70% AI ਪ੍ਰੋਜੈਕਟ ਕਿਉਂ ਅਸਫਲ ਹੁੰਦੇ ਹਨ: AI ਪ੍ਰੋਜੈਕਟ ਅਸਫਲਤਾ ਦਰ ਨੂੰ ਸਮਝੋ (ਅਤੇ 30% ਵਿੱਚ ਕਿਵੇਂ ਸ਼ਾਮਲ ਹੋਵੋ)
ਮੈਂ ਇਹ ਦਰਜਨਾਂ ਵਾਰ ਹੁੰਦਾ ਦੇਖਿਆ ਹੈ। ਇੱਕ ਕੰਪਨੀ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਪਲੇਟਫਾਰਮ ਵਿੱਚ ਛੇ ਅੰਕਾਂ ਦਾ ਨਿਵੇਸ਼ ਕਰਦੀ ਹੈ। ਡੇਟਾ ਵਿਗਿਆਨੀ ਇੱਕ ਮਾਡਲ ਬਣਾਉਂਦੇ ਹਨ। ਡੈਸ਼ਬੋਰਡ ਸ਼ਾਨਦਾਰ ਦਿਖਦਾ ਹੈ। ਫਿਰ ਕੁਝ ਨਹੀਂ ਬਦਲਦਾ। ਪ੍ਰੋਜੈਕਟ ਉੱਥੇ ਹੀ ਦਮ ਤੋੜ ਦਿੰਦਾ ਹੈ।
ਇਹ ਇਸ ਦੇ ਪਿੱਛੇ ਦੀ ਨਿਰਾਸ਼ਾਜਨਕ ਹਕੀਕਤ ਹੈ AI ਪ੍ਰੋਜੈਕਟ ਅਸਫਲਤਾ ਦਰ. ਤੋਂ 2023 ਰਿਪੋਰਟ ਅਨੁਸਾਰ BCG, 70% AI ਪਹਿਲਾਂ ਕੋਈ ਮਾਪਣਯੋਗ ਕਾਰੋਬਾਰੀ ਮੁੱਲ ਦੇਣ ਵਿੱਚ ਅਸਫਲ ਰਹਿੰਦੀਆਂ ਹਨ। “ਕੁਝ ਮੁੱਲ” ਨਹੀਂ। ਸਿਫ਼ਰ ਮੁੱਲ। Gartner AI Survey 2021 ਤੋਂ ਪਤਾ ਲੱਗਾ ਹੈ ਕਿ ਸਿਰਫ਼ 54% AI ਪ੍ਰੋਜੈਕਟ ਹੀ ਪਾਇਲਟ ਤੋਂ ਪ੍ਰੋਡਕਸ਼ਨ ਤੱਕ ਪਹੁੰਚਦੇ ਹਨ। ਬਾਕੀ ਅਟਕ ਜਾਂਦੇ ਹਨ। ਅਤੇ ਇੱਕ IDC study ਖੁਲਾਸਾ ਕਰਦਾ ਹੈ ਕਿ 28% AI ਪ੍ਰੋਜੈਕਟ ਤਾਇਨਾਤੀ ਤੋਂ ਪਹਿਲਾਂ ਹੀ ਛੱਡ ਦਿੱਤੇ ਜਾਂਦੇ ਹਨ, ਅਤੇ ਹਰ ਸਾਲ ਅਰਬਾਂ ਡਾਲਰ ਅਜਿਹੇ ਪ੍ਰੂਫ਼-ਆਫ਼-ਕਾਂਸੈਪਟਾਂ ਉੱਤੇ ਬਰਬਾਦ ਹੁੰਦੇ ਹਨ ਜੋ ਕਦੇ ਸਾਹਮਣੇ ਹੀ ਨਹੀਂ ਆਉਂਦੇ।
ਮੈਂ ਉਸ ਵਿਨਾਸ਼ਕਾਰੀ ਅੰਕੜੇ ਦੇ ਦੋਵਾਂ ਪਾਸਿਆਂ 'ਤੇ ਕੰਮ ਕੀਤਾ ਹੈ। ਮੈਂ AI ਬਣਾਇਆ ਹੈ ਜੋ ਭੇਜਿਆ ਗਿਆ ਅਤੇ AI ਜੋ ਅਸਫਲ ਹੋਇਆ। ਇਸ ਲੇਖ ਵਿੱਚ, ਮੈਂ ਤੁਹਾਨੂੰ ਬਿਲਕੁਲ ਦਿਖਾਵਾਂਗਾ ਕਿ ਉਹ 70% ਕਿਉਂ ਅਸਫਲ ਹੁੰਦੇ ਹਨ ਅਤੇ ਸਫਲ 30% ਵੱਖਰਾ ਕੀ ਕਰਦੇ ਹਨ। ਹੋਰ ਮਹੱਤਵਪੂਰਨ, ਮੈਂ ਤੁਹਾਨੂੰ ਇੱਕ ਦੁਹਰਾਉਣ ਯੋਗ ਢਾਂਚਾ ਦੇਵਾਂਗਾ ਜਿਸਨੇ ਸੰਗਠਨਾਂ ਨੂੰ ਘਟਾਉਣ ਵਿੱਚ ਮਦਦ ਕੀਤੀ ਹੈ। AI ਪ੍ਰੋਜੈਕਟ ਅਸਫਲਤਾ ਦਰ ਉਦਯੋਗ ਦੀ ਔਸਤ ਤੋਂ ਘਟਾ ਕੇ 30% ਤੋਂ ਹੇਠਾਂ, ਅਕਸਰ ਦੋ ਤਿਮਾਹੀਆਂ ਤੋਂ ਵੀ ਘੱਟ ਸਮੇਂ ਵਿੱਚ।
AI ਪ੍ਰੋਜੈਕਟਾਂ ਦੀ ਅਸਲ ਅਸਫਲਤਾ ਦਰ
ਆਓ ਅੰਕੜੇ ਸਿੱਧੇ ਕਰ ਲਈਏ। ਵੱਖ-ਵੱਖ ਅਧਿਐਨ ਅਸਫਲਤਾ ਦੀਆਂ ਵੱਖ-ਵੱਖ ਪਰਿਭਾਸ਼ਾਵਾਂ ਵਰਤਦੇ ਹਨ, ਪਰ ਸਹਿਮਤੀ ਗੰਭੀਰ ਹੈ।
- BCG (2023): 70% ਕੰਪਨੀਆਂ ਨੂੰ ਭਾਰੀ ਨਿਵੇਸ਼ ਦੇ ਬਾਵਜੂਦ AI ਤੋਂ ਕੋਈ ROI ਨਹੀਂ ਦਿਖਦਾ।
- Gartner (2021): ਸਿਰਫ਼ 54% AI ਪ੍ਰੋਟੋਟਾਈਪ ਪ੍ਰੋਡਕਸ਼ਨ ਤੱਕ ਪਹੁੰਚਦੇ ਹਨ। ਬਾਕੀ ਕਦੇ ਲੈਬ ਨਹੀਂ ਛੱਡਦੇ।
- IDC (2022): AI ਪਹਿਲਕਦਮੀਆਂ ਵਿੱਚੋਂ 28% ਤਾਇਨਾਤੀ ਤੋਂ ਪਹਿਲਾਂ ਹੀ ਪੂਰੀ ਤਰ੍ਹਾਂ ਅਸਫਲ ਹੋ ਜਾਂਦੀਆਂ ਹਨ; ਜਿਹੜੀਆਂ ਤਾਇਨਾਤ ਹੁੰਦੀਆਂ ਹਨ, ਉਨ੍ਹਾਂ ਵਿੱਚੋਂ 45% ਉਮੀਦਾਂ 'ਤੇ ਖਰੀਆਂ ਨਹੀਂ ਉਤਰਦੀਆਂ।
- MIT Sloan (2020): 70% ਕੰਪਨੀਆਂ AI ਤੋਂ ਬਹੁਤ ਘੱਟ ਜਾਂ ਕੋਈ ਅਸਰ ਨਾ ਹੋਣ ਦੀ ਰਿਪੋਰਟ ਕਰਦੀਆਂ ਹਨ, ਅਤੇ ਇੱਛਾ ਤੇ ਅਮਲ ਵਿਚਲਾ ਪਾੜਾ ਵਧਦਾ ਜਾ ਰਿਹਾ ਹੈ।
- McKinsey (2023): The State of AI ਸਰਵੇਖਣ ਦਿਖਾਉਂਦਾ ਹੈ ਕਿ AI ਅਪਣਾਉਣਾ ਠਹਿਰ ਗਿਆ ਹੈ, ਅਤੇ ਸਿਰਫ਼ 21% ਕੰਪਨੀਆਂ ਕਹਿੰਦੀਆਂ ਹਨ ਕਿ AI ਨੇ ਇੱਕੋ ਕਾਰੋਬਾਰੀ ਕਾਰਜ ਵਿੱਚ ਮਹੱਤਵਪੂਰਨ ਮੁੱਲ ਪੈਦਾ ਕੀਤਾ ਹੈ।
The AI ਪ੍ਰੋਜੈਕਟ ਅਸਫਲਤਾ ਦਰ ਇਨ੍ਹਾਂ ਸਾਰੇ ਸਰੋਤਾਂ ਵਿੱਚ ਲਗਭਗ 60–70% ਹੈ। ਇਸ ਦਾ ਮਤਲਬ ਹੈ ਕਿ ਹਰ ਤਿੰਨ AI ਪ੍ਰੋਜੈਕਟਾਂ ਵਿੱਚੋਂ ਦੋ ਤੁਹਾਡਾ ਸਮਾਂ ਅਤੇ ਪੈਸਾ ਬਰਬਾਦ ਕਰਨਗੇ। ਇਸ ਨੂੰ ਸੰਦਰਭ ਵਿੱਚ ਰੱਖੀਏ ਤਾਂ, ਜੇ ਕੋਈ ਮੱਧ-ਆਕਾਰ ਦਾ ਉੱਦਮ ਪ੍ਰਤੀ ਸਾਲ ਔਸਤ $500,000 ਲਾਗਤ ਵਾਲੀਆਂ 10 AI ਪਹਿਲਾਂ ਲਾਗੂ ਕਰਦਾ ਹੈ, ਤਾਂ ਉਹ ਹਰ ਸਾਲ $3.5 million ਉਨ੍ਹਾਂ ਪ੍ਰੋਜੈਕਟਾਂ ’ਤੇ ਸਾੜ ਰਿਹਾ ਹੈ ਜੋ ਜ਼ੀਰੋ ਮਾਪਣਯੋਗ ਕਾਰੋਬਾਰੀ ਪ੍ਰਭਾਵ ਦਿੰਦੇ ਹਨ। ਇਹ ਅਕਰਮਨਸ਼ੀਲਤਾ ਦੀ ਹੈਰਾਨਕੁਨ ਕੀਮਤ ਹੈ।
ਅਸੀਂ “ਅਸਫਲਤਾ” ਨੂੰ ਕਿਵੇਂ ਪਰਿਭਾਸ਼ਿਤ ਕਰਦੇ ਹਾਂ
ਮੈਂ ਇੱਕ ਸਧਾਰਨ ਟੈਸਟ ਵਰਤਦਾ ਹਾਂ: ਕੀ ਪ੍ਰੋਜੈਕਟ ਨੇ ਕਾਰੋਬਾਰ ਦੇ ਕੰਮ ਕਰਨ ਦਾ ਤਰੀਕਾ ਬਦਲਿਆ? ਜੇ ਮਾਡਲ Jupyter ਨੋਟਬੁੱਕ ਵਿੱਚ ਬੈਠਾ ਹੈ ਅਤੇ ਕਦੇ ਕਿਸੇ ਗਾਹਕ, ਉਤਪਾਦ ਜਾਂ ਸਪਲਾਈ ਲੜੀ ਨੂੰ ਨਹੀਂ ਛੂੰਹਦਾ, ਤਾਂ ਇਹ ਅਸਫਲ ਹੋ ਗਿਆ। ਜੇ ਮਾਡਲ ਲਾਈਵ ਹੈ ਪਰ ਕੋਈ ਇਸ ਉੱਤੇ ਭਰੋਸਾ ਨਹੀਂ ਕਰਦਾ ਜਾਂ ਇਸਦੀ ਵਰਤੋਂ ਨਹੀਂ ਕਰਦਾ, ਤਾਂ ਇਹ ਅਸਫਲ ਹੋ ਗਿਆ। ਇੱਕ ਸਫਲ AI ਪ੍ਰੋਜੈਕਟ ਉਹ ਹੈ ਜੋ ਜਾਂ ਤਾਂ ਮਾਲੀਆ ਵਧਾਉਂਦਾ ਹੈ, ਲਾਗਤ ਘਟਾਉਂਦਾ ਹੈ, ਜਾਂ ਗਾਹਕ ਅਨੁਭਵ ਸੁਧਾਰਦਾ ਹੈ ਜੋ ਤੁਹਾਡੇ ਤਿਮਾਹੀ ਅੰਕੜਿਆਂ ਵਿੱਚ ਦਿਖਾਈ ਦੇਵੇ। ਇਸ ਤੋਂ ਘੱਟ ਕੁਝ ਵੀ ਇਸ ਵਿੱਚ ਯੋਗਦਾਨ ਪਾਉਂਦਾ ਹੈ AI ਪ੍ਰੋਜੈਕਟ ਅਸਫਲਤਾ ਦਰ.
