-യിൽ നിന്ന് ROI കാണുന്നില്ല.
• Gartner (2021): AI പ്രോട്ടോടൈപ്പുകളിൽ 54% മാത്രമേ പ്രൊഡക്ഷനിലെത്തുന്നുള്ളൂ. ബാക്കിയൊന്നും ലാബ് വിടുന്നില്ല.
• IDC (2022): AI സംരംഭങ്ങളുടെ 28% വിന്യാസത്തിന് മുമ്പ് പൂർണ്ണമായും പരാജയപ്പെടുന്നു; വിന്യസിക്കുന്നവയിൽ 45% പ്രതീക്ഷകൾ നിറവേറ്റുന്നില്ല.
• MIT Sloan (2020): 70% കമ്പനികളും AI-യിൽ നിന്ന് നാമമാത്രമായ അല്ലെങ്കിൽ യാതൊരു സ്വാധീനവുമില്ലെന്ന് റിപ്പോർട്ട് ചെയ്യുന്നു, അഭിലാഷവും നടപ്പാക്കലും തമ്മിലുള്ള വിടവ് വർദ്ധിക്കുന്നു.
• McKinsey (2023): The State of AI AI സ്വീകാര്യത നിശ്ചലമായിരിക്കുന്നുവെന്നും ഒരു ബിസിനസ് പ്രവർത്തനത്തിൽ AI ഗണ്യമായ മൂല്യം സൃഷ്ടിച്ചുവെന്ന് പറയുന്നത് 21% കമ്പനികൾ മാത്രമാണെന്നും സർവേ കാണിക്കുന്നു.

The AI പ്രോജക്ട് പരാജയ നിരക്ക് ഈ സ്രോതസ്സുകളിലെല്ലാം ഏകദേശം 60–70%-ൽ തങ്ങിനിൽക്കുന്നു. അതായത് നിങ്ങൾ തുടങ്ങുന്ന ഓരോ മൂന്ന് AI പദ്ധതികളിലും രണ്ടെണ്ണം നിങ്ങളുടെ സമയവും പണവും പാഴാക്കും. കണക്കിലേക്ക് വെച്ചാൽ, ശരാശരി $500,000 വീതം ചെലവുള്ള 10 AI സംരംഭങ്ങൾ പ്രതിവർഷം വിന്യസിക്കുന്ന ഒരു ഇടത്തരം സംരംഭം പ്രതിവർഷം $3.5 ദശലക്ഷം

“പരാജയം” ഞങ്ങൾ എങ്ങനെ നിർവചിക്കുന്നു

ഞാൻ ലളിതമായൊരു ടെസ്റ്റ് ഉപയോഗിക്കുന്നു: പ്രോജക്ട് ബിസിനസ് പ്രവർത്തന രീതി മാറ്റിയോ? മോഡൽ Jupyter നോട്ട്ബുക്കിൽ ഇരുന്ന് ഉപഭോക്താവിനെയോ പ്രോഡക്റ്റിനെയോ സപ്ലൈ ചെയിനിനെയോ തൊടുന്നില്ലെങ്കിൽ അത് പരാജയപ്പെട്ടു. മോഡൽ ലൈവാണെങ്കിലും ആരും വിശ്വസിക്കുകയോ ഉപയോഗിക്കുകയോ ചെയ്യുന്നില്ലെങ്കിൽ അത് പരാജയപ്പെട്ടു. വരുമാനം വർധിപ്പിക്കുകയോ ചെലവ് കുറയ്ക്കുകയോ ഉപഭോക്തൃ അനുഭവം മെച്ചപ്പെടുത്തുകയോ ചെയ്ത് പാദസംഖ്യകളിൽ പ്രതിഫലിക്കുന്ന “വിജയകരമായ” AI പ്രോജക്ടാണ്. അതിൽ കുറഞ്ഞതെന്തും AI പ്രോജക്ട് പരാജയ നിരക്ക്.

യഥാർത്ഥ നിർവചനം അതാണ് — സാങ്കേതിക പരാജയങ്ങളല്ല, സംഘടനാ പരാജയങ്ങൾ. തികച്ചും കൃത്യമായ മോഡൽ പോലും ബിസിനസ് അത് സ്വീകരിച്ചില്ലെങ്കിൽ വിലയില്ലാത്തതാണ്.

ഉയർന്ന AI പദ്ധതി പരാജയ നിരക്കിന് പിന്നിലെ സാധാരണ കാരണങ്ങൾ

Fortune 500 റീട്ടെയിലർമാർ മുതൽ ഇടത്തരം ലോജിസ്റ്റിക്സ് സ്ഥാപനങ്ങൾ വരെ ഡസൻകണക്കിന് കമ്പനികളിലെ പരാജയപ്പെട്ട പ്രോജക്ടുകൾ ഞാൻ വിശകലനം ചെയ്തിട്ടുണ്ട്. മാതൃക എപ്പോഴും ഒന്നുതന്നെ. അഞ്ച് വലിയ കൊലയാളികൾ ഇതാ, നിങ്ങളുടെ സ്വന്തം സ്ഥാപനത്തെ അവയിലൊന്നിലെങ്കിലും തിരിച്ചറിയത്തക്ക വിശദാംശങ്ങളോടെ വിശദീകരിക്കുന്നു.

1. വ്യക്തമായ ബിസിനസ് പ്രശ്നമില്ല

മിക്ക AI പ്രോജക്ടുകളും സാങ്കേതികവിദ്യ-ആദ്യ മനോഭാവത്തിലാണ് ആരംഭിക്കുന്നത്. ജനറേറ്റീവ് AI-യെക്കുറിച്ചോ കമ്പ്യൂട്ടർ വിഷനെക്കുറിച്ചോ ഒരു ടീം ആവേശഭരിതരാകുകയും “ഇതുകൊണ്ട് നമുക്ക് എന്ത് ചെയ്യാൻ കഴിയും?” എന്ന് ചോദിക്കുകയും ചെയ്യുന്നു. “നമ്മുടെ ഏറ്റവും ചെലവേറിയ പ്രവർത്തന പ്രശ്നം ഏതാണ്?” എന്ന് ചോദിക്കുന്നതിന് പകരം. ഒരു McKinsey study AI-യെ നിർദ്ദിഷ്ട ബിസിനസ് ഫലങ്ങളുമായി ബന്ധിപ്പിക്കുന്ന കമ്പനികൾ വിജയിക്കാൻ 1.7 മടങ്ങ് സാധ്യതയുണ്ടെന്ന് കണ്ടെത്തി. നേർവിപരീതം വേദനാജനകമായി നടക്കുന്നത് ഞാൻ കണ്ടിട്ടുണ്ട്. ഒരു ഉപഭോക്തൃ ഉൽപ്പന്ന കമ്പനി ഒരിക്കലും ഉപയോഗിക്കപ്പെടാത്ത ഡിമാൻഡ് പ്രവചന മോഡൽ നിർമ്മിക്കാൻ $800,000 ചെലവഴിച്ചു, കാരണം വിതരണ ശൃംഖലാ ടീമിന് മതിയായ ലളിതമായ നിയമങ്ങളുണ്ടായിരുന്നു. ആരും ചോദിക്കാത്ത ചോദ്യത്തിന് മോഡൽ ഉത്തരം നൽകി.

ബിസിനസ് നിബന്ധനകളിൽ വിജയം നിർവചിക്കാത്തപ്പോൾ, സ്കോപ്പ് ക്രീപ്പ് ഉണ്ടാകുന്നു. പ്രോജക്ട് ഒരേസമയം മൂന്ന് പ്രശ്നങ്ങൾ പരിഹരിക്കാൻ ശ്രമിക്കുകയോ അവ്യക്തമായ "360-ഡിഗ്രി ഉപഭോക്തൃ കാഴ്ച" പിന്തുടരുകയോ ചെയ്യുന്നു. ഫലം പ്രവർത്തനക്ഷമമാക്കാൻ കഴിയാത്തത്ര സങ്കീർണ്ണമായ മോഡലാണ്. AI പ്രോജക്ട് പരാജയ നിരക്ക് പ്രാരംഭ പ്രശ്ന പ്രസ്താവന അവ്യക്തമാകുമ്പോൾ കുതിച്ചുയരുന്നു. O’Reilly 2024-ൽ നടത്തിയ സർവേ പ്രകാരം, AI ജോലി തുടങ്ങുന്നതിന് മുൻപ് വ്യക്തമായി നിർവചിച്ച പ്രശ്ന പ്രസ്താവന ഉണ്ടായിരുന്നുവെന്ന് പറഞ്ഞത് 38% സ്ഥാപനങ്ങൾ മാത്രമാണ്. ബാക്കിയുള്ളവർ വെറും പരീക്ഷണം നടത്തുകയായിരുന്നു.

Real example: “AI ഉപയോഗിച്ച് ഉപഭോക്തൃ ഇടപെടൽ മെച്ചപ്പെടുത്താൻ” ഒരു യൂറോപ്യൻ ബാങ്ക് ആഗ്രഹിച്ചു. ആറ് മാസത്തിന് ശേഷം, മാർക്കറ്റിംഗിന് ചേൺ പ്രവചനവും പ്രവർത്തനങ്ങൾക്ക് തട്ടിപ്പ് കണ്ടെത്തലും കംപ്ലയൻസിന് KYC ഓട്ടോമേഷനും വേണമായിരുന്നതിനാൽ പ്രോജക്ട് മരിച്ചു. എല്ലാവരും വ്യത്യസ്ത ദിശകളിലേക്ക് വലിച്ചു. ക്രെഡിറ്റ് കാർഡ് ചേൺ 8% കുറയ്ക്കുക എന്ന കേന്ദ്രീകൃത ലക്ഷ്യം പ്രോജക്ടിനെ രക്ഷിക്കുമായിരുന്നു.