ਇਹੀ ਅਸਲ ਪਰਿਭਾਸ਼ਾ ਹੈ — ਤਕਨੀਕੀ ਅਸਫਲਤਾਵਾਂ ਨਹੀਂ, ਸਗੋਂ ਸੰਗਠਨਾਤਮਕ ਅਸਫਲਤਾਵਾਂ। ਇੱਕ ਬਿਲਕੁਲ ਸਹੀ ਮਾਡਲ ਵੀ ਬੇਕਾਰ ਹੈ ਜੇ ਕਾਰੋਬਾਰ ਇਸਨੂੰ ਅਪਣਾਉਂਦਾ ਨਹੀਂ।
ਉੱਚ AI ਪ੍ਰੋਜੈਕਟ ਅਸਫਲਤਾ ਦਰ ਪਿੱਛੇ ਆਮ ਕਾਰਨ
ਮੈਂ ਦਰਜਨਾਂ ਕੰਪਨੀਆਂ ਵਿੱਚ ਅਸਫਲ ਪ੍ਰੋਜੈਕਟਾਂ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕੀਤਾ ਹੈ — Fortune 500 ਪ੍ਰਚੂਨ ਵਿਕਰੇਤਾਵਾਂ ਤੋਂ ਦਰਮਿਆਨੇ ਲੌਜਿਸਟਿਕਸ ਫਰਮਾਂ ਤੱਕ। ਪੈਟਰਨ ਹਮੇਸ਼ਾ ਇੱਕੋ ਹੁੰਦਾ ਹੈ। ਇੱਥੇ ਪੰਜ ਸਭ ਤੋਂ ਵੱਡੇ ਕਾਤਲ ਹਨ, ਇੰਨੇ ਵਿਸਤਾਰ ਨਾਲ ਸਮਝਾਏ ਗਏ ਕਿ ਤੁਸੀਂ ਘੱਟੋ-ਘੱਟ ਇੱਕ ਵਿੱਚ ਆਪਣੀ ਸੰਸਥਾ ਨੂੰ ਪਛਾਣ ਲਓਗੇ।
1. ਕੋਈ ਸਪੱਸ਼ਟ ਕਾਰੋਬਾਰੀ ਸਮੱਸਿਆ ਨਹੀਂ
ਜ਼ਿਆਦਾਤਰ AI ਪ੍ਰੋਜੈਕਟ ਤਕਨਾਲੋਜੀ-ਪਹਿਲੀ ਸੋਚ ਨਾਲ ਸ਼ੁਰੂ ਹੁੰਦੇ ਹਨ। ਇੱਕ ਟੀਮ ਜਨਰੇਟਿਵ AI ਜਾਂ ਕੰਪਿਊਟਰ ਵਿਜ਼ਨ ਬਾਰੇ ਉਤਸ਼ਾਹਿਤ ਹੁੰਦੀ ਹੈ ਅਤੇ ਪੁੱਛਦੀ ਹੈ, “ਅਸੀਂ ਇਸ ਨਾਲ ਕੀ ਕਰ ਸਕਦੇ ਹਾਂ?” ਇਹ ਪੁੱਛਣ ਦੀ ਬਜਾਏ, “ਸਾਡੀ ਸਭ ਤੋਂ ਮਹਿੰਗੀ ਸੰਚਾਲਨ ਸਮੱਸਿਆ ਕਿਹੜੀ ਹੈ?” ਇੱਕ McKinsey study ਪਾਇਆ ਕਿ AI ਨੂੰ ਖਾਸ ਕਾਰੋਬਾਰੀ ਨਤੀਜਿਆਂ ਨਾਲ ਜੋੜਨ ਵਾਲੀਆਂ ਕੰਪਨੀਆਂ ਦੀ ਸਫਲਤਾ ਦੀ ਸੰਭਾਵਨਾ 1.7 ਗੁਣਾ ਵੱਧ ਹੁੰਦੀ ਹੈ ਮੈਂ ਇਸਦਾ ਉਲਟ ਦਰਦਨਾਕ ਢੰਗ ਨਾਲ ਵੇਖਿਆ ਹੈ ਇੱਕ ਖਪਤਕਾਰ ਵਸਤੂ ਕੰਪਨੀ ਨੇ ਮੰਗ ਪੂਰਵਾਨੁਮਾਨ ਮਾਡਲ ਬਣਾਉਣ ਵਿੱਚ $800,000 ਖਰਚ ਕੀਤੇ ਜੋ ਕਦੇ ਵਰਤਿਆ ਹੀ ਨਹੀਂ ਗਿਆ ਕਿਉਂਕਿ ਸਪਲਾਈ ਚੇਨ ਟੀਮ ਕੋਲ ਸਰਲ ਨਿਯਮ ਸਨ ਜੋ ਕਾਫੀ ਚੰਗਾ ਕੰਮ ਕਰਦੇ ਸਨ ਮਾਡਲ ਨੇ ਅਜਿਹੇ ਸਵਾਲ ਦਾ ਜਵਾਬ ਦਿੱਤਾ ਜੋ ਕਿਸੇ ਨੇ ਪੁੱਛਿਆ ਹੀ ਨਹੀਂ ਸੀ
ਜਦੋਂ ਤੁਸੀਂ ਸਫਲਤਾ ਨੂੰ ਕਾਰੋਬਾਰੀ ਸ਼ਬਦਾਂ ਵਿੱਚ ਪਰਿਭਾਸ਼ਿਤ ਨਹੀਂ ਕਰਦੇ, ਤਾਂ ਤੁਹਾਨੂੰ ਸਕੋਪ ਕ੍ਰੀਪ ਮਿਲਦਾ ਹੈ। ਪ੍ਰੋਜੈਕਟ ਇੱਕੋ ਵਾਰ ਤਿੰਨ ਸਮੱਸਿਆਵਾਂ ਹੱਲ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦਾ ਹੈ ਜਾਂ ਅਸਪੱਸ਼ਟ "360-ਡਿਗਰੀ ਗਾਹਕ ਦ੍ਰਿਸ਼" ਦਾ ਪਿੱਛਾ ਕਰਦਾ ਹੈ। ਨਤੀਜਾ ਇੱਕ ਅਜਿਹਾ ਮਾਡਲ ਹੈ ਜੋ ਚਲਾਉਣ ਲਈ ਬਹੁਤ ਜਟਿਲ ਹੈ। AI ਪ੍ਰੋਜੈਕਟ ਅਸਫਲਤਾ ਦਰ ਵੱਧ ਜਾਂਦਾ ਹੈ ਜਦੋਂ ਸ਼ੁਰੂਆਤੀ ਸਮੱਸਿਆ ਕਥਨ ਅਸਪਸ਼ਟ ਹੁੰਦਾ ਹੈ। O'Reilly ਦੇ 2024 ਸਰਵੇਖਣ ਅਨੁਸਾਰ, ਸਿਰਫ਼ 38% ਸੰਸਥਾਵਾਂ ਨੇ ਕਿਹਾ ਕਿ AI ਕੰਮ ਸ਼ੁਰੂ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ ਉਨ੍ਹਾਂ ਕੋਲ ਸਪਸ਼ਟ ਪਰਿਭਾਸ਼ਿਤ ਸਮੱਸਿਆ ਕਥਨ ਸੀ। ਬਾਕੀ ਸਿਰਫ਼ ਪ੍ਰਯੋਗ ਕਰ ਰਹੇ ਸਨ।
Real example: ਇੱਕ ਯੂਰਪੀ ਬੈਂਕ AI ਨਾਲ "ਗਾਹਕ ਜੁੜਾਅ ਸੁਧਾਰਨਾ" ਚਾਹੁੰਦਾ ਸੀ। ਛੇ ਮਹੀਨਿਆਂ ਬਾਅਦ ਪ੍ਰੋਜੈਕਟ ਠੱਪ ਹੋ ਗਿਆ ਕਿਉਂਕਿ ਮਾਰਕੀਟਿੰਗ ਚਰਨ ਭਵਿੱਖਬਾਣੀ ਚਾਹੁੰਦੀ ਸੀ, ਓਪਰੇਸ਼ਨ ਧੋਖਾਧੜੀ ਪਛਾਣ ਚਾਹੁੰਦੇ ਸਨ, ਅਤੇ ਕੰਪਲਾਇੰਸ KYC ਆਟੋਮੇਸ਼ਨ ਚਾਹੁੰਦੀ ਸੀ। ਸਭ ਵੱਖੋ-ਵੱਖ ਦਿਸ਼ਾਵਾਂ ਵਿੱਚ ਖਿੱਚ ਰਹੇ ਸਨ। ਇੱਕ ਕੇਂਦ੍ਰਿਤ ਟੀਚਾ — ਕ੍ਰੈਡਿਟ ਕਾਰਡ ਚਰਨ 8% ਘਟਾਉਣਾ — ਪ੍ਰੋਜੈਕਟ ਬਚਾ ਸਕਦਾ ਸੀ।
2. Bad Data
AI ਮਾਡਲ ਸਾਫ਼, ਲੇਬਲਡ, ਪ੍ਰਸੰਗਿਕ ਡਾਟੇ ਦੇ ਭੁੱਖੇ ਹਨ। ਜ਼ਿਆਦਾਤਰ ਕੰਪਨੀਆਂ ਦਾ ਡਾਟਾ ਦਸ ਪੁਰਾਣੇ ਸਿਸਟਮਾਂ ਵਿੱਚ ਖਿੰਡਿਆ ਹੋਇਆ ਹੈ, ਹਰੇਕ ਦੀ “customer” ਜਾਂ “transaction” ਦੀ ਆਪਣੀ ਪਰਿਭਾਸ਼ਾ ਹੈ। IDC report ਕਹਿੰਦਾ ਹੈ ਕਿ ਮਾੜੀ ਡੇਟਾ ਗੁਣਵੱਤਾ ਵਿਸ਼ਵ ਪੱਧਰ ਉੱਤੇ AI ਅਪਣਾਉਣ ਵਿੱਚ ਦੂਜੀ ਸਭ ਤੋਂ ਵੱਡੀ ਰੁਕਾਵਟ ਹੈ। ਮੇਰੀ ਦਲੀਲ ਹੈ ਕਿ ਇਹ ਸਭ ਤੋਂ ਵੱਡੀ ਹੈ। ਕੂੜਾ ਅੰਦਰ, ਕੂੜਾ ਬਾਹਰ ਸਿਰਫ਼ ਇੱਕ ਘਿਸੀ-ਪਿਟੀ ਗੱਲ ਨਹੀਂ ਹੈ; ਇਹ ਨੰਬਰ-ਇੱਕ ਤਕਨੀਕੀ ਕਾਰਨ ਹੈ ਕਿ AI ਪ੍ਰੋਜੈਕਟ ਅਸਫਲਤਾ ਦਰ ਜ਼ਿੱਦ ਨਾਲ ਉੱਚਾ ਬਣਿਆ ਰਹਿੰਦਾ ਹੈ।