2. Bad Data

AI മോഡലുകൾക്ക് വൃത്തിയുള്ളതും ലേബൽ ചെയ്തതും പ്രസക്തവുമായ ഡാറ്റ ആവശ്യമാണ്. മിക്ക കമ്പനികളിലും പത്ത് ലെഗസി സിസ്റ്റങ്ങളിലായി ഡാറ്റ ചിതറിക്കിടക്കുന്നു, ഓരോന്നിനും ഉപഭോക്താവ് അല്ലെങ്കിൽ ഇടപാട് എന്നതിന് സ്വന്തം നിർവചനമുണ്ട്. IDC report മോശം ഡാറ്റാ ഗുണനിലവാരം ആഗോളതലത്തിൽ AI സ്വീകാര്യതയുടെ രണ്ടാമത്തെ വലിയ തടസ്സമാണെന്ന് പറയുന്നു. ഏറ്റവും വലുതാണെന്ന് ഞാൻ വാദിക്കും. Garbage in, garbage out വെറും ചൊല്ലല്ല; AI പ്രോജക്ട് പരാജയ നിരക്ക് സ്ഥിരമായി ഉയർന്നുതന്നെ നിൽക്കുന്നു.

ഒരു സാധാരണ AI പ്രോജക്ട് 80% സമയവും ഡാറ്റാ തയ്യാറെടുപ്പിനായി ചെലവഴിക്കുന്നു — എന്നാൽ പല ടീമുകളും ഈ ഘട്ടം വെട്ടിച്ചുരുക്കുന്നു. ഡാറ്റ മതിയായതാണെന്ന് അവർ കരുതുന്നു. ഒരിക്കലുമല്ല. രോഗികളുടെ റീഡ്മിഷൻ പ്രവചന മോഡലിന്റെ നിർണായക ഫീൽഡുകളിൽ 40% മൂല്യങ്ങൾ നഷ്ടമായ ഒരു ആരോഗ്യ പരിരക്ഷാ ദാതാവുമായി ഞാൻ പ്രവർത്തിച്ചിട്ടുണ്ട്. ഡാറ്റാ സയൻസ് ടീം അവയെ മീഡിയനുകൾ ഉപയോഗിച്ച് നികത്തി, മോഡൽ ടെസ്റ്റിംഗിൽ 88% കൃത്യത നേടി. എന്നാൽ പ്രൊഡക്ഷനിൽ, പ്രവചനങ്ങൾ അസംബന്ധമായിരുന്നു, കാരണം നഷ്ടമായ മൂല്യങ്ങൾ ക്രമരഹിതമല്ലായിരുന്നു — രേഖപ്പെടുത്താത്ത പ്രത്യേക സങ്കീർണതകളുള്ള രോഗികൾക്കാണ് അവ നഷ്ടമായത്. മൂന്ന് മാസത്തെ തർക്കത്തിന് ശേഷം പ്രോജക്ട് ഉപേക്ഷിച്ചു.

"മോശം ഡാറ്റ" എങ്ങനെയിരിക്കും:

• Incomplete records: വിൽപ്പന രേഖകളുടെ 30%-ത്തിന് കസ്റ്റമർ സെഗ്മെന്റ് ഫീൽഡില്ല.
• പൊരുത്തമില്ലാത്ത ലേബലുകൾ: വിലാസ ഫീൽഡുകളിൽ “CA”, “California” എന്നിവ പരസ്പരം മാറി ഉപയോഗിക്കുന്നു.
• Duplicates: ഒരേ ഉപഭോക്താവ് വ്യത്യസ്ത ID-കളോടെ നാലുതവണ പ്രത്യക്ഷപ്പെടുന്നു.
• Stale data: ഇൻവെന്ററി ഡാറ്റ ആഴ്ചതോറും പുതുക്കുന്നു, പക്ഷേ തത്സമയ തീരുമാനങ്ങൾ ആവശ്യമാണ്.
• Siloed data: ഉപഭോക്തൃ ഇടപെടൽ ഡാറ്റ CRM-ലും ഇടപാട് ഡാറ്റ ERP-യിലും സപ്പോർട്ട് ടിക്കറ്റുകൾ പ്രത്യേക ഹെൽപ്പ്ഡെസ്കിലുമാണ്.

നിങ്ങളുടെ ഡാറ്റ ഏകീകൃതവും ഡ്യൂപ്ലിക്കേറ്റ് നീക്കിയതും സാധൂകരിച്ചതും അല്ലെങ്കിൽ, ഭാഷാ മോഡലല്ലെങ്കിലും നിങ്ങളുടെ AI ഹാലൂസിനേറ്റ് ചെയ്യും. ആ AI പ്രോജക്ട് പരാജയ നിരക്ക് ഡാറ്റാ ഗവേണൻസ് ചട്ടക്കൂടില്ലാത്ത സംഘടനകൾക്ക് അത് ഉള്ളവയുടെ ഏതാണ്ട് ഇരട്ടിയാണ്, ഒരു Experian സർവേ പ്രകാരം.

3. ചേഞ്ച് മാനേജ്മെന്റിന്റെ അഭാവം

95% കൃത്യതയോടെ ചേൺ പ്രവചിക്കുന്ന ഒരു മോഡൽ നിങ്ങൾ നിർമ്മിച്ചു. സെയിൽസ് ടീം അത് അവഗണിക്കുന്നു. എന്തുകൊണ്ട്? കാരണം അവർക്ക് അത് ഉപയോഗിക്കാൻ ഒരിക്കലും പരിശീലനം ലഭിച്ചിട്ടില്ല, അവർക്ക് അതിൽ വിശ്വാസമില്ല. AI സംരംഭങ്ങളുടെ നിശബ്ദ കൊലയാളിയാണിത്. AI പ്രോജക്ട് പരാജയ നിരക്ക് AI ശൂന്യതയിൽ നിലനിൽക്കുന്നില്ലെന്ന് നേതാക്കൾ മറക്കുമ്പോൾ കുതിച്ചുയരുന്നു — അത് ആളുകൾ ജോലി ചെയ്യുന്ന രീതിയെ മാറ്റുന്നു.

ഡിജിറ്റൽ പരിവർത്തന പരാജയങ്ങളിൽ 70% സാങ്കേതികവിദ്യ കാരണമല്ല, സംസ്കാരവും മാറ്റ മാനേജ്മെന്റും കാരണമാണെന്ന് McKinsey കണ്ടെത്തി. മുമ്പ് ഒരു മുതിർന്ന മാനേജർ എടുത്തിരുന്ന തീരുമാനം ഓട്ടോമേറ്റ് ചെയ്യുന്ന ഒരു AI മോഡൽ ആ മാനേജരുടെ പദവിക്ക് ഭീഷണിയാണ്. മാനുഷിക ഭയത്തെ അഭിസംബോധന ചെയ്തില്ലെങ്കിൽ, പദ്ധതി അട്ടിമറിക്കപ്പെടും — സൂക്ഷ്മമായോ പരസ്യമായോ. ഒരു റീട്ടെയിൽ ശൃംഖലയിൽ ഞാൻ ഇത് കണ്ടു, അവിടെ ഒരു ഇൻവെന്ററി ഒപ്റ്റിമൈസേഷൻ മോഡൽ വലിയ ആഘോഷത്തോടെ പുറത്തിറക്കി. എന്നാൽ സ്റ്റോർ മാനേജർമാർ “തങ്ങളുടെ പ്രാദേശിക വിപണി നന്നായി അറിയാം” എന്നതിനാൽ സ്വമേധയാ സ്റ്റോക്ക് ഓർഡർ ചെയ്യുന്നത് തുടർന്നു. മോഡലിന്റെ ശുപാർശകൾ ആറ് മാസം അവഗണിക്കപ്പെട്ടു, മാനേജരുടെ ബോണസിന്റെ ചെറിയൊരു ഭാഗം സ്വീകരണവുമായി ബന്ധിപ്പിക്കുന്നതുവരെ. ഒരു പാദത്തിനുള്ളിൽ, ഇൻവെന്ററി ചെലവ് 14% കുറഞ്ഞു.

AI-ക്ക് മാറ്റ മാനേജ്മെന്റ് പരാജയപ്പെടുന്നത് എന്തുകൊണ്ട്:

• IT-ക്ക് പുറത്ത് എക്സിക്യൂട്ടീവ് സ്പോൺസറില്ല.
• രൂപകൽപ്പനയിൽ അന്തിമ ഉപയോക്താക്കളോട് ഒരിക്കലും ആലോചിച്ചില്ല.
• പരിശീലനം ഒരു മണിക്കൂർ വെബിനാർ മാത്രമായിരുന്നു, പ്രായോഗിക പരിശീലനമായിരുന്നില്ല.
• മോഡൽ പിശകുകൾ റിപ്പോർട്ട് ചെയ്യാൻ ഫീഡ്‌ബാക്ക് സംവിധാനമില്ല, അതിനാൽ വിശ്വാസം നഷ്ടപ്പെട്ടു.
• “ബ്ലാക്ക് ബോക്സ്” പ്രശ്നം: AI തീരുമാനമെടുത്തത് എന്തുകൊണ്ടെന്ന് ഉപയോക്താക്കൾക്ക് മനസ്സിലാകുന്നില്ല, അതിനാൽ അവർ അത് നിരസിക്കുന്നു.