ਆਮ AI ਪ੍ਰੋਜੈਕਟ ਆਪਣਾ 80% ਸਮਾਂ ਡਾਟਾ ਤਿਆਰੀ 'ਤੇ ਖਰਚ ਕਰਦਾ ਹੈ — ਪਰ ਬਹੁਤ ਸਾਰੀਆਂ ਟੀਮਾਂ ਇਸ ਪੜਾਅ ਨੂੰ ਛੋਟਾ ਕਰ ਦਿੰਦੀਆਂ ਹਨ। ਉਹ ਮੰਨ ਲੈਂਦੀਆਂ ਹਨ ਕਿ ਡਾਟਾ “ਚੰਗਾ” ਹੈ। ਇਹ ਕਦੇ ਨਹੀਂ ਹੁੰਦਾ। ਮੈਂ ਇੱਕ ਵਾਰ ਇੱਕ ਸਿਹਤ ਸੰਭਾਲ ਪ੍ਰਦਾਤਾ ਨਾਲ ਕੰਮ ਕੀਤਾ ਜਿਸ ਦੇ ਮਰੀਜ਼ ਮੁੜ‑ਦਾਖਲਾ ਭਵਿੱਖਬਾਣੀ ਮਾਡਲ ਵਿੱਚ ਮਹੱਤਵਪੂਰਨ ਫੀਲਡਾਂ ਵਿੱਚ 40% ਖੁੰਝੇ ਮੁੱਲ ਸਨ। ਡਾਟਾ ਸਾਇੰਸ ਟੀਮ ਨੇ ਉਨ੍ਹਾਂ ਨੂੰ ਮੱਧਮਾਨਾਂ ਨਾਲ ਭਰ ਦਿੱਤਾ, ਅਤੇ ਮਾਡਲ ਨੇ ਟੈਸਟਿੰਗ ਵਿੱਚ 88% ਸ਼ੁੱਧਤਾ ਪ੍ਰਾਪਤ ਕੀਤੀ। ਪਰ ਉਤਪਾਦਨ ਵਿੱਚ, ਭਵਿੱਖਬਾਣੀਆਂ ਬੇਤੁਕੀਆਂ ਸਨ ਕਿਉਂਕਿ ਖੁੰਝੇ ਮੁੱਲ ਬੇਤਰਤੀਬ ਨਹੀਂ ਸਨ — ਉਹ ਉਨ੍ਹਾਂ ਮਰੀਜ਼ਾਂ ਲਈ ਖੁੰਝੇ ਸਨ ਜਿਨ੍ਹਾਂ ਨੂੰ ਖਾਸ ਪੇਚੀਦਗੀਆਂ ਸਨ ਜੋ ਦਰਜ ਨਹੀਂ ਕੀਤੀਆਂ ਗਈਆਂ ਸਨ। ਤਿੰਨ ਮਹੀਨਿਆਂ ਦੀ ਬਹਿਸ ਤੋਂ ਬਾਅਦ ਪ੍ਰੋਜੈਕਟ ਰੱਦ ਕਰ ਦਿੱਤਾ ਗਿਆ।
"ਖਰਾਬ ਡਾਟਾ" ਕਿਹੋ ਜਿਹਾ ਦਿਖਦਾ ਹੈ:
- Incomplete records: 30% ਵਿਕਰੀ ਰਿਕਾਰਡਾਂ ਵਿੱਚ ਗਾਹਕ ਸੈਗਮੈਂਟ ਫੀਲਡ ਗਾਇਬ ਹੈ।
- ਅਸੰਗਤ ਲੇਬਲ: — ਪਤਾ ਖੇਤਰਾਂ ਵਿੱਚ “CA” ਅਤੇ “California” ਇੱਕ-ਦੂਜੇ ਦੀ ਥਾਂ ਵਰਤੇ ਗਏ।
- Duplicates: ਉਹੀ ਗਾਹਕ ਵੱਖ-ਵੱਖ IDs ਨਾਲ ਚਾਰ ਵਾਰ ਦਿਖਾਈ ਦਿੰਦਾ ਹੈ।
- Stale data: ਵਸਤੂ-ਸੂਚੀ ਡੇਟਾ ਹਫ਼ਤਾਵਾਰੀ ਅੱਪਡੇਟ ਹੁੰਦਾ ਹੈ, ਪਰ ਅਸਲ-ਸਮੇਂ ਦੇ ਫੈਸਲਿਆਂ ਦੀ ਲੋੜ ਹੈ।
- Siloed data: ਗਾਹਕ ਇੰਟਰੈਕਸ਼ਨ ਡੇਟਾ CRM ਵਿੱਚ, ਲੈਣ-ਦੇਣ ਡੇਟਾ ERP ਵਿੱਚ, ਅਤੇ ਸਹਾਇਤਾ ਟਿਕਟਾਂ ਵੱਖਰੇ ਹੈਲਪਡੈਸਕ ਵਿੱਚ ਪਏ ਹਨ।
ਜੇ ਤੁਹਾਡਾ ਡੇਟਾ ਏਕੀਕ੍ਰਿਤ, ਡੁਪਲੀਕੇਟ-ਮੁਕਤ ਅਤੇ ਪ੍ਰਮਾਣਿਤ ਨਹੀਂ ਹੈ, ਤਾਂ ਤੁਹਾਡਾ AI ਭਰਮੇਗਾ ਭਾਵੇਂ ਇਹ ਭਾਸ਼ਾ ਮਾਡਲ ਨਾ ਹੋਵੇ। AI ਪ੍ਰੋਜੈਕਟ ਅਸਫਲਤਾ ਦਰ ਡੇਟਾ ਗਵਰਨੈਂਸ ਢਾਂਚੇ ਤੋਂ ਬਿਨਾਂ ਸੰਗਠਨਾਂ ਲਈ ਉਨ੍ਹਾਂ ਸੰਗਠਨਾਂ ਨਾਲੋਂ ਲਗਭਗ ਦੁੱਗਣਾ ਹੈ ਜਿਨ੍ਹਾਂ ਕੋਲ ਇਹ ਹੈ, Experian ਸਰਵੇਖਣ ਅਨੁਸਾਰ
3. ਬਦਲਾਅ ਪ੍ਰਬੰਧਨ ਦੀ ਘਾਟ
ਤੁਸੀਂ ਇੱਕ ਮਾਡਲ ਬਣਾਇਆ ਜੋ 95% ਸ਼ੁੱਧਤਾ ਨਾਲ ਮੰਥਨ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਦਾ ਹੈ। ਵਿਕਰੀ ਟੀਮ ਇਸਨੂੰ ਨਜ਼ਰਅੰਦਾਜ਼ ਕਰਦੀ ਹੈ। ਕਿਉਂ? ਕਿਉਂਕਿ ਉਨ੍ਹਾਂ ਨੂੰ ਇਸਦੀ ਵਰਤੋਂ ਕਰਨ ਦੀ ਸਿਖਲਾਈ ਕਦੇ ਨਹੀਂ ਦਿੱਤੀ ਗਈ ਅਤੇ ਉਹ ਇਸ ਉੱਤੇ ਭਰੋਸਾ ਨਹੀਂ ਕਰਦੇ। ਇਹ AI ਪਹਿਲਕਦਮੀਆਂ ਦਾ ਚੁੱਪ ਕਾਤਲ ਹੈ। AI ਪ੍ਰੋਜੈਕਟ ਅਸਫਲਤਾ ਦਰ ਵੱਧ ਜਾਂਦੇ ਹਨ ਜਦੋਂ ਆਗੂ ਭੁੱਲ ਜਾਂਦੇ ਹਨ ਕਿ AI ਖਲਾਅ ਵਿੱਚ ਮੌਜੂਦ ਨਹੀਂ ਹੈ — ਇਹ ਬਦਲਦਾ ਹੈ ਕਿ ਲੋਕ ਕਿਵੇਂ ਕੰਮ ਕਰਦੇ ਹਨ।
McKinsey ਨੇ ਪਾਇਆ ਕਿ 70% ਡਿਜੀਟਲ ਤਬਦੀਲੀ ਅਸਫਲਤਾਵਾਂ ਸੱਭਿਆਚਾਰ ਅਤੇ ਤਬਦੀਲੀ ਪ੍ਰਬੰਧਨ ਕਾਰਨ ਹਨ, ਤਕਨਾਲੋਜੀ ਕਾਰਨ ਨਹੀਂ। ਇੱਕ AI ਮਾਡਲ ਜੋ ਸੀਨੀਅਰ ਮੈਨੇਜਰ ਵੱਲੋਂ ਲਏ ਫੈਸਲੇ ਨੂੰ ਸਵੈਚਾਲਿਤ ਕਰਦਾ ਹੈ, ਉਸ ਮੈਨੇਜਰ ਦੀ ਸਥਿਤੀ ਲਈ ਖਤਰਾ ਹੈ। ਜੇ ਤੁਸੀਂ ਮਨੁੱਖੀ ਡਰ ਨੂੰ ਸੰਬੋਧਿਤ ਨਹੀਂ ਕਰਦੇ, ਤਾਂ ਪ੍ਰੋਜੈਕਟ ਤਬਾਹ ਹੋ ਜਾਵੇਗਾ — ਸੂਖਮ ਜਾਂ ਖੁੱਲ੍ਹੇ ਤੌਰ 'ਤੇ। ਮੈਂ ਇਹ ਇੱਕ ਪ੍ਰਚੂਨ ਚੇਨ ਵਿੱਚ ਦੇਖਿਆ ਜਿੱਥੇ ਵਸਤੂ-ਸੂਚੀ ਅਨੁਕੂਲਨ ਮਾਡਲ ਧੂਮ-ਧਾਮ ਨਾਲ ਲਾਂਚ ਕੀਤਾ ਗਿਆ ਸੀ। ਸਟੋਰ ਮੈਨੇਜਰ ਹਾਲਾਂਕਿ ਹੱਥੀਂ ਸਟਾਕ ਮੰਗਵਾਉਂਦੇ ਰਹੇ ਕਿਉਂਕਿ ਉਹ "ਆਪਣੇ ਸਥਾਨਕ ਬਾਜ਼ਾਰ ਨੂੰ ਬਿਹਤਰ ਜਾਣਦੇ ਸਨ।" ਮਾਡਲ ਦੀਆਂ ਸਿਫਾਰਸ਼ਾਂ ਛੇ ਮਹੀਨੇ ਅਣਦੇਖੀਆਂ ਰਹੀਆਂ ਜਦੋਂ ਤੱਕ ਕੰਪਨੀ ਨੇ ਮੈਨੇਜਰ ਦੇ ਬੋਨਸ ਦਾ ਛੋਟਾ ਹਿੱਸਾ ਅਪਣਾਉਣ ਨਾਲ ਨਹੀਂ ਜੋੜਿਆ। ਇੱਕ ਤਿਮਾਹੀ ਵਿੱਚ, ਵਸਤੂ ਲਾਗਤਾਂ 14% ਘਟ ਗਈਆਂ।