A Gartner report AI സംരംഭങ്ങൾക്കായി പ്രത്യേക മാറ്റ മാനേജ്മെന്റ് ബജറ്റുള്ള സംഘടനകൾക്ക് 45% ഉയർന്ന വിജയ നിരക്കുണ്ടെന്ന് കണ്ടെത്തി. എന്നിട്ടും 20%-ത്തിൽ താഴെ കമ്പനികൾ മാത്രമേ അതിന് ബജറ്റ് നീക്കിവയ്ക്കുന്നുള്ളൂ.

4. യാഥാർത്ഥ്യബോധമില്ലാത്ത പ്രതീക്ഷകൾ

AI മാന്ത്രികമല്ല. ഇതൊരു സർവ്വപരിഹാരമല്ല. ആദ്യ മാസത്തിൽ 10 മടങ്ങ് ROI നൽകുന്നുമില്ല. പ്രചാരണ ചക്രത്തിൽ വിശ്വസിക്കുന്ന നേതാക്കൾ — ChatGPT ഡെമോകൾ അധികം കണ്ടവർ — പലപ്പോഴും ഉടനടി, വൻ പരിവർത്തനം പ്രതീക്ഷിക്കുന്നു. യാഥാർത്ഥ്യം തിരിച്ചറിയുമ്പോൾ, പക്വത പ്രാപിക്കാൻ അവസരം കിട്ടുന്നതിന് മുമ്പ് അവർ പ്രോജക്ട് നിർത്തുന്നു, ഇത് വർധിപ്പിക്കുന്നു AI പ്രോജക്ട് പരാജയ നിരക്ക്.

The MIT Sloan article കമ്പനികൾ AI-ക്ക് ഹ്രസ്വകാലത്തിൽ ചെയ്യാൻ കഴിയുന്നതിനെ അമിതമായി കണക്കാക്കുകയും അത് ഉൾച്ചേർക്കാൻ ആവശ്യമായ ദീർഘകാല പ്രവർത്തനത്തെ കുറച്ചുകാണുകയും ചെയ്യുന്നുവെന്ന് കുറിക്കുന്നു. $300,000 ചെലവഴിച്ച് AI-അധിഷ്ഠിത തട്ടിപ്പ് കണ്ടെത്തൽ സംവിധാനം പ്രതീക്ഷിച്ച് 30 ദിവസത്തിനുള്ളിൽ ചാർജ്ബാക്കുകൾ 50% കുറയ്ക്കുമെന്ന് കരുതിയ ഒരു ഫിൻടെക് സ്റ്റാർട്ടപ്പിനെ ഞാൻ കണ്ടിട്ടുണ്ട്. ചാർജ്ബാക്കുകൾ 12% മാത്രം കുറഞ്ഞപ്പോൾ,

Gartner-ന്റെ Hype Cycle for Artificial Intelligence ഡീപ് ലേണിംഗ്, എഡ്ജ് AI തുടങ്ങിയ സാങ്കേതികവിദ്യകളെ പതിവായി “ഉയർന്ന പ്രതീക്ഷകളുടെ കൊടുമുടിയിൽ” പ്രതിഷ്ഠിക്കുന്നു, തുടർന്ന് “മോഹഭംഗത്തിന്റെ താഴ്‌വര” വരുന്നു. സ്പോൺസർമാർ പഠനവക്രത്തിന് പദ്ധതിയിട്ടില്ലാത്തതിനാൽ പല AI പ്രോജക്ടുകളും ആ താഴ്‌വരയിൽ മരിക്കുന്നു. AI പ്രോജക്ട് പരാജയ നിരക്ക് ക്ഷമയുടെ പരാജയം കൂടിയാണ്, സാങ്കേതികവിദ്യയുടേത് മാത്രമല്ല.

5. അളവുകോൽ ചട്ടക്കൂടില്ല

നിങ്ങൾ അളക്കാത്തത് മെച്ചപ്പെടുത്താൻ കഴിയില്ല. എന്നിട്ടും വ്യക്തമായ KPI-കളില്ലാതെ അതിശയകരമായ എണ്ണം AI ലോഞ്ചുകൾ സംഭവിക്കുന്നു. ചെലവ് 10% കുറയ്ക്കുക എന്നതായിരുന്നോ ലക്ഷ്യം? പരിവർത്തനം 5% വർദ്ധിപ്പിക്കുക? സൈക്കിൾ സമയം മൂന്ന് ദിവസത്തിൽ നിന്ന് നാല് മണിക്കൂറായി കുറയ്ക്കുക? നിർദ്ദിഷ്ടവും സമയബന്ധിതവുമായ ലക്ഷ്യങ്ങളില്ലാതെ, ഏത് ഫലവും വിജയമായി ചിത്രീകരിക്കാം — അല്ലെങ്കിൽ, സാധാരണയായി, AI എന്തെങ്കിലും ചെയ്തുവെന്ന് ആർക്കും തെളിയിക്കാൻ കഴിയില്ല. ആ അവ്യക്തത സംഘടനാ നിസ്സംഗത വളർത്തുന്നു, പ്രോജക്ട് slowly മരിക്കുന്നു.

ഞാൻ ഒരിക്കൽ “കാര്യക്ഷമതയിൽ 70% മെച്ചപ്പെടുത്തൽ” അവകാശപ്പെട്ടൊരു പ്രോജക്ട് അവലോകനം ചെയ്തു. കുഴിച്ചുനോക്കിയപ്പോൾ, പ്രതിദിനം തിരുത്തിയ ഡാറ്റാ എൻട്രികളുടെ എണ്ണമായാണ് “കാര്യക്ഷമത” നിർവചിച്ചിരുന്നത്, പക്ഷേ മൊത്തം പ്രോസസ് ചെലവ് അനങ്ങിയിരുന്നില്ല. AI ജോലി കുറച്ചില്ല, മാറ്റിമറിക്കുക മാത്രമാണ് ചെയ്തത്. അതൊരു ക്ലാസിക് അളവെടുപ്പ് പരാജയമാണ്. ആ AI പ്രോജക്ട് പരാജയ നിരക്ക് പ്രശ്ന പ്രസ്താവനയുമായി നേരിട്ട് ബന്ധിപ്പിച്ച ചെറിയ പ്രവർത്തന KPI-കളുടെ സെറ്റ് മുൻകൂട്ടി നിർവചിക്കുമ്പോൾ നാടകീയമായി കുറയുന്നു.

പ്രവർത്തിക്കുന്ന ഉദാഹരണ KPI-കൾ:

• 6 മാസത്തിനുള്ളിൽ ശരാശരി ഓർഡർ-ടു-ഷിപ്പ് സമയം 20% കുറയ്ക്കൂ.
• Q3 അവസാനത്തോടെ അപ്സെൽ പരിവർത്തന നിരക്ക് 4.2% ൽ നിന്ന് 6.0% ആയി ഉയർത്തുക.
• മാനുവൽ ഇൻവോയ്സ് പ്രോസസിംഗ് ചെലവ് വർഷം തോറും 35% കുറയ്ക്കൂ.
• ഒരു പാദത്തിനുള്ളിൽ പ്രവചന കൃത്യത (MAPE) 22%-ൽ നിന്ന് 12% ആയി മെച്ചപ്പെടുത്തുക.

ആ സംഖ്യകൾ ഇല്ലാതെ, നിങ്ങൾ അന്ധമായി പറക്കുകയാണ് — നിങ്ങൾ 70%-ത്തിൽ ചേരും.

നിങ്ങളുടെ AI പദ്ധതി പരാജയ നിരക്ക് എങ്ങനെ കുറയ്ക്കാം

ഞാൻ സ്ഥാപനങ്ങളെ അവരുടെ ചെലവ് കുറയ്ക്കാൻ സഹായിച്ചിട്ടുണ്ട് AI പ്രോജക്ട് പരാജയ നിരക്ക് 70%-ൽ നിന്ന് 30%-ത്തിൽ താഴേക്ക്. ഈ സമീപനം ആകർഷകമല്ല. അത് വ്യവസ്ഥാപിതമാണ്. നിർദ്ദയമായ മുൻഗണനാക്രമം, ഡാറ്റാ ശുചിത്വം, ദ്രുത പ്രോട്ടോടൈപ്പിംഗ്, മനുഷ്യകേന്ദ്രീകൃത റോൾഔട്ട് എന്നീ അടിത്തറകളിലാണ് ഇത് പണിതിരിക്കുന്നത്. കൃത്യമായ ബ്ലൂപ്രിന്റ് ഇതാ.