AI ਲਈ ਬਦਲਾਅ ਪ੍ਰਬੰਧਨ ਅਸਫਲ ਕਿਉਂ ਹੁੰਦਾ ਹੈ:
- IT ਤੋਂ ਬਾਹਰ ਕੋਈ ਕਾਰਜਕਾਰੀ ਸਪਾਂਸਰ ਨਹੀਂ।
- ਡਿਜ਼ਾਈਨ ਦੌਰਾਨ ਅੰਤਿਮ ਉਪਭੋਗਤਾਵਾਂ ਨਾਲ ਕਦੇ ਸਲਾਹ ਨਹੀਂ ਕੀਤੀ ਗਈ।
- ਸਿਖਲਾਈ ਵਿੱਚ ਇੱਕ ਘੰਟੇ ਦਾ ਵੈਬੀਨਾਰ ਸ਼ਾਮਲ ਸੀ, ਹੱਥੀਂ ਅਭਿਆਸ ਨਹੀਂ।
- ਮਾਡਲ ਦੀਆਂ ਗਲਤੀਆਂ ਦੀ ਰਿਪੋਰਟ ਕਰਨ ਦਾ ਕੋਈ ਫੀਡਬੈਕ ਤੰਤਰ ਨਹੀਂ, ਇਸ ਲਈ ਭਰੋਸਾ ਡਗਮਗਾ ਗਿਆ।
- “ਬਲੈਕ ਬਾਕਸ” ਸਮੱਸਿਆ: ਉਪਭੋਗਤਾ ਨਹੀਂ ਸਮਝਦੇ ਕਿ AI ਨੇ ਫੈਸਲਾ ਕਿਉਂ ਲਿਆ, ਇਸ ਲਈ ਉਹ ਇਸ ਨੂੰ ਰੱਦ ਕਰਦੇ ਹਨ।
A Gartner report ਪਾਇਆ ਕਿ AI ਪਹਿਲਾਂ ਲਈ ਸਮਰਪਿਤ ਬਦਲਾਅ ਪ੍ਰਬੰਧਨ ਬਜਟ ਵਾਲੇ ਸੰਗਠਨਾਂ ਦੀ ਸਫਲਤਾ ਦਰ 45% ਵੱਧ ਹੁੰਦੀ ਹੈ ਫਿਰ ਵੀ 20% ਤੋਂ ਘੱਟ ਕੰਪਨੀਆਂ ਇਸ ਲਈ ਬਜਟ ਰੱਖਦੀਆਂ ਹਨ
4. ਅਵਾਸਤਵਿਕ ਉਮੀਦਾਂ
AI ਜਾਦੂ ਨਹੀਂ ਹੈ। ਇਹ ਕੋਈ ਚਮਤਕਾਰੀ ਹੱਲ ਨਹੀਂ ਹੈ। ਅਤੇ ਇਹ ਪਹਿਲੇ ਮਹੀਨੇ ਵਿੱਚ 10x ROI ਯਕੀਨੀ ਤੌਰ 'ਤੇ ਨਹੀਂ ਦਿੰਦਾ। ਹਾਈਪ ਚੱਕਰ ਵਿੱਚ ਵਿਸ਼ਵਾਸ ਕਰਨ ਵਾਲੇ ਨੇਤਾ — ਜਿਨ੍ਹਾਂ ਨੇ ਬਹੁਤ ਸਾਰੇ ChatGPT ਡੈਮੋ ਦੇਖੇ ਹਨ — ਅਕਸਰ ਤੁਰੰਤ, ਵੱਡੇ ਪਰਿਵਰਤਨ ਦੀ ਉਮੀਦ ਕਰਦੇ ਹਨ। ਜਦੋਂ ਅਸਲੀਅਤ ਸਾਹਮਣੇ ਆਉਂਦੀ ਹੈ, ਤਾਂ ਉਹ ਪਰਿਪੱਕ ਹੋਣ ਦਾ ਮੌਕਾ ਮਿਲਣ ਤੋਂ ਪਹਿਲਾਂ ਹੀ ਪ੍ਰੋਜੈਕਟ ਖਤਮ ਕਰ ਦਿੰਦੇ ਹਨ, ਵਧਾਉਂਦੇ ਹੋਏ AI ਪ੍ਰੋਜੈਕਟ ਅਸਫਲਤਾ ਦਰ.
The MIT Sloan article ਨੋਟ ਕਰਦਾ ਹੈ ਕਿ ਕੰਪਨੀਆਂ ਘੱਟ ਸਮੇਂ ਵਿੱਚ AI ਕੀ ਕਰ ਸਕਦਾ ਹੈ, ਇਸਨੂੰ ਵੱਧ ਸਮਝਦੀਆਂ ਹਨ ਅਤੇ ਇਸਨੂੰ ਸ਼ਾਮਲ ਕਰਨ ਲਈ ਲੋੜੀਂਦੇ ਲੰਬੇ ਸਮੇਂ ਦੇ ਕੰਮ ਨੂੰ ਘੱਟ ਸਮਝਦੀਆਂ ਹਨ। ਮੈਂ ਇੱਕ fintech startup ਨੂੰ AI-ਅਧਾਰਤ ਧੋਖਾਧੜੀ ਪਛਾਣ system 'ਤੇ $300,000 ਖਰਚ ਕਰਦੇ ਦੇਖਿਆ ਹੈ, ਜਿਸਨੂੰ ਉਮੀਦ ਸੀ ਕਿ ਇਹ 30 ਦਿਨਾਂ ਵਿੱਚ chargeback 50% ਘਟਾ ਦੇਵੇਗਾ। ਜਦੋਂ chargeback ਸਿਰਫ਼ 12% ਘਟੇ, ਤਾਂ CFO ਨੇ ਪ੍ਰੋਜੈਕਟ ਬੰਦ ਕਰ ਦਿੱਤਾ—ਭਾਵੇਂ 12% ਮਾਸਿਕ ਬਚਤ ਸਾਲਾਨਾ $1.2 million ਸੀ। ਉਮੀਦਾਂ ਦੇ ਅੰਤਰ ਨੇ ਇੱਕ ਪੂਰੀ ਤਰ੍ਹਾਂ ਵਿਹਾਰਕ ਪ੍ਰੋਜੈਕਟ ਨੂੰ ਮਾਰ ਦਿੱਤਾ।
ਆਰਟੀਫਿਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਲਈ Gartner ਦਾ ਹਾਈਪ ਸਾਈਕਲ ਡੂੰਘੀ ਸਿਖਲਾਈ (deep learning) ਅਤੇ ਐਜ AI ਵਰਗੀਆਂ ਤਕਨਾਲੋਜੀਆਂ ਨੂੰ ਨਿਯਮਿਤ ਤੌਰ ’ਤੇ “ਵਧੀਆਂ ਉਮੀਦਾਂ ਦੀ ਚੋਟੀ” ’ਤੇ ਰੱਖਦਾ ਹੈ, ਜਿਸ ਤੋਂ ਬਾਅਦ “ਮੋਹਭੰਗ ਦੀ ਘਾਟੀ” ਆਉਂਦੀ ਹੈ। ਬਹੁਤ ਸਾਰੇ AI ਪ੍ਰੋਜੈਕਟ ਉਸ ਘਾਟੀ ਵਿੱਚ ਹੀ ਮਰ ਜਾਂਦੇ ਹਨ ਕਿਉਂਕਿ ਸਪਾਂਸਰਾਂ ਨੇ ਸਿੱਖਣ ਦੀ ਪ੍ਰਕਿਰਿਆ ਲਈ ਯੋਜਨਾ ਨਹੀਂ ਬਣਾਈ ਸੀ। The AI ਪ੍ਰੋਜੈਕਟ ਅਸਫਲਤਾ ਦਰ ਅਕਸਰ ਤਕਨਾਲੋਜੀ ਜਿੰਨਾ ਹੀ ਧੀਰਜ ਦੀ ਅਸਫਲਤਾ ਹੁੰਦੀ ਹੈ।
5. ਕੋਈ ਮਾਪ ਢਾਂਚਾ ਨਹੀਂ
ਤੁਸੀਂ ਉਸ ਵਿੱਚ ਸੁਧਾਰ ਨਹੀਂ ਕਰ ਸਕਦੇ ਜਿਸਨੂੰ ਤੁਸੀਂ ਮਾਪਦੇ ਨਹੀਂ। ਫਿਰ ਵੀ ਹੈਰਾਨੀਜਨਕ ਗਿਣਤੀ ਵਿੱਚ AI ਲਾਂਚ ਸਪੱਸ਼ਟ KPIs ਤੋਂ ਬਿਨਾਂ ਹੁੰਦੇ ਹਨ। ਕੀ ਟੀਚਾ ਲਾਗਤ 10% ਘਟਾਉਣਾ ਸੀ? ਕਨਵਰਜ਼ਨ 5% ਵਧਾਉਣਾ? ਸਾਈਕਲ ਸਮਾਂ ਤਿੰਨ ਦਿਨਾਂ ਤੋਂ ਚਾਰ ਘੰਟੇ ਕਰਨਾ? ਖਾਸ, ਸਮਾਂ-ਬੱਧ ਟੀਚਿਆਂ ਤੋਂ ਬਿਨਾਂ, ਕਿਸੇ ਵੀ ਨਤੀਜੇ ਨੂੰ ਜਿੱਤ ਵਜੋਂ ਪੇਸ਼ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ — ਜਾਂ, ਆਮ ਤੌਰ ਉੱਤੇ, ਕੋਈ ਸਿੱਧ ਨਹੀਂ ਕਰ ਸਕਦਾ ਕਿ AI ਨੇ ਕੁਝ ਕੀਤਾ। ਇਹ ਅਸਪਸ਼ਟਤਾ ਸੰਗਠਨਾਤਮਕ ਉਦਾਸੀਨਤਾ ਪੈਦਾ ਕਰਦੀ ਹੈ, ਅਤੇ ਪ੍ਰੋਜੈਕਟ ਹੌਲੀ-ਹੌਲੀ ਮਰ ਜਾਂਦਾ ਹੈ।
ਮੈਂ ਇੱਕ ਵਾਰ ਇੱਕ ਪ੍ਰੋਜੈਕਟ ਦੀ ਸਮੀਖਿਆ ਕੀਤੀ ਜਿਸ ਨੇ ਕੁਸ਼ਲਤਾ ਵਿੱਚ 70% ਸੁਧਾਰ ਦਾ ਦਾਅਵਾ ਕੀਤਾ। ਜਦੋਂ ਮੈਂ ਡੂੰਘਾਈ ਵਿੱਚ ਗਿਆ, ਤਾਂ ਕੁਸ਼ਲਤਾ ਨੂੰ ਪ੍ਰਤੀ ਦਿਨ ਸੁਧਾਰੀਆਂ ਗਈਆਂ ਡੇਟਾ ਐਂਟਰੀਆਂ ਦੀ ਗਿਣਤੀ ਵਜੋਂ ਪਰਿਭਾਸ਼ਿਤ ਕੀਤਾ ਗਿਆ ਸੀ, ਪਰ ਸਮੁੱਚੀ ਪ੍ਰਕਿਰਿਆ ਲਾਗਤ ਨਹੀਂ ਹਿੱਲੀ ਸੀ। AI ਨੇ ਕੰਮ ਘਟਾਇਆ ਨਹੀਂ ਸੀ, ਸਿਰਫ਼ ਬਦਲਿਆ ਸੀ। ਇਹ ਇੱਕ ਕਲਾਸਿਕ ਮਾਪ ਅਸਫਲਤਾ ਹੈ। AI ਪ੍ਰੋਜੈਕਟ ਅਸਫਲਤਾ ਦਰ ਨਾਟਕੀ ਢੰਗ ਨਾਲ ਘਟ ਜਾਂਦਾ ਹੈ ਜਦੋਂ ਤੁਸੀਂ ਸ਼ੁਰੂ ਵਿੱਚ ਹੀ ਸਮੱਸਿਆ-ਕਥਨ ਨਾਲ ਸਿੱਧੇ ਜੁੜੇ ਕਾਰਜਸ਼ੀਲ KPI ਦਾ ਛੋਟਾ ਸੈੱਟ ਤੈਅ ਕਰ ਲੈਂਦੇ ਹੋ
ਕੰਮ ਕਰਨ ਵਾਲੇ ਉਦਾਹਰਣ KPI:
- 6 ਮਹੀਨਿਆਂ ਵਿੱਚ ਔਸਤ ਆਰਡਰ-ਤੋਂ-ਸ਼ਿਪ ਸਮਾਂ 20% ਘਟਾਓ।
- Q3 ਦੇ ਅੰਤ ਤੱਕ ਅਪਸੈੱਲ ਕਨਵਰਜ਼ਨ ਦਰ 4.2% ਤੋਂ 6.0% ਤੱਕ ਵਧਾਓ।
- ਸਾਲ-ਦਰ-ਸਾਲ ਹੱਥੀਂ ਇਨਵੌਇਸ ਪ੍ਰੋਸੈਸਿੰਗ ਲਾਗਤ 35% ਘਟਾਓ।
- ਇੱਕ ਤਿਮਾਹੀ ਵਿੱਚ ਪੂਰਵਾਨੁਮਾਨ ਸ਼ੁੱਧਤਾ (MAPE) 22% ਤੋਂ 12% ਤੱਕ ਸੁਧਾਰੋ।
ਉਨ੍ਹਾਂ ਅੰਕੜਿਆਂ ਤੋਂ ਬਿਨਾਂ, ਤੁਸੀਂ ਅੰਨ੍ਹੇਵਾਹ ਉੱਡ ਰਹੇ ਹੋ — ਅਤੇ ਤੁਸੀਂ 70% ਵਿੱਚ ਸ਼ਾਮਲ ਹੋ ਜਾਵੋਗੇ।
ਆਪਣੇ AI ਪ੍ਰੋਜੈਕਟ ਅਸਫਲਤਾ ਦਰ ਨੂੰ ਕਿਵੇਂ ਘਟਾਈਏ
ਮੈਂ ਸੰਸਥਾਵਾਂ ਨੂੰ ਉਨ੍ਹਾਂ ਦੇ ਘਟਾਉਣ ਵਿੱਚ ਮਦਦ ਕੀਤੀ ਹੈ AI ਪ੍ਰੋਜੈਕਟ ਅਸਫਲਤਾ ਦਰ 70% ਤੋਂ ਘਟਾ ਕੇ 30% ਤੋਂ ਹੇਠਾਂ। ਇਹ ਤਰੀਕਾ ਆਕਰਸ਼ਕ ਨਹੀਂ ਹੈ। ਇਹ ਵਿਵਸਥਿਤ ਹੈ। ਇਹ ਸਖ਼ਤ ਤਰਜੀਹ, ਡਾਟਾ ਸਫ਼ਾਈ, ਤੇਜ਼ ਪ੍ਰੋਟੋਟਾਈਪਿੰਗ ਅਤੇ ਮਨੁੱਖ-ਕੇਂਦਰਿਤ ਰੋਲਆਊਟ ਦੀ ਨੀਂਹ ’ਤੇ ਬਣਿਆ ਹੈ। ਇਹ ਰਿਹਾ ਸਹੀ ਬਲੂਪ੍ਰਿੰਟ।
ਤੁਲਨਾ ਸਾਰਣੀ: ਅਸਫਲ vs. ਸਫਲ AI ਪ੍ਰੋਜੈਕਟ
| Dimension | ਅਸਫਲ ਪ੍ਰੋਜੈਕਟ (70%) | ਸਫਲ ਪ੍ਰੋਜੈਕਟ (30%) |
|---|---|---|
| Problem clarity | ਅਸਪੱਸ਼ਟ ਜਾਂ ਕਈ ਉਦੇਸ਼ | ਸਿੰਗਲ, ਮਾਪਣਯੋਗ ਕਾਰੋਬਾਰੀ ਸਮੱਸਿਆ |
| Data readiness | ਪ੍ਰੋਜੈਕਟ ਤੋਂ ਪਹਿਲਾਂ ਕੋਈ ਡਾਟਾ ਆਡਿਟ ਨਹੀਂ | 90%+ ਡੇਟਾ ਸ਼ੁੱਧਤਾ ਅਤੇ ਲੇਬਲਿੰਗ ਪੂਰੀ |
| Stakeholder buy-in | ਸਿਰਫ਼ ਕਾਰਜਕਾਰੀ ਆਦੇਸ਼ | ਪਹਿਲੇ ਦਿਨ ਤੋਂ ਸ਼ਾਮਲ ਕਰਾਸ-ਫੰਕਸ਼ਨਲ ਟੀਮ |
| ROI measurement | No KPIs defined | 3–5 ਖਾਸ, ਸਮਾਂ-ਬੱਧ ਮਾਪਦੰਡ |
| Deployment approach | Big bang launch | ਦੁਹਰਾਉਣ ਵਾਲਾ, MVP-ਅਧਾਰਿਤ ਰੋਲਆਊਟ |
| Change management | No training plan | ਉਪਭੋਗਤਾ ਸਿਖਲਾਈ, ਪਾਇਲਟ ਜਾਂਚ, ਅਤੇ ਫੀਡਬੈਕ ਲੂਪ |
ਪਹਿਲਾਂ ਹੱਲ ਕਰਨ ਲਈ ਇੱਕ ਸਮੱਸਿਆ ਚੁਣੋ
ਸਮੁੰਦਰ ਉਬਾਲਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਬੰਦ ਕਰੋ। ਮੈਂ $2 million ਦੀਆਂ AI ਪਹਿਲਕਦਮੀਆਂ ਨੂੰ ਅਸਫਲ ਹੁੰਦੇ ਦੇਖਿਆ ਹੈ ਕਿਉਂਕਿ ਉਨ੍ਹਾਂ ਨੇ “ਪੂਰੀ customer journey ਨੂੰ ਬਦਲਣ” ਦੀ ਕੋਸ਼ਿਸ਼ ਕੀਤੀ। ਉਹ ਸੰਗਠਨ ਜੋ ਇਸ ਤੋਂ ਅੱਗੇ ਨਿਕਲਦੇ ਹਨ AI ਪ੍ਰੋਜੈਕਟ ਅਸਫਲਤਾ ਦਰ ਇੱਕ ਛੋਟੀ, ਦੁਖਦਾਈ, ਮਹਿੰਗੀ ਪ੍ਰਕਿਰਿਆ ਚੁਣੋ ਅਤੇ ਬਿਨਾਂ ਰੁਕੇ ਉਸ ਉੱਤੇ ਹਮਲਾ ਕਰੋ।