താരതമ്യ പട്ടിക: പരാജയപ്പെട്ട vs. വിജയിച്ച AI പദ്ധതികൾ

Dimension	പരാജയപ്പെട്ട പ്രോജക്ടുകൾ (70%)	വിജയകരമായ പ്രോജക്ടുകൾ (30%)
Problem clarity	അവ്യക്തമോ ഒന്നിലധികമോ ലക്ഷ്യങ്ങൾ	ഒറ്റ, അളക്കാവുന്ന ബിസിനസ് പ്രശ്നം
Data readiness	പ്രോജക്ടിന് മുമ്പ് ഡാറ്റാ ഓഡിറ്റില്ല	90%+ ഡാറ്റാ കൃത്യതയും ലേബലിംഗും പൂർത്തിയായി
Stakeholder buy-in	എക്സിക്യൂട്ടീവ് നിർദ്ദേശം മാത്രം	ആദ്യ ദിവസം മുതൽ ഉൾപ്പെട്ട ക്രോസ്-ഫങ്ഷണൽ ടീം
ROI measurement	No KPIs defined	3–5 നിർദ്ദിഷ്ട, സമയപരിധിയുള്ള മെട്രിക്കുകൾ
Deployment approach	Big bang launch	ആവർത്തനപരമായ, MVP-അധിഷ്ഠിത റോൾഔട്ട്
Change management	No training plan	ഉപയോക്തൃ പരിശീലനം, പൈലറ്റ് പരിശോധന, ഫീഡ്ബാക്ക് ലൂപ്പുകൾ

ആദ്യം പരിഹരിക്കാൻ ഒരു പ്രശ്നം തിരഞ്ഞെടുക്കൂ

സമുദ്രം തിളപ്പിക്കാൻ ശ്രമിക്കുന്നത് നിർത്തൂ. “മുഴുവൻ ഉപഭോക്തൃ യാത്രയെയും പരിവർത്തനം ചെയ്യാൻ” ശ്രമിച്ചതിനാൽ $2 ദശലക്ഷത്തിന്റെ AI സംരംഭങ്ങൾ പരാജയപ്പെടുന്നത് ഞാൻ കണ്ടിട്ടുണ്ട്. അതിനെ മറികടന്ന സംഘടനകൾ AI പ്രോജക്ട് പരാജയ നിരക്ക് ഒരു ചെറുതും വേദനാജനകവും ചെലവേറിയതുമായ പ്രക്രിയ തിരഞ്ഞെടുത്ത് അതിനെ നിർദ്ദയം ആക്രമിക്കുക.

പ്രശ്നം കണ്ടെത്തൽ വർക്ക്ഷോപ്പിൽ തുടങ്ങൂ. ബിസിനസ് നേതാക്കൾ, പ്രവർത്തന മാനേജർമാർ, ഡാറ്റാ അനലിസ്റ്റുകൾ എന്നിവരെ ഒരുമിച്ച് കൊണ്ടുവരൂ. ചോദിക്കൂ: "ഉറക്കം കെടുത്തുന്ന, ആവർത്തനപരവും ഡാറ്റാധിഷ്ഠിതവുമായ ഒരു ജോലി പരിഹരിക്കാൻ മാന്ത്രിക വടി വീശാൻ കഴിഞ്ഞാൽ, അത് എന്തായിരിക്കും?" തുടർന്ന് ആ ആശയങ്ങളെ മൂന്ന് അക്ഷങ്ങളിൽ റാങ്ക് ചെയ്യൂ: സാധ്യമായ ബിസിനസ് ആഘാതം, ഡാറ്റാ ലഭ്യത, വിന്യാസ സാധ്യത. ഏറ്റവും ഉയർന്ന റാങ്കുള്ള ആശയം തിരഞ്ഞെടുക്കൂ. "ഇത് കൂൾ AI ആണ്" എന്നതിന്റെ അടിസ്ഥാനത്തിൽ ഒരിക്കലും തിരഞ്ഞെടുക്കരുത്.

പരിഗണിക്കേണ്ട ഉയർന്ന സാധ്യതയുള്ള, ഇടുങ്ങിയ ഉപയോഗ കേസുകൾ:

• ഉപഭോക്തൃ കൊഴിച്ചിൽ പ്രവചനം (കൊഴിച്ചിൽ 5% കുറയ്ക്കുന്നത് ലാഭം 25-85% വർധിപ്പിക്കും).
• ഇൻവെന്ററി ഡിമാൻഡ് പ്രവചനം (സ്റ്റോക്ക്ഔട്ടുകൾ 30% കുറയ്ക്കുന്നു).
• യാന്ത്രിക ഇൻവോയ്സ് പ്രോസസ്സിംഗ് (മാനുവൽ ഡാറ്റാ എൻട്രി ചെലവ് 50% കുറയ്ക്കുന്നു).
• ഒരു പ്രത്യേക മെഷീൻ വിഭാഗത്തിനുള്ള പ്രവചനാത്മക പരിപാലനം.
• ഒരൊറ്റ ഉൽപ്പന്ന വിഭാഗത്തിനുള്ള ഡൈനാമിക് വിലനിർണയം.

A BCG analysis ഒരൊറ്റ ഉയർന്ന മൂല്യമുള്ള ഉപയോഗ സന്ദർഭത്തിൽ ശ്രദ്ധ കേന്ദ്രീകരിക്കുന്ന കമ്പനികൾ ആദ്യ വർഷത്തിൽ ROI കാണാൻ 2.3 മടങ്ങ് സാധ്യതയുണ്ടെന്ന് കണ്ടെത്തി. എന്താണ് വിജയമെന്ന് എല്ലാവർക്കും അറിയാവതിനാൽ ഡാറ്റാ തയ്യാറെടുപ്പും മാറ്റ മാനേജ്മെന്റും എളുപ്പമാകുന്നു.

AI-യെ തൊടുന്നതിന് മുമ്പ് നിങ്ങളുടെ ഡാറ്റ വൃത്തിയാക്കൂ

ഡാറ്റാ തയ്യാറെടുപ്പിലാണ് എന്റെ 80% സമയവും ഞാൻ ചെലവിടുന്നത്. നിങ്ങളും അങ്ങനെ ചെയ്യണം. ഈ ഘട്ടം ഒഴിവാക്കിയാൽ മണലിൽ വീട് പണിയുകയാണ്. ആ AI പ്രോജക്ട് പരാജയ നിരക്ക് നിങ്ങളുടെ ഡാറ്റാ എസ്റ്റേറ്റിന്റെ അലങ്കോലവുമായി നേരിട്ട് ബന്ധപ്പെട്ടിരിക്കുന്നു.

മോഡലിംഗ് തുടങ്ങുന്നതിന് മുമ്പ്, സമഗ്രമായ ഡാറ്റ ഓഡിറ്റ് നടത്തൂ. ഡാറ്റാ സ്രോതസ്സുകൾ മാപ്പ് ചെയ്യൂ, പൂർണ്ണത, കൃത്യത, സ്ഥിരത എന്നിവ വിലയിരുത്തൂ. നഷ്ടമായ മൂല്യങ്ങൾ, ഔട്ട്‌ലയറുകൾ, ഡ്യൂപ്ലിക്കേറ്റ് റെക്കോർഡുകൾ എന്നിവ സംഗ്രഹിക്കാൻ ഡാറ്റാ പ്രൊഫൈലിംഗ് ടൂളോ ലളിതമായ Python സ്ക്രിപ്റ്റോ ഉപയോഗിക്കൂ. പിന്നെ പ്രശ്നങ്ങൾ പൈപ്പ്ലൈനിലല്ല, ഉറവിടത്തിൽ തന്നെ പരിഹരിക്കൂ.

എല്ലാ ക്ലയന്റിനോടും ഞാൻ ഉപയോഗിക്കുന്ന ഡാറ്റാ സന്നദ്ധതാ ചെക്ക്‌ലിസ്റ്റ്:

1. Centralize: ഉപയോഗ സന്ദർഭത്തിന് ആവശ്യമായ ഡാറ്റ രണ്ടിൽ കൂടുതൽ സിസ്റ്റങ്ങളിലാണോ? അതെങ്കിൽ, സത്യത്തിന്റെ ഏക ഉറവിടം (ഡാറ്റാ വെയർഹൗസ് അല്ലെങ്കിൽ കാറ്റലോഗോടെയുള്ള ഡാറ്റാ തടാകം) സൃഷ്ടിക്കുക. ഇല്ലെങ്കിൽ, നിങ്ങളുടെ മോഡലിന്റെ ഇൻപുട്ടുകൾ ഛിന്നഭിന്നവും അവിശ്വസനീയവുമായിരിക്കും.
2. Label correctly: സൂപ്പർവൈസ്ഡ് പഠനത്തിന്, ലേബൽ ഗുണമേന്മ നിർണായകമാണ്. “ചേൺ” ലേബൽ പൊരുത്തമില്ലാതെ നിർവചിച്ചതിനാൽ (ഒരു ടീം 60 ദിവസത്തിന് ശേഷം ഉപഭോക്താവിനെ ചേൺ ചെയ്തതായി കണക്കാക്കി, മറ്റൊന്ന് 90-ന് ശേഷം) മോഡലുകൾ പരാജയപ്പെടുന്നത് ഞാൻ കണ്ടിട്ടുണ്ട്. ഡാറ്റാ എഞ്ചിനീയറുമായല്ല, ബിസിനസ് ഉടമയുമായി ചേർന്ന് ലേബലുകൾ നിർവചിക്കുക.
3. കാണാതായ മൂല്യങ്ങൾ ചിന്താപൂർവ്വം നികത്തുക: വരികൾ ഉപേക്ഷിക്കുകയോ ശരാശരി കൊണ്ട് നിറയ്ക്കുകയോ മാത്രം ചെയ്യരുത്. മനസ്സിലാക്കുക why ഡാറ്റ കാണാതായിരിക്കുന്നു. ഇത് ക്രമരഹിതമാണോ, അതോ വ്യവസ്ഥാപരമായ പ്രശ്നത്തെ സൂചിപ്പിക്കുന്നുണ്ടോ? ഭാര രേഖകളിൽ 20% കാണാതായ ഒരു ലോജിസ്റ്റിക്സ് സ്ഥാപനവുമായി ഞാൻ പ്രവർത്തിച്ചിട്ടുണ്ട്; സ്കെയിൽ മറികടന്ന ഉയർന്ന മൂല്യമുള്ള കയറ്റുമതികളാണെന്ന് തെളിഞ്ഞു. ആ വരികൾ ഒഴിവാക്കിയിരുന്നെങ്കിൽ മോഡലിന് പക്ഷപാതം വരുമായിരുന്നു.
4. ഡ്യൂപ്ലിക്കേറ്റുകൾ നീക്കി ഏകീകരിക്കുക: പട്ടികകളിലുടനീളം കസ്റ്റമർ ID-കൾ, ഉൽപ്പന്ന SKU-കൾ, തീയതി ഫോർമാറ്റുകൾ എന്നിവ സ്ഥിരമാണെന്ന് ഉറപ്പാക്കുക. ചെറിയ ഡീഡ്യൂപ്ലിക്കേഷൻ പരിശ്രമം മോഡൽ പ്രകടനം 5-10% മെച്ചപ്പെടുത്താം.
5. പ്രമാണ ഡാറ്റാ വംശാവലി: അങ്ങനെ ഒരു മാസത്തിന് ശേഷം എന്തെങ്കിലും തകരുമ്പോൾ, ഡാറ്റ എവിടെനിന്ന് വന്നുവെന്ന് നിങ്ങൾക്ക് അറിയാം.

The IDC study പ്രത്യേക ഡാറ്റാ എഞ്ചിനീയറിംഗ് സംഘമുള്ള സ്ഥാപനങ്ങൾ അവരുടെ AI പ്രോജക്ട് പരാജയ നിരക്ക് 40% കുറയുന്നു. എന്റെ അനുഭവത്തിൽ, മോഡലിംഗിന് മുമ്പ് 4-6 ആഴ്ച ഡാറ്റാ ശുചീകരണത്തിൽ നിക്ഷേപിക്കുന്ന കമ്പനികൾ കുറഞ്ഞത് 60% കുറഞ്ഞ പരാജയ നിരക്ക് കാണുന്നു.

മിനിമം വയബിൾ മോഡൽ നിർമ്മിക്കൂ

പൂർണ്ണതാവാദം AI വിന്യാസത്തിന്റെ ശത്രുവാണ്. ആദ്യ ദിവസം 99% കൃത്യത ലക്ഷ്യമിടരുത്. 4–6 ആഴ്ചയ്ക്കുള്ളിൽ ഷിപ്പ് ചെയ്യാവുന്ന “മതിയായ” മോഡൽ ലക്ഷ്യമിടൂ. യഥാർത്ഥ ഉപയോക്തൃ ഫീഡ്ബാക്ക് നേടൂ. പിന്നീട് ആവർത്തിക്കൂ.

ഒരു MVP മോഡൽ ന്യൂറൽ നെറ്റ്‌വർക്ക്-പവേർഡ് ആയിരിക്കണമെന്നില്ല. വിശദീകരിക്കാനും വിന്യസിക്കാനും എളുപ്പമായിരുന്നതിനാൽ ഗ്രേഡിയന്റ്-ബൂസ്റ്റഡ് ട്രീകളേക്കാൾ മികച്ച പ്രശ്നപരിഹാരം ലോജിസ്റ്റിക് റിഗ്രഷൻ മോഡലുകൾ നടത്തുന്നത് ഞാൻ കണ്ടിട്ടുണ്ട്. ഒരു സിദ്ധാന്തം പരീക്ഷിക്കുക എന്നതാണ് ലക്ഷ്യം: ഒരു തീരുമാനത്തെ സഹായിക്കാൻ ഈ മോഡൽ ഉപയോഗിച്ചാൽ അത് ഫലം നൽകുമോ? സിദ്ധാന്തം ശരിയെന്ന് തെളിഞ്ഞാൽ പിന്നീട് സങ്കീർണ്ണത വർദ്ധിപ്പിക്കാം.

യഥാർത്ഥ MVP സമയക്രമം:

• ആഴ്ച 1-2: ഡാറ്റാ ഏകീകരണവും ലേബലിങ്ങും (80% പരിശ്രമം).
• ആഴ്ച 3: ലളിതമായ ഒരു മോഡൽ നിർമ്മിക്കുക (linear regression, decision tree, അല്ലെങ്കിൽ XGBoost).
• ആഴ്ച 4: മോഡലിനെ ഒരു അടിസ്ഥാന API-യിൽ പൊതിഞ്ഞ് നിലവിലുള്ള ഡാഷ്ബോർഡിലോ ലളിതമായ വെബ് ആപ്പിലോ ബന്ധിപ്പിക്കുക.
• ആഴ്ച 5-6: 3-5 സൗഹൃദ ഉപയോക്താക്കളുമായി പൈലറ്റ് നടത്തുക, ഫീഡ്ബാക്ക് ശേഖരിക്കുക, ആദ്യകാല KPI-കൾ അളക്കുക.

ആർക്കും ആവശ്യമില്ലാത്ത ഒരു മോഡൽ മികവുറ്റതാക്കാൻ ടീമുകൾ ആറ് മാസം ചെലവഴിക്കുന്നത് ഞാൻ കണ്ടിട്ടുണ്ട്. ഒരു MVP ഉപയോഗിച്ച് നിങ്ങൾക്ക് ചെലവുകുറച്ച് പരാജയപ്പെടാം — പരാജയപ്പെടാൻ പോകുകയാണെങ്കിൽ, $200,000 ചെലവഴിക്കുന്നതിന് മുമ്പ് അറിയാനാണ് നിങ്ങൾ ആഗ്രഹിക്കുന്നത്. ആ AI പ്രോജക്ട് പരാജയ നിരക്ക് ഒരിക്കലും MVP ഷിപ്പ് ചെയ്യാത്ത, അനന്തമായി പരീക്ഷണങ്ങൾ മാത്രം നടത്തുന്ന ടീമുകളിലാണ് ഏറ്റവും ഉയർന്നത്.

മാറ്റ മാനേജ്മെന്റിൽ നിക്ഷേപിക്കുക

അന്തിമ ഉപയോക്താവ് അതിൽ വിശ്വസിക്കുന്നില്ലെങ്കിൽ നിങ്ങളുടെ AI ഉപയോഗശൂന്യമാണ്. ഇത് ന്റെ മാനുഷിക വശമാണ് AI പ്രോജക്ട് പരാജയ നിരക്ക്, മിക്ക സാങ്കേതിക സംഘങ്ങളും പരാജയപ്പെടുന്നത് ഇവിടെയാണ്. പൈലറ്റിൽ നിന്ന് പൂർണ്ണ സ്വീകരണത്തിലേക്ക് മാറാൻ നിങ്ങൾക്ക് മനഃപൂർവമായ ഒരു പദ്ധതി ആവശ്യമാണ്.

ഏറ്റവും കുറഞ്ഞത്, ഇനിപ്പറയുന്നവ ചെയ്യൂ:

1. Identify champions: ബിസിനസ് ഭാഗത്തുനിന്ന് സ്വാധീനമുള്ള 2-3 ഉപയോക്താക്കളെ റിക്രൂട്ട് ചെയ്യൂ, അവർ MVP പരീക്ഷിച്ച് ഉപകരണത്തെ പ്രചരിപ്പിക്കും. അവർക്ക് ആദ്യ പ്രവേശനം നൽകൂ, അവരുടെ ഫീഡ്ബാക്ക് ശ്രദ്ധിക്കൂ.
2. വർക്ക്ഫ്ലോ സഹ-രൂപകൽപ്പന ചെയ്യൂ: പുതിയ ടൂൾ അടിച്ചേൽപ്പിക്കരുത്. AI-യുടെ ഔട്ട്പുട്ട് നിലവിലുള്ള തീരുമാന പ്രവാഹത്തിൽ ഉൾച്ചേർക്കുക. ഉദാഹരണത്തിന്, പ്രത്യേക ഡാഷ്ബോർഡിന് പകരം, ഉപഭോക്താവിന്റെ പേരിന് അടുത്തായി CRM-ൽ തന്നെ മോഡലിന്റെ ചേൺ റിസ്ക് സ്കോർ കാണിക്കുക.
3. ചെറിയ ഗ്രൂപ്പുകളായി പരിശീലിപ്പിക്കുക: ഉപയോക്താക്കൾക്ക് ചോദ്യങ്ങൾ ചോദിക്കാനും മോഡലിന്റെ പ്രവചനങ്ങളും യഥാർത്ഥ ഫലങ്ങളും തമ്മിലുള്ള യഥാർത്ഥ ഉദാഹരണങ്ങൾ കാണാനും കഴിയുന്ന 30 മിനിറ്റ് പ്രായോഗിക സെഷനുകൾ നടത്തൂ. വിശദീകരിക്കൂ why ലളിതമായ വിശദീകരണമാണെങ്കിൽ പോലും, മോഡൽ ചില ശുപാർശകൾ നൽകി.
4. ഒരു ഫീഡ്ബാക്ക് ലൂപ്പ് സൃഷ്ടിക്കുക: AI തെറ്റിയ സന്ദർഭങ്ങൾ ചൂണ്ടിക്കാട്ടാൻ ഉപയോക്താക്കൾക്ക് എളുപ്പവഴി നൽകൂ. ഇതിന് രണ്ട് പ്രയോജനങ്ങളുണ്ട്: കാലക്രമേണ മോഡൽ മെച്ചപ്പെടും, ഉപയോക്താക്കൾക്ക് തങ്ങൾ ശ്രദ്ധിക്കപ്പെടുന്നുവെന്ന തോന്നലുമുണ്ടാകും. വിശ്വാസം പടിപടിയായാണ് വളരുന്നത്.
5. ആനുകൂല്യങ്ങൾ സ്വീകരണവുമായി ബന്ധിപ്പിക്കുക: സാധ്യമെങ്കിൽ, AI ഉപയോഗം ഉൾപ്പെടുത്തി പ്രകടന മെട്രിക്കുകൾ ക്രമീകരിക്കൂ. അത് ശിക്ഷാപരമാകണമെന്നില്ല; അംഗീകാരമാകാം. ഞാൻ പ്രവർത്തിച്ച ഒരു നിർമ്മാണശാലയിൽ, 90% മോഡൽ അഡോപ്ഷൻ നേടിയ പ്ലാന്റ് മാനേജർക്ക് ത്രൈമാസ അവലോകനത്തിൽ അഭിനന്ദനം ലഭിച്ചു — അഡോപ്ഷൻ വേഗത്തിൽ വ്യാപിച്ചു.