ਸਮੱਸਿਆ-ਖੋਜ ਵਰਕਸ਼ਾਪ ਨਾਲ ਸ਼ੁਰੂ ਕਰੋ। ਕਾਰੋਬਾਰੀ ਲੀਡਾਂ, ਸੰਚਾਲਨ ਪ੍ਰਬੰਧਕਾਂ ਅਤੇ ਡੇਟਾ ਵਿਸ਼ਲੇਸ਼ਕਾਂ ਨੂੰ ਇਕੱਠਾ ਕਰੋ। ਪੁੱਛੋ: "ਜੇ ਤੁਸੀਂ ਜਾਦੂ ਦੀ ਛੜੀ ਘੁਮਾ ਕੇ ਇੱਕ ਦੁਹਰਾਉਣ ਵਾਲਾ, ਡੇਟਾ-ਅਧਾਰਿਤ ਕੰਮ ਠੀਕ ਕਰ ਸਕਦੇ ਜੋ ਤੁਹਾਡੀ ਨੀਂਦ ਉਡਾਉਂਦਾ ਹੈ, ਤਾਂ ਉਹ ਕੀ ਹੋਵੇਗਾ?" ਫਿਰ ਉਨ੍ਹਾਂ ਵਿਚਾਰਾਂ ਨੂੰ ਤਿੰਨ ਧੁਰਿਆਂ ਉੱਤੇ ਦਰਜਾ ਦਿਓ: ਸੰਭਾਵੀ ਕਾਰੋਬਾਰੀ ਪ੍ਰਭਾਵ, ਡੇਟਾ ਉਪਲਬਧਤਾ, ਅਤੇ ਲਾਗੂਕਰਨ ਸੰਭਾਵਨਾ। ਸਭ ਤੋਂ ਉੱਚ ਦਰਜੇ ਵਾਲਾ ਵਿਚਾਰ ਚੁਣੋ। ਕਦੇ "ਇਹ ਵਧੀਆ AI ਹੈ" ਦੇ ਆਧਾਰ ਉੱਤੇ ਨਾ ਚੁਣੋ।
ਵਿਚਾਰਨ ਯੋਗ ਉੱਚ‑ਸੰਭਾਵਨਾ, ਸੀਮਤ ਵਰਤੋਂ‑ਮਾਮਲੇ:
- ਗਾਹਕ ਮੰਥਨ ਭਵਿੱਖਬਾਣੀ (ਮੰਥਨ 5% ਘਟਾਉਣ ਨਾਲ ਮੁਨਾਫ਼ਾ 25-85% ਵਧ ਸਕਦਾ ਹੈ)।
- ਵਸਤੂ-ਸੂਚੀ ਮੰਗ ਪੂਰਵ-ਅਨੁਮਾਨ (ਸਟਾਕਆਊਟ 30% ਘਟਾਉਣਾ)।
- ਸਵੈਚਾਲਿਤ ਚਲਾਨ ਪ੍ਰੋਸੈਸਿੰਗ (ਹੱਥੀਂ ਡਾਟਾ ਐਂਟਰੀ ਲਾਗਤ 50% ਘਟਾਉਂਦੀ ਹੈ)।
- ਕਿਸੇ ਖਾਸ ਮਸ਼ੀਨ ਸ਼੍ਰੇਣੀ ਲਈ ਭਵਿੱਖਬਾਣੀ ਰੱਖ-ਰਖਾਅ।
- ਇੱਕਲੇ ਉਤਪਾਦ ਸ਼੍ਰੇਣੀ ਲਈ ਡਾਇਨਾਮਿਕ ਕੀਮਤ।
A BCG analysis ਪਾਇਆ ਕਿ ਇੱਕੋ ਉੱਚ-ਮੁੱਲ ਵਾਲੇ ਵਰਤੋਂ-ਮਾਮਲੇ ‘ਤੇ ਧਿਆਨ ਦੇਣ ਵਾਲੀਆਂ ਕੰਪਨੀਆਂ ਦੇ ਪਹਿਲੇ ਸਾਲ ਵਿੱਚ ROI ਦੇਖਣ ਦੀ ਸੰਭਾਵਨਾ 2.3 ਗੁਣਾ ਵੱਧ ਹੁੰਦੀ ਹੈ ਇਹ ਧਿਆਨ ਡੇਟਾ ਤਿਆਰੀ ਅਤੇ ਬਦਲਾਅ ਪ੍ਰਬੰਧਨ ਨੂੰ ਵੀ ਆਸਾਨ ਬਣਾਉਂਦਾ ਹੈ ਕਿਉਂਕਿ ਸਭ ਜਾਣਦੇ ਹਨ ਕਿ ਸਫਲਤਾ ਕਿਸ ਤਰ੍ਹਾਂ ਦਿਖਦੀ ਹੈ
AI ਨੂੰ ਹੱਥ ਲਾਉਣ ਤੋਂ ਪਹਿਲਾਂ ਆਪਣਾ ਡਾਟਾ ਸਾਫ਼ ਕਰੋ
ਮੈਂ ਡੇਟਾ ਤਿਆਰੀ ਉੱਤੇ ਆਪਣਾ 80% ਸਮਾਂ ਬਿਤਾਉਂਦਾ ਹਾਂ। ਤੁਹਾਨੂੰ ਵੀ ਚਾਹੀਦਾ ਹੈ। ਜੇ ਤੁਸੀਂ ਇਹ ਕਦਮ ਛੱਡਦੇ ਹੋ, ਤਾਂ ਤੁਸੀਂ ਰੇਤ ਉੱਤੇ ਘਰ ਬਣਾ ਰਹੇ ਹੋ। AI ਪ੍ਰੋਜੈਕਟ ਅਸਫਲਤਾ ਦਰ ਤੁਹਾਡੇ ਡਾਟਾ ਭੰਡਾਰ ਦੀ ਅਸੰਗਠਿਤਤਾ ਨਾਲ ਸਿੱਧਾ ਸਬੰਧਿਤ ਹੈ।
ਕੋਈ ਵੀ ਮਾਡਲਿੰਗ ਸ਼ੁਰੂ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ, ਡਾਟਾ ਦਾ ਪੂਰਾ ਆਡਿਟ ਕਰੋ। ਆਪਣੇ ਡਾਟਾ ਸਰੋਤਾਂ ਦਾ ਨਕਸ਼ਾ ਬਣਾਓ, ਸੰਪੂਰਨਤਾ, ਸ਼ੁੱਧਤਾ ਅਤੇ ਇਕਸਾਰਤਾ ਦਾ ਮੁਲਾਂਕਣ ਕਰੋ। ਗੁੰਮ ਮੁੱਲਾਂ, ਆਊਟਲਾਇਰਾਂ ਅਤੇ ਡੁਪਲੀਕੇਟ ਰਿਕਾਰਡਾਂ ਦਾ ਸਾਰ ਲੈਣ ਲਈ ਡਾਟਾ ਪ੍ਰੋਫਾਈਲਿੰਗ ਟੂਲ ਜਾਂ ਸਾਦੀ Python ਸਕ੍ਰਿਪਟ ਵਰਤੋ। ਫਿਰ ਸਮੱਸਿਆਵਾਂ ਸਰੋਤ 'ਤੇ ਠੀਕ ਕਰੋ, ਪਾਈਪਲਾਈਨ ਵਿੱਚ ਨਹੀਂ।
ਡੇਟਾ ਤਿਆਰੀ ਚੈੱਕਲਿਸਟ ਜੋ ਮੈਂ ਹਰ ਗਾਹਕ ਨਾਲ ਵਰਤਦਾ ਹਾਂ:
- Centralize: ਕੀ ਵਰਤੋਂ-ਮਾਮਲੇ ਲਈ ਲੋੜੀਂਦਾ ਡੇਟਾ ਦੋ ਤੋਂ ਵੱਧ ਸਿਸਟਮਾਂ ਵਿੱਚ ਰਹਿੰਦਾ ਹੈ? ਜੇ ਹਾਂ, ਤਾਂ ਸੱਚ ਦਾ ਇੱਕੋ ਸਰੋਤ ਬਣਾਓ (ਡੇਟਾ ਵੇਅਰਹਾਊਸ ਜਾਂ ਕੈਟਾਲਾਗ ਵਾਲੀ ਡੇਟਾ ਝੀਲ)। ਇਸ ਤੋਂ ਬਿਨਾਂ, ਤੁਹਾਡੇ ਮਾਡਲ ਦੇ ਇਨਪੁੱਟ ਖੰਡਿਤ ਅਤੇ ਭਰੋਸੇਯੋਗ ਨਹੀਂ ਹੋਣਗੇ।
- Label correctly: ਨਿਗਰਾਨੀ ਸਿਖਲਾਈ ਲਈ, ਲੇਬਲ ਗੁਣਵੱਤਾ ਨਿਰਣਾਇਕ ਹੈ। ਮੈਂ ਮਾਡਲ ਫੇਲ ਹੁੰਦੇ ਦੇਖੇ ਹਨ ਕਿਉਂਕਿ "ਚਰਨ" ਲੇਬਲ ਅਸੰਗਤ ਪਰਿਭਾਸ਼ਿਤ ਸੀ (ਇੱਕ ਟੀਮ 60 ਦਿਨਾਂ ਬਾਅਦ ਗਾਹਕ ਨੂੰ ਚਰਨਡ ਗਿਣਦੀ ਸੀ, ਦੂਜੀ 90 ਤੋਂ ਬਾਅਦ)। ਲੇਬਲ ਕਾਰੋਬਾਰੀ ਮਾਲਕ ਨਾਲ ਪਰਿਭਾਸ਼ਿਤ ਕਰੋ, ਡੇਟਾ ਇੰਜੀਨੀਅਰ ਨਾਲ ਨਹੀਂ।
- ਗੁੰਮ ਮੁੱਲਾਂ ਨੂੰ ਸੋਚ-ਸਮਝ ਕੇ ਭਰੋ: ਸਿਰਫ਼ ਕਤਾਰਾਂ ਨਾ ਸੁੱਟੋ ਜਾਂ ਔਸਤ ਨਾਲ ਨਾ ਭਰੋ। ਸਮਝੋ why ਡੇਟਾ ਗੁੰਮ ਹੈ। ਕੀ ਇਹ ਬੇਤਰਤੀਬ ਹੈ, ਜਾਂ ਇਹ ਕਿਸੇ ਪ੍ਰਣਾਲੀਗਤ ਸਮੱਸਿਆ ਵੱਲ ਇਸ਼ਾਰਾ ਕਰਦਾ ਹੈ? ਮੈਂ ਇੱਕ ਵਾਰ ਲੌਜਿਸਟਿਕਸ ਫਰਮ ਨਾਲ ਕੰਮ ਕੀਤਾ ਜਿੱਥੇ ਭਾਰ ਦੇ 20% ਰਿਕਾਰਡ ਗੁੰਮ ਸਨ; ਪਤਾ ਲੱਗਾ ਕਿ ਉਹ ਉੱਚ-ਮੁੱਲ ਵਾਲੀਆਂ ਖੇਪਾਂ ਸਨ ਜੋ ਤੋਲ ਤੋਂ ਬਾਈਪਾਸ ਹੋ ਗਈਆਂ ਸਨ। ਉਨ੍ਹਾਂ ਕਤਾਰਾਂ ਨੂੰ ਹਟਾਉਣ ਨਾਲ ਮਾਡਲ ਪੱਖਪਾਤੀ ਹੋ ਜਾਂਦਾ।