A Gartner report AI സംരംഭങ്ങൾക്കായി പ്രത്യേക മാറ്റ മാനേജ്മെന്റ് ബജറ്റുള്ള സംഘടനകൾക്ക് 45% ഉയർന്ന വിജയ നിരക്കുണ്ടെന്ന് കണ്ടെത്തി. അത് യാദൃശ്ചികമല്ല. AI പ്രോജക്ട് പരാജയ നിരക്ക് വേഷംമാറിയ ഒരു ആളുകളുടെ പ്രശ്നമാണ്.

വിജയകരമായ AI വിന്യാസത്തിന്റെ യഥാർത്ഥ ഉദാഹരണങ്ങൾ

മുകളിലുള്ള ചട്ടക്കൂട് പരാജയ ഫാക്ടറികളെ വിജയകഥകളാക്കി മാറ്റുന്നത് ഞാൻ കണ്ടിട്ടുണ്ട്. നിങ്ങൾക്ക് ആ തോൽപ്പിക്കാനാകുമെന്ന് തെളിയിക്കുന്ന മൂന്ന് കേസ് പഠനങ്ങൾ ഇതാ. AI പ്രോജക്ട് പരാജയ നിരക്ക്.

കേസ് സ്റ്റഡി 1: ലോജിസ്റ്റിക്സ് കമ്പനി ഷിപ്പിംഗിൽ 12% ലാഭിച്ചു

• Problem: ഒരു ഇടത്തരം third-party logistics സ്ഥാപനത്തിന് ഓവർ-ടൈം ഷിപ്പിംഗ് ചെലവുകൾ മാർജിന്റെ 15% തിന്നുകൊണ്ടിരുന്നു.
• Data: Salesforce-ൽ 3 വർഷത്തെ ഷിപ്പിംഗ് രേഖകൾ അവർക്കുണ്ടായിരുന്നു, ഉത്ഭവം, ലക്ഷ്യസ്ഥാനം, ഭാരം, കാരിയർ, അന്തിമ ചെലവ് എന്നിവ ഉൾപ്പെടെ. ഒരാഴ്ചത്തെ വൃത്തിയാക്കലിന് ശേഷം ഡാറ്റ 90% പൂർണ്ണമായി.
• Model: സേവന-നില ആവശ്യകതകൾ പരിഗണിച്ച്, ഓരോ റൂട്ടിനും ഏറ്റവും വിലകുറഞ്ഞ കാരിയറിനെ ഒരു ഗ്രേഡിയന്റ് ബൂസ്റ്റിംഗ് മോഡൽ പ്രവചിച്ചു.
• Deployment: മോഡലിന്റെ ഔട്ട്പുട്ട് ഡിസ്പാച്ചർമാരുടെ നിലവിലുള്ള ഡാഷ്ബോർഡിൽ നേരിട്ട് ഉൾപ്പെടുത്തി. ജീവനക്കാർക്ക് രണ്ട് 45 മിനിറ്റ് സെഷനുകളിൽ പരിശീലനം നൽകി.
• Result: 6 മാസത്തിൽ 12% ചെലവ് കുറവ്. 4 മാസത്തിൽ തിരിച്ചടവ്. പ്രോജക്ട് ഇടുങ്ങിയതും ഡാറ്റാ-സജ്ജവും ഉപയോക്തൃ-കേന്ദ്രീകൃതവുമായതിനാൽ വിജയിച്ചു. AI പ്രോജക്ട് പരാജയ നിരക്ക് ഈ കമ്പനിക്ക് ഇപ്പോൾ പൂജ്യമാണ്.

കേസ് സ്റ്റഡി 2: ഇ-കൊമേഴ്സ് റീട്ടെയിലർ പരിവർത്തനം 18% വർധിപ്പിച്ചു

• Problem: വ്യക്തിഗതമാക്കിയ ശുപാർശകളിലൂടെ ശരാശരി ഓർഡർ മൂല്യം വർദ്ധിപ്പിക്കാൻ ഒരു മിഡ്-മാർക്കറ്റ് ഓൺലൈൻ റീട്ടെയിലർ ആഗ്രഹിച്ചു.
• Data: ഉൽപ്പന്ന കാറ്റലോഗും ക്ലിക്ക്സ്ട്രീം ഡാറ്റയും മൂന്ന് ഡാറ്റാബേസുകളിലായി ചിതറിക്കിടന്നു. ഏകീകൃത ഉപഭോക്തൃ-ഉൽപ്പന്ന ഇടപെടൽ പട്ടിക നിർമ്മിക്കാൻ അവർ 3 മാസം ചെലവഴിച്ചു.
• Model: ഇനം-അധിഷ്ഠിത സാമ്യതയോടെയുള്ള സഹകരണ ഫിൽട്ടറിംഗ്, പിന്നീട് ഭാരം കുറഞ്ഞ ന്യൂറൽ നെറ്റ്‌വർക്കിൽ മെച്ചപ്പെടുത്തി.
• Deployment: ശുപാർശ വിജറ്റ് ഉൽപ്പന്ന പേജുകളിലെ “Related Products” വിഭാഗത്തിന് പകരമായി. പഴയ നിയമാധിഷ്ഠിത സിസ്റ്റത്തിനെതിരെ A/B ടെസ്റ്റ് ചെയ്തു.
• Result: പരിവർത്തന നിരക്ക് 18%-വും ശരാശരി ഓർഡർ മൂല്യം 11%-വും വർദ്ധിച്ചു. AI പ്രോജക്ട് പരാജയ നിരക്ക് ഡാറ്റാ സംയോജനം ആദ്യം പരിഹരിച്ചില്ലായിരുന്നെങ്കിൽ ഈ പ്രോജക്ടിനെ കൊന്നേനെ. ഛിന്നഭിന്നമായ ഡാറ്റയിൽ നിർമ്മിച്ച പ്രാരംഭ മോഡലിന് കൺട്രോൾ ഗ്രൂപ്പിനേക്കാൾ കുറഞ്ഞ ക്ലിക്ക്-ത്രൂ നിരക്കായിരുന്നു.

കേസ് സ്റ്റഡി 3: നിർമ്മാതാവ് പ്രവർത്തനരഹിത സമയം 22% കുറച്ചു

• Problem: ഒരു പാക്കേജിംഗ് നിർമ്മാതാവിന് പ്രധാന ഉൽപ്പാദന ലൈനിൽ ആസൂത്രണം ചെയ്യാത്ത പ്രവർത്തനരഹിത സമയം അനുഭവപ്പെട്ടു, മണിക്കൂറിന് $50,000 ചെലവായി.
• Data: 50 മെഷീനുകളിൽ നിന്നുള്ള രണ്ട് വർഷത്തെ സെൻസർ ഡാറ്റ (വൈബ്രേഷൻ, താപനില, ത്രൂപുട്ട്), കൂടാതെ പരിപാലന ലോഗുകൾ.
• Model: 48 മണിക്കൂർ മുൻകൂട്ടി തകരാറുകൾ ഒരു റാൻഡം ഫോറസ്റ്റ് ക്ലാസിഫയർ പ്രവചിച്ചു. പ്രധാന സിഗ്നലുകൾ പരിപാലന ജീവനക്കാർക്ക് മനസ്സിലാകുന്നതിനായി മോഡൽ മനഃപൂർവം ലളിതമായി സൂക്ഷിച്ചു.
• Deployment: SMS വഴി ഷിഫ്റ്റ് സൂപ്പർവൈസർമാരുടെ ഫോണുകളിലേക്ക് അലേർട്ടുകൾ അയച്ചു, പ്ലാന്റ് മാനേജ്മെന്റ് സിസ്റ്റത്തിൽ സംയോജിപ്പിച്ചു. അലേർട്ടുകൾ വ്യാഖ്യാനിക്കാനും തരംതിരിക്കാനും തൊഴിലാളികൾക്ക് പരിശീലനം നൽകി.
• Result: ആദ്യ പാദത്തിൽ ആസൂത്രണം ചെയ്യാത്ത പ്രവർത്തനരഹിത സമയം 22% കുറഞ്ഞു, $1.3 ദശലക്ഷം ലാഭിച്ചു. വിശ്വാസം വളർത്താൻ ടീം പിന്നീട് വിശദീകരണ പാളി ചേർത്തു. ദി AI പ്രോജക്ട് പരാജയ നിരക്ക് ആദ്യ ദിവസം മുതൽ ഓപ്പറേറ്റർമാരെ ഉൾപ്പെടുത്തിയതിനാൽ ഈ സംരംഭത്തിന് പൂജ്യമായിരുന്നു.