- ਡੁਪਲੀਕੇਟ ਹਟਾਓ ਅਤੇ ਮਾਨਕੀਕ੍ਰਿਤ ਕਰੋ: ਯਕੀਨੀ ਬਣਾਓ ਕਿ ਗਾਹਕ ID, ਉਤਪਾਦ SKU ਅਤੇ ਮਿਤੀ ਫਾਰਮੈਟ ਸਾਰੇ ਟੇਬਲਾਂ ਵਿੱਚ ਇਕਸਾਰ ਹੋਣ। ਥੋੜ੍ਹੀ ਡੀਡੁਪਲੀਕੇਸ਼ਨ ਮਿਹਨਤ ਮਾਡਲ ਪ੍ਰਦਰਸ਼ਨ 5-10% ਸੁਧਾਰ ਸਕਦੀ ਹੈ।
- ਡੇਟਾ ਵੰਸ਼ ਦਸਤਾਵੇਜ਼਼ ਕਰੋ: ਤਾਂ ਜੋ ਇੱਕ ਮਹੀਨੇ ਬਾਅਦ ਜਦੋਂ ਕੁਝ ਟੁੱਟੇ, ਤੁਹਾਨੂੰ ਪਤਾ ਹੋਵੇ ਕਿ ਡੇਟਾ ਕਿੱਥੋਂ ਆਇਆ ਸੀ।
The IDC study ਦਿਖਾਉਂਦਾ ਹੈ ਕਿ ਸਮਰਪਿਤ ਡੇਟਾ ਇੰਜੀਨੀਅਰਿੰਗ ਟੀਮ ਵਾਲੀਆਂ ਸੰਸਥਾਵਾਂ ਆਪਣੇ AI ਪ੍ਰੋਜੈਕਟ ਅਸਫਲਤਾ ਦਰ 40% ਤੱਕ। ਮੇਰੇ ਤਜਰਬੇ ਵਿੱਚ, ਮਾਡਲਿੰਗ ਤੋਂ ਪਹਿਲਾਂ 4-6 ਹਫ਼ਤਿਆਂ ਦੇ ਡੇਟਾ ਸਫਾਈ ਸਪ੍ਰਿੰਟ ਵਿੱਚ ਨਿਵੇਸ਼ ਕਰਨ ਵਾਲੀਆਂ ਕੰਪਨੀਆਂ ਵਿੱਚ ਅਸਫਲਤਾ ਦਰ ਘੱਟੋ-ਘੱਟ 60% ਘੱਟ ਹੁੰਦੀ ਹੈ।
ਘੱਟੋ-ਘੱਟ ਵਿਹਾਰਕ ਮਾਡਲ ਬਣਾਓ
ਪਰਫੈਕਸ਼ਨਿਜ਼ਮ AI ਤੈਨਾਤੀ ਦਾ ਦੁਸ਼ਮਣ ਹੈ। ਪਹਿਲੇ ਦਿਨ 99% ਸ਼ੁੱਧਤਾ ਦਾ ਟੀਚਾ ਨਾ ਰੱਖੋ। “ਚੰਗੇ ਕਾਫ਼ੀ” ਮਾਡਲ ਦਾ ਟੀਚਾ ਰੱਖੋ ਜਿਸਨੂੰ ਤੁਸੀਂ 4–6 ਹਫ਼ਤਿਆਂ ਵਿੱਚ ਭੇਜ ਸਕੋ। ਅਸਲ ਉਪਭੋਗਤਾ ਫੀਡਬੈਕ ਪ੍ਰਾਪਤ ਕਰੋ। ਫਿਰ ਦੁਹਰਾਓ।
MVP ਮਾਡਲ ਦਾ neural network-ਸੰਚਾਲਿਤ ਹੋਣਾ ਜ਼ਰੂਰੀ ਨਹੀਂ। ਮੈਂ logistic regression ਮਾਡਲਾਂ ਨੂੰ gradient-boosted trees ਨਾਲੋਂ ਬਿਹਤਰ ਸਮੱਸਿਆਵਾਂ ਹੱਲ ਕਰਦੇ ਦੇਖਿਆ ਹੈ ਕਿਉਂਕਿ ਉਨ੍ਹਾਂ ਨੂੰ ਸਮਝਾਉਣਾ ਅਤੇ ਤਾਇਨਾਤ ਕਰਨਾ ਸੌਖਾ ਸੀ। ਟੀਚਾ ਇੱਕ ਧਾਰਨਾ ਪਰਖਣਾ ਹੈ: ਜੇ ਅਸੀਂ ਫੈਸਲੇ ਵਿੱਚ ਸਹਾਇਤਾ ਲਈ ਇਸ ਮਾਡਲ ਦੀ ਵਰਤੋਂ ਕਰੀਏ, ਤਾਂ ਕੀ ਅਸਰ ਪਵੇਗਾ? ਜੇ ਧਾਰਨਾ ਸਹੀ ਸਾਬਤ ਹੋਵੇ, ਤਾਂ ਤੁਸੀਂ ਬਾਅਦ ਵਿੱਚ ਹਮੇਸ਼ਾ ਗੁੰਝਲਤਾ ਵਧਾ ਸਕਦੇ ਹੋ।
ਅਸਲ‑ਦੁਨੀਆਂ MVP ਸਮਾਂ‑ਸੀਮਾ:
- ਹਫ਼ਤਾ 1-2: ਡਾਟਾ ਇਕਜੁੱਟਤਾ ਅਤੇ ਲੇਬਲਿੰਗ (80% ਮਿਹਨਤ)।
- ਹਫ਼ਤਾ 3: ਇੱਕ ਸਧਾਰਨ ਮਾਡਲ ਬਣਾਓ (ਲੀਨੀਅਰ ਰਿਗਰੈਸ਼ਨ, ਡਿਸੀਜ਼ਨ ਟ੍ਰੀ, ਜਾਂ XGBoost)।
- ਹਫ਼ਤਾ 4: ਮਾਡਲ ਨੂੰ ਇੱਕ ਬੁਨਿਆਦੀ API ਵਿੱਚ ਲਪੇਟੋ ਅਤੇ ਇਸਨੂੰ ਮੌਜੂਦਾ ਡੈਸ਼ਬੋਰਡ ਜਾਂ ਸਧਾਰਨ ਵੈੱਬ ਐਪ ਨਾਲ ਜੋੜੋ।
- ਹਫ਼ਤਾ 5-6: 3-5 ਅਨੁਕੂਲ ਉਪਭੋਗਤਾਵਾਂ ਨਾਲ ਪਾਇਲਟ ਕਰੋ, ਫੀਡਬੈਕ ਇਕੱਠਾ ਕਰੋ, ਸ਼ੁਰੂਆਤੀ KPI ਮਾਪੋ।
ਮੈਂ ਟੀਮਾਂ ਨੂੰ ਛੇ ਮਹੀਨੇ ਅਜਿਹੇ ਮਾਡਲ ਨੂੰ ਸੰਪੂਰਨ ਬਣਾਉਂਦੇ ਦੇਖਿਆ ਹੈ ਜਿਸਦੀ ਕਿਸੇ ਨੂੰ ਲੋੜ ਨਹੀਂ ਸੀ। ਇੱਕ MVP ਤੁਹਾਨੂੰ ਸਸਤੇ ਵਿੱਚ ਅਸਫਲ ਹੋਣ ਦਿੰਦਾ ਹੈ — ਅਤੇ ਜੇ ਅਸਫਲ ਹੋਣਾ ਹੀ ਹੈ, ਤਾਂ ਤੁਸੀਂ ਪਹਿਲਾਂ ਜਾਣਨਾ ਚਾਹੋਗੇ। AI ਪ੍ਰੋਜੈਕਟ ਅਸਫਲਤਾ ਦਰ ਉਨ੍ਹਾਂ ਟੀਮਾਂ ਵਿੱਚ ਸਭ ਤੋਂ ਵੱਧ ਹੈ ਜੋ ਕਦੇ MVP ਨਹੀਂ ਭੇਜਦੀਆਂ; ਉਹ ਬਸ ਬੇਅੰਤ ਛੇੜਛਾੜ ਕਰਦੀਆਂ ਰਹਿੰਦੀਆਂ ਹਨ।
ਬਦਲਾਅ ਪ੍ਰਬੰਧਨ ਵਿੱਚ ਨਿਵੇਸ਼ ਕਰੋ
ਤੁਹਾਡਾ AI ਬੇਕਾਰ ਹੈ ਜੇ ਅੰਤਿਮ ਉਪਭੋਗਤਾ ਇਸ ਉੱਤੇ ਭਰੋਸਾ ਨਹੀਂ ਕਰਦਾ। ਇਹ ਇਸਦਾ ਮਨੁੱਖੀ ਪੱਖ ਹੈ AI ਪ੍ਰੋਜੈਕਟ ਅਸਫਲਤਾ ਦਰ, ਅਤੇ ਇਹੀ ਉਹ ਥਾਂ ਹੈ ਜਿੱਥੇ ਜ਼ਿਆਦਾਤਰ ਤਕਨੀਕੀ ਟੀਮਾਂ ਅਸਫਲ ਹੁੰਦੀਆਂ ਹਨ। pilot ਤੋਂ ਪੂਰਨ ਅਪਣਾਉਣ ਵੱਲ ਜਾਣ ਲਈ ਤੁਹਾਨੂੰ ਸੋਚੀ-ਸਮਝੀ ਯੋਜਨਾ ਚਾਹੀਦੀ ਹੈ।
ਘੱਟੋ-ਘੱਟ, ਹੇਠ ਲਿਖੇ ਕਰੋ:
- Identify champions: ਕਾਰੋਬਾਰੀ ਪੱਖ ਤੋਂ 2-3 ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਉਪਭੋਗਤਾਵਾਂ ਨੂੰ ਸ਼ਾਮਲ ਕਰੋ ਜੋ MVP ਦੀ ਜਾਂਚ ਕਰਨਗੇ ਅਤੇ ਟੂਲ ਦਾ ਪ੍ਰਚਾਰ ਕਰਨਗੇ। ਉਨ੍ਹਾਂ ਨੂੰ ਜਲਦੀ ਪਹੁੰਚ ਦਿਓ ਅਤੇ ਉਨ੍ਹਾਂ ਦੀ ਫੀਡਬੈਕ ਸੁਣੋ।