ഈ കേസ് പഠനങ്ങൾ പൊതുവായ സ്വഭാവങ്ങൾ പങ്കിടുന്നു: ലേസർ-കേന്ദ്രീകൃത പ്രശ്നം, വൃത്തിയുള്ള ഡാറ്റ, MVP മനോഭാവം, മാറ്റ മാനേജ്മെന്റിൽ ഭാരിച്ച നിക്ഷേപം. അതാണ് രീതി.

അടിസ്ഥാനം: 30%-ൽ ഉണ്ടാകൂ

The AI പ്രോജക്ട് പരാജയ നിരക്ക് പ്രകൃതി നിയമമല്ല. മോശം ആസൂത്രണത്തിന്റെയും മോശം ഡാറ്റയുടെയും ദുർബലമായ മാറ്റ മാനേജ്മെന്റിന്റെയും ലക്ഷണമാണ്. നിങ്ങൾക്ക് അതിനെ തോൽപ്പിക്കാം. 30%-ത്തിലുള്ള സ്ഥാപനങ്ങൾക്ക് ബുദ്ധിമാനായ ഡാറ്റാ ശാസ്ത്രജ്ഞരല്ല ഉള്ളത് — അവർക്ക് മികച്ച അച്ചടക്കമാണുള്ളത്. അവർ ഒരു പ്രശ്നം തിരഞ്ഞെടുക്കുന്നു, ഡാറ്റ വൃത്തിയാക്കുന്നു, വേഗത്തിൽ ഷിപ്പ് ചെയ്യുന്നു, ആളുകളെ ഒപ്പം കൊണ്ടുപോകുന്നു.

അടുത്തതായി നിങ്ങൾ ചെയ്യണമെന്ന് ഞാൻ ആഗ്രഹിക്കുന്നത് ഇതാ — നാളെ തുടങ്ങാവുന്ന 5-ഘട്ട ആക്ഷൻ പ്ലാൻ:

1. Audit your data. നിങ്ങളുടെ പ്രധാന ഉപയോഗത്തിനുള്ള പ്രധാന ഡാറ്റാ സ്രോതസ്സുകൾ പ്രൊഫൈൽ ചെയ്യാൻ ഒരാഴ്ച ചെലവഴിക്കൂ. നഷ്ടമായ മൂല്യങ്ങൾ, ഡ്യൂപ്ലിക്കേറ്റുകൾ, പൊരുത്തക്കേടുകൾ എന്നിവ തിരിച്ചറിയൂ. ഡാറ്റ തയ്യാറല്ലെങ്കിൽ, അതാകുംവരെ മോഡലിംഗ് വൈകിപ്പിക്കൂ.
2. Pick one problem. ഒരൊറ്റ പ്രശ്ന പ്രസ്താവനയും പ്രതീക്ഷിക്കുന്ന ROI-യും എഴുതുക. ബിസിനസ് സ്പോൺസറുടെയും ഡാറ്റാ ഉടമയുടെയും അംഗീകാരം നേടുക.
3. Build an MVP. പ്രവർത്തിക്കാവുന്ന ഏറ്റവും ലളിതമായ മോഡൽ ഉപയോഗിക്കൂ. തികഞ്ഞതല്ലെങ്കിലും 4 ആഴ്ചയിൽ എത്തിക്കൂ. നിർവചിച്ച ബിസിനസ് KPI-കൾ ഉപയോഗിച്ച് ആദ്യ ഫലങ്ങൾ അളക്കൂ.
4. Train your people. പ്രായോഗിക സെഷനുകൾ നടത്തൂ, ഫീഡ്ബാക്ക് ശേഖരിക്കൂ, ആന്തരിക ചാമ്പ്യന്മാരെ നിയമിക്കൂ. ഭയങ്ങൾ തുറന്ന് അഭിസംബോധന ചെയ്യൂ.
5. ആവർത്തിക്കുകയും അളക്കുകയും ചെയ്യുക. 30 ദിവസത്തെ അവലോകന ചക്രം നിശ്ചയിക്കൂ. MVP പ്രതീക്ഷ നൽകുന്നെങ്കിൽ, ഡാറ്റാ ഗുണനിലവാരവും മോഡൽ സങ്കീർണ്ണതയും മെച്ചപ്പെടുത്താൻ നിക്ഷേപിക്കൂ. ഇല്ലെങ്കിൽ, വേഗത്തിൽ നിർത്തി പഠിക്കൂ.

ആ ചട്ടക്കൂട് പിന്തുടർന്നാൽ, വിജയിക്കുന്ന 30%-ത്തിൽ നിങ്ങൾ ചേരും. ഞാൻ ചെയ്തിട്ടുള്ളതുകൊണ്ട് എനിക്കറിയാം. ആരോഗ്യ സംരക്ഷണം മുതൽ ഘന വ്യവസായം വരെയുള്ള ഡസൻ കണക്കിന് കമ്പനികളെ കുറയ്ക്കാൻ ഞാൻ സഹായിച്ചിട്ടുണ്ട് AI പ്രോജക്ട് പരാജയ നിരക്ക് ഒടുവിൽ അവരുടെ ഡാറ്റയിൽ നിന്ന് യഥാർത്ഥ മൂല്യം നേടുന്നു.

70%-ഉം 30%-ഉം തമ്മിലുള്ള വ്യത്യാസം മാജിക്കല്ല. രീതിയാണ്.

AI പ്രോജക്ട് പരാജയ നിരക്കിനെക്കുറിച്ചുള്ള പതിവുചോദ്യങ്ങൾ

AI പ്രോജക്ട് പരാജയ നിരക്ക് കൃത്യമായി എന്താണ്?

The AI പ്രോജക്ട് പരാജയ നിരക്ക് അളക്കാവുന്ന ബിസിനസ് മൂല്യം നൽകാത്തതോ പൈലറ്റിൽ നിന്ന് പ്രൊഡക്ഷനിലേക്ക് നീങ്ങാത്തതോ ആയ നിർമ്മിതബുദ്ധി സംരംഭങ്ങളുടെ ശതമാനത്തെ സൂചിപ്പിക്കുന്നു. BCG (2023) പ്രകാരം, 70% കമ്പനികളും AI-യിൽ നിന്ന് ROI കാണുന്നില്ല. (ഉദ്ധരിച്ചതുപോലുള്ള ഉറവിടങ്ങൾ; പരാജയ-നിരക്ക് മാനദണ്ഡങ്ങൾ 2026 സെപ്റ്റംബറിൽ വീണ്ടും പരിശോധിച്ചു — ഉദ്ധരിക്കുന്നതിന് മുമ്പ് നിലവിലെ പതിപ്പുകൾ സ്ഥിരീകരിക്കുക.) AI പ്രോട്ടോടൈപ്പുകളിൽ 54% മാത്രമേ പ്രൊഡക്ഷനിലെത്തുന്നുള്ളൂവെന്ന് Gartner (2021) റിപ്പോർട്ട് ചെയ്യുന്നു, അതായത് ആ നിർവചനപ്രകാരം പരാജയനിരക്ക് 46% ആണ്. 28% വിന്യാസത്തിന് മുൻപേ പരാജയപ്പെടുന്നുവെന്നും പലതും പ്രതീക്ഷിച്ച പ്രകടനം കാഴ്ചവെക്കുന്നില്ലെന്നും IDC (2022) കണ്ടെത്തി. AI പദ്ധതികളിൽ 60-70% ഏതെങ്കിലും അർത്ഥവത്തായ രീതിയിൽ പരാജയപ്പെടുന്നു എന്നതാണ് പൊതുവായ നിഗമനം.

70% AI പ്രോജക്ടുകളും പരാജയപ്പെടുന്നത് എന്തുകൊണ്ട്?

മികച്ച അഞ്ച് കാരണങ്ങൾ: വ്യക്തമായ ബിസിനസ് പ്രശ്നമില്ല (സാങ്കേതികവിദ്യ-ആദ്യം സമീപനം), മോശം ഡാറ്റ (ചിതറിക്കിടക്കുന്നതും അപൂർണ്ണവും തെറ്റായി ലേബൽ ചെയ്തതും), മാറ്റ മാനേജ്മെന്റിന്റെ അഭാവം (അന്തിമ ഉപയോക്താക്കൾ ഒരിക്കലും സ്വീകരിക്കുന്നില്ല), യാഥാർത്ഥ്യബോധമില്ലാത്ത പ്രതീക്ഷകൾ (ഹ്രസ്വകാല ROI ആവശ്യപ്പെടുന്നു), അളവ് ചട്ടക്കൂടില്ല (മൂല്യം തെളിയിക്കാൻ KPI-കളില്ല). സാങ്കേതിക കുറവുകളല്ല, സംസ്കാര, ഡാറ്റാ പ്രശ്നങ്ങളാണ് മിക്ക പരാജയങ്ങൾക്കും കാരണം.

എന്റെ കമ്പനിയിലെ AI പദ്ധതി പരാജയ നിരക്ക് എങ്ങനെ കുറയ്ക്കാം?

ഒറ്റ ഉയർന്ന-ആഘാത ഉപയോഗ സാഹചര്യത്തിൽ ചെറുതായി ആരംഭിക്കൂ. മോഡലുകൾ നിർമിക്കുന്നതിന് മുമ്പ് ഡാറ്റാ ഗുണനിലവാരത്തിലും സംയോജനത്തിലും നിക്ഷേപിക്കൂ. ഏറ്റവും കുറഞ്ഞ പ്രായോഗിക മോഡൽ നിർമിച്ച് ഉപയോക്തൃ ഫീഡ്ബാക്കിന്റെ അടിസ്ഥാനത്തിൽ ആവർത്തിക്കൂ. മാറ്റ മാനേജ്മെന്റിനായി — പരിശീലനം, ആശയവിനിമയം, ഉപയോക്തൃ പരിശോധന — ബജറ്റ് വ്യക്തമായി നീക്കിവെക്കൂ. ബിസിനസ് ഫലങ്ങളുമായി ബന്ധിപ്പിച്ച 3-5 നിർദ്ദിഷ്ട, സമയബന്ധിത KPI-കൾ നിർവചിക്കൂ. എന്റെ സ്വന്തം ക്ലയന്റ് പ്രവർത്തനത്തിൽ പരാജയ നിരക്ക് 70%-ൽ നിന്ന് 30%-ത്തിൽ താഴെയായി കുറയ്ക്കാൻ ഈ ഘട്ടങ്ങൾ സഹായിച്ചിട്ടുണ്ട്.

പ്രൊഡക്ഷനിൽ AI വിന്യാസത്തിന്റെ വിജയ നിരക്ക് എന്താണ്?

AI പ്രോജക്ടുകളിൽ 54% മാത്രമേ പൈലറ്റിൽ നിന്ന് പ്രൊഡക്ഷനിലേക്ക് നീങ്ങുന്നുള്ളൂ എന്ന് Gartner കണ്ടെത്തി. വിന്യസിക്കുന്നവയിൽ, അർത്ഥവത്തായ ROI നൽകുന്നത് ഒരു ഭാഗം മാത്രം—BCG-യുടെ 30% വിജയനിരക്ക് അതിനോട് യോജിക്കുന്നു. അതായത് പകുതിയോളം ലാബ് വിടുന്നില്ല, പോകുന്നവയിൽ ഏകദേശം പകുതിയും വീണ്ടും പ്രതീക്ഷയ്ക്കൊത്ത് ഉയരുന്നില്ല.

പരാജയപ്പെട്ട AI പദ്ധതിക്ക് ശരാശരി എത്ര ചെലവാകും?

ചെലവുകൾ വളരെയധികം വ്യത്യാസപ്പെടുന്നു. ഒരു മിഡ്-റേഞ്ച് AI പ്രോജക്ടിന് ഡാറ്റ തയ്യാറെടുപ്പ്, സോഫ്റ്റ്വെയർ, പ്രതിഭ എന്നിവയുൾപ്പെടെ $300,000-$800,000 ചെലവാകാം. വലിയ എന്റർപ്രൈസ് സംരംഭങ്ങൾക്ക് $2-5 ദശലക്ഷം വരെ എത്താം. 70% പരാജയപ്പെടുകയാണെങ്കിൽ, പ്രതിവർഷം അഞ്ച് പ്രോജക്ടുകൾ നടത്തുന്ന കമ്പനിക്ക് പ്രതിവർഷം $1.5-3 ദശലക്ഷം പാഴാക്കാം.

ചില വ്യവസായങ്ങൾക്ക് AI പ്രോജക്ട് പരാജയ നിരക്ക് കൂടുതലാണോ?

The AI പ്രോജക്ട് പരാജയ നിരക്ക് കനത്ത നിയന്ത്രണ പരിമിതികളുള്ള (ആരോഗ്യം, ധനകാര്യം) അല്ലെങ്കിൽ ചിതറിക്കിടക്കുന്ന ഡാറ്റാ പരിതസ്ഥിതികളുള്ള (നിർമ്മാണം, റീട്ടെയിൽ) വ്യവസായങ്ങളിൽ ഉയർന്നതാണ്, കാരണം ഡാറ്റാ ഗവേണൻസും മാറ്റ മാനേജ്മെന്റും അവിടെ ബുദ്ധിമുട്ടാണ്. എന്നിരുന്നാലും, 70% എന്ന കണക്ക് മേഖലകളിലുടനീളം ഏറെക്കുറെ സ്ഥിരമാണ്. സാങ്കേതിക-സ്വദേശ കമ്പനികൾക്ക് അൽപ്പം

ജനറേറ്റീവ് AI-യ്ക്ക് വ്യത്യസ്ത പരാജയ നിരക്കുണ്ടോ?

ജനറേറ്റീവ് AI പ്രോജക്ടുകൾ ഇപ്പോഴും പുതിയതാണ്, പക്ഷേ ഉയർന്ന പ്രതീക്ഷകൾ, ധാർമ്മിക അപകടസാധ്യതകൾ, ഉള്ളടക്ക നിർമ്മാണത്തിനപ്പുറം ROI അളക്കുന്നതിലെ ബുദ്ധിമുട്ട് എന്നിവ കാരണം പരാജയനിരക്ക് ഇതിലും ഉയർന്നതാണെന്ന് ആദ്യ സൂചനകൾ പറയുന്നു. Deloitte-ന്റെ 2024 സർവേ പ്രകാരം 22% കമ്പനികൾ മാത്രമാണ് GenAI പൈലറ്റിൽ നിന്ന് പ്രൊഡക്ഷനിലേക്ക് മാറ്റിയത്, അതായത് പൈലറ്റ്-ടു-പ്രൊഡക്ഷൻ മെട്രിക് പ്രകാരം 78% പരാജയനിരക്ക്.

പരാജയപ്പെട്ട AI പ്രോജക്റ്റ് രക്ഷപ്പെടുത്താനാകുമോ?

തീർച്ചയായും. “പരാജയപ്പെട്ട” മിക്ക പ്രോജക്ടുകളും സാങ്കേതികമായി അല്ല, സംഘടനാപരമായി പരാജയപ്പെട്ടവയാണ്. വ്യക്തമായ പ്രശ്ന നിർവചനത്തോടെ പുനരാരംഭിച്ചും ഡാറ്റ വൃത്തിയാക്കിയും ശരിയായ ചേഞ്ച് മാനേജ്മെന്റ് പ്രക്രിയ സജ്ജീകരിച്ചും ചത്ത പ്രോജക്ടുകളെ ഞാൻ പുനരുജ്ജീവിപ്പിച്ചിട്ടുണ്ട്. മോഡൽ തന്നെ പലപ്പോഴും ഉപയോഗയോഗ്യമായി തുടരുന്നു; അതിന് വളരാൻ ശരിയായ അന്തരീക്ഷം മാത്രം മതി.

AI പ്രോജക്ട് പരാജയ നിരക്കിനെ മറികടക്കാൻ തയ്യാറാണോ?

ഒരിക്കലും പുറത്തിറങ്ങാത്ത AI-യിൽ പണം പാഴാക്കുന്നത് നിർത്തൂ. ൽ DG10 Agency, ലാബിലല്ല, മാർജിനുകൾ പ്രധാനമായ യഥാർത്ഥ ലോകത്ത് യഥാർത്ഥത്തിൽ പ്രവർത്തിക്കുന്ന AI രൂപകൽപ്പന ചെയ്യാനും നിർമ്മിക്കാനും വിന്യസിക്കാനും ഞങ്ങൾ കമ്പനികളെ സഹായിക്കുന്നു.

We’ve cut the AI പ്രോജക്ട് പരാജയ നിരക്ക് ഞങ്ങളുടെ ക്ലയന്റുകൾക്ക് ശരാശരി 40%-ത്തിലധികം. നിങ്ങളുടെ ഡാറ്റയിൽ തുടങ്ങുന്നു. വ്യക്തമായ മെട്രിക്കുകൾ നിർവചിക്കുന്നു. നിങ്ങളുടെ ടീം ഉപയോഗിക്കുന്ന മോഡലുകൾ നിർമ്മിക്കുന്നു. വരുമാന പ്രസ്താവനയിൽ ROI പ്രത്യക്ഷപ്പെടുന്നതുവരെ ദത്തെടുക്കലിലൂടെ നിങ്ങളോടൊപ്പം നിൽക്കുന്നു.

Talk to us today നിങ്ങളുടെ AI വിന്യാസ ലക്ഷ്യങ്ങളെക്കുറിച്ച്. 30%-ൽ നിങ്ങളെ എത്തിക്കാം.

Keep Reading

ഈ ഗൈഡ് സഹായകമായെങ്കിൽ, ഇവ ഇതിന് പിന്നിലെ സിസ്റ്റങ്ങളെക്കുറിച്ച് കൂടുതൽ ആഴത്തിൽ പറയുന്നു:

• മാർക്കറ്റിംഗ് ഡാറ്റയ്ക്കായി ഏകീകൃത സത്യസ്രോതസ്സ് എങ്ങനെ നിർമ്മിക്കാം
• AI വിപണി ഗവേഷണ എതിരാളി ഉപകരണം: ഞങ്ങളുടെ ഇഷ്ടാനുസൃത എഞ്ചിൻ
• 7 മികച്ച AI കീവേഡ് ഗവേഷണ ഉപകരണങ്ങൾ (2026)