- ਵਰਕਫਲੋ ਸਹਿ-ਡਿਜ਼ਾਈਨ ਕਰੋ: ਨਵਾਂ ਟੂਲ ਨਾ ਥੋਪੋ। AI ਦੇ ਆਉਟਪੁੱਟ ਨੂੰ ਮੌਜੂਦਾ ਫੈਸਲਾ ਪ੍ਰਵਾਹ ਵਿੱਚ ਸ਼ਾਮਲ ਕਰੋ। ਉਦਾਹਰਨ ਲਈ, ਵੱਖਰੇ ਡੈਸ਼ਬੋਰਡ ਦੀ ਬਜਾਏ, ਮਾਡਲ ਦਾ ਚਰਨ ਜੋਖਮ ਸਕੋਰ ਸਿੱਧਾ CRM ਵਿੱਚ ਗਾਹਕ ਦੇ ਨਾਮ ਕੋਲ ਦਿਖਾਓ।
- ਛੋਟੇ ਸਮੂਹਾਂ ਵਿੱਚ ਸਿਖਲਾਈ ਦਿਓ: 30 ਮਿੰਟ ਦੇ ਵਿਹਾਰਕ ਸੈਸ਼ਨ ਚਲਾਓ ਜਿੱਥੇ ਉਪਭੋਗਤਾ ਸਵਾਲ ਪੁੱਛ ਸਕਣ ਅਤੇ ਮਾਡਲ ਦੀਆਂ ਭਵਿੱਖਬਾਣੀਆਂ ਬਨਾਮ ਅਸਲ ਨਤੀਜਿਆਂ ਦੀਆਂ ਅਸਲ ਉਦਾਹਰਣਾਂ ਦੇਖ ਸਕਣ। ਸਮਝਾਓ why ਮਾਡਲ ਨੇ ਕੁਝ ਸਿਫ਼ਾਰਸ਼ਾਂ ਕੀਤੀਆਂ, ਭਾਵੇਂ ਇਹ ਸਰਲ ਵਿਆਖਿਆ ਹੀ ਹੋਵੇ।
- ਇੱਕ ਫੀਡਬੈਕ ਲੂਪ ਬਣਾਓ: ਉਪਭੋਗਤਾਵਾਂ ਨੂੰ ਉਨ੍ਹਾਂ ਮਾਮਲਿਆਂ ਨੂੰ ਫਲੈਗ ਕਰਨ ਦਾ ਆਸਾਨ ਤਰੀਕਾ ਦਿਓ ਜਿੱਥੇ AI ਗ਼ਲਤ ਸੀ। ਇਸਦੇ ਦੋ ਉਦੇਸ਼ ਹਨ: ਇਹ ਸਮੇਂ ਨਾਲ ਮਾਡਲ ਸੁਧਾਰਦਾ ਹੈ, ਅਤੇ ਉਪਭੋਗਤਾਵਾਂ ਨੂੰ ਸੁਣਿਆ ਮਹਿਸੂਸ ਕਰਵਾਉਂਦਾ ਹੈ। ਭਰੋਸਾ ਹੌਲੀ-ਹੌਲੀ ਬਣਦਾ ਹੈ।
- ਅਪਣਾਉਣ ਨਾਲ ਪ੍ਰੋਤਸਾਹਨ ਜੋੜੋ: ਜੇ ਸੰਭਵ ਹੋਵੇ, AI ਵਰਤੋਂ ਸ਼ਾਮਲ ਕਰਨ ਲਈ ਪ੍ਰਦਰਸ਼ਨ ਮਾਪਦੰਡ ਅਨੁਕੂਲ ਕਰੋ। ਇਹ ਸਜ਼ਾਤਮਕ ਹੋਣਾ ਜ਼ਰੂਰੀ ਨਹੀਂ; ਇਹ ਮਾਨਤਾ ਹੋ ਸਕਦੀ ਹੈ। ਇੱਕ ਨਿਰਮਾਤਾ ਵਿੱਚ ਜਿਸ ਨਾਲ ਮੈਂ ਕੰਮ ਕੀਤਾ, ਪਲਾਂਟ ਮੈਨੇਜਰ ਜਿਸਨੇ 90% ਮਾਡਲ ਅਪਣਾਅ ਪ੍ਰਾਪਤ ਕੀਤਾ ਉਸਨੂੰ ਤਿਮਾਹੀ ਸਮੀਖਿਆ ਵਿੱਚ ਸ਼ਾਬਾਸ਼ ਮਿਲੀ — ਅਪਣਾਅ ਤੇਜ਼ੀ ਨਾਲ ਫੈਲਿਆ।
A Gartner report ਪਾਇਆ ਕਿ AI ਪਹਿਲਾਂ ਲਈ ਸਮਰਪਿਤ ਬਦਲਾਅ ਪ੍ਰਬੰਧਨ ਬਜਟ ਵਾਲੇ ਸੰਗਠਨਾਂ ਦੀ ਸਫਲਤਾ ਦਰ 45% ਵੱਧ ਹੁੰਦੀ ਹੈ ਇਹ ਕੋਈ ਇਤਫ਼ਾਕ ਨਹੀਂ ਹੈ AI ਪ੍ਰੋਜੈਕਟ ਅਸਫਲਤਾ ਦਰ ਭੇਸ ਵਿੱਚ ਇੱਕ ਲੋਕਾਂ ਦੀ ਸਮੱਸਿਆ ਹੈ।
ਸਫਲ AI ਤੈਨਾਤੀ ਦੀਆਂ ਅਸਲ ਦੁਨੀਆ ਦੀਆਂ ਉਦਾਹਰਨਾਂ
ਮੈਂ ਉੱਪਰ ਦਿੱਤੇ ਢਾਂਚੇ ਨੂੰ ਅਸਫਲਤਾ ਦੀਆਂ ਫੈਕਟਰੀਆਂ ਨੂੰ ਸਫਲਤਾ ਦੀਆਂ ਕਹਾਣੀਆਂ ਵਿੱਚ ਬਦਲਦੇ ਦੇਖਿਆ ਹੈ। ਇੱਥੇ ਤਿੰਨ ਕੇਸ ਅਧਿਐਨ ਹਨ ਜੋ ਸਾਬਤ ਕਰਦੇ ਹਨ ਕਿ ਤੁਸੀਂ ਸਫਲ ਹੋ ਸਕਦੇ ਹੋ। AI ਪ੍ਰੋਜੈਕਟ ਅਸਫਲਤਾ ਦਰ.
ਕੇਸ ਸਟੱਡੀ 1: ਲੌਜਿਸਟਿਕਸ ਕੰਪਨੀ ਨੇ ਸ਼ਿਪਿੰਗ 'ਤੇ 12% ਬਚਾਇਆ
- Problem: ਓਵਰ-ਟਾਈਮ ਸ਼ਿਪਿੰਗ ਲਾਗਤਾਂ ਇੱਕ ਮੱਧ-ਆਕਾਰ ਦੀ ਥਰਡ-ਪਾਰਟੀ ਲੌਜਿਸਟਿਕਸ ਫਰਮ ਦੇ ਮਾਰਜਨ ਦਾ 15% ਖਾ ਰਹੀਆਂ ਸਨ।
- Data: ਉਨ੍ਹਾਂ ਕੋਲ Salesforce ਵਿੱਚ 3 ਸਾਲਾਂ ਦਾ ਸ਼ਿਪਿੰਗ ਰਿਕਾਰਡ ਸੀ, ਜਿਸ ਵਿੱਚ ਮੂਲ, ਮੰਜ਼ਿਲ, ਭਾਰ, ਕੈਰੀਅਰ ਅਤੇ ਅੰਤਿਮ ਲਾਗਤ ਸ਼ਾਮਲ ਸੀ। ਇੱਕ ਹਫ਼ਤੇ ਦੀ ਸਫ਼ਾਈ ਤੋਂ ਬਾਅਦ ਡੇਟਾ 90% ਪੂਰਾ ਸੀ।
- Model: ਇੱਕ ਗ੍ਰੇਡੀਐਂਟ ਬੂਸਟਿੰਗ ਮਾਡਲ ਨੇ ਸੇਵਾ-ਪੱਧਰ ਦੀਆਂ ਲੋੜਾਂ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖਦਿਆਂ ਪ੍ਰਤੀ ਰੂਟ ਸਭ ਤੋਂ ਸਸਤਾ ਕੈਰੀਅਰ ਭਵਿੱਖਬਾਣੀ ਕੀਤਾ।
- Deployment: ਮਾਡਲ ਦਾ ਆਉਟਪੁੱਟ ਸਿੱਧਾ ਡਿਸਪੈਚਰਾਂ ਦੇ ਮੌਜੂਦਾ ਡੈਸ਼ਬੋਰਡ ਵਿੱਚ ਪਾਇਆ ਗਿਆ। ਸਟਾਫ਼ ਨੂੰ ਦੋ 45-ਮਿੰਟ ਦੇ ਸੈਸ਼ਨਾਂ ਵਿੱਚ ਸਿਖਲਾਈ ਦਿੱਤੀ ਗਈ।
- Result: 6 ਮਹੀਨਿਆਂ ਵਿੱਚ 12% ਲਾਗਤ ਵਿੱਚ ਕਮੀ। 4 ਮਹੀਨਿਆਂ ਵਿੱਚ ਪੈਸਾ ਵਾਪਸ। ਪ੍ਰੋਜੈਕਟ ਸਫਲ ਹੋਇਆ ਕਿਉਂਕਿ ਇਹ ਸੀਮਤ, ਡੇਟਾ-ਤਿਆਰ ਅਤੇ ਉਪਭੋਗਤਾ-ਕੇਂਦ੍ਰਿਤ ਸੀ। The AI ਪ੍ਰੋਜੈਕਟ ਅਸਫਲਤਾ ਦਰ ਇਸ ਕੰਪਨੀ ਲਈ ਹੁਣ ਜ਼ੀਰੋ ਹੈ
ਕੇਸ ਸਟੱਡੀ 2: ਈ-ਕਾਮਰਸ ਰਿਟੇਲਰ ਨੇ ਕਨਵਰਜ਼ਨ 18% ਵਧਾਇਆ
- Problem: ਇੱਕ ਮਿਡ-ਮਾਰਕੀਟ ਔਨਲਾਈਨ ਰਿਟੇਲਰ ਵਿਅਕਤੀਗਤ ਸਿਫ਼ਾਰਸ਼ਾਂ ਰਾਹੀਂ ਔਸਤ ਆਰਡਰ ਮੁੱਲ ਵਧਾਉਣਾ ਚਾਹੁੰਦਾ ਸੀ।
- Data: ਉਤਪਾਦ ਸੂਚੀ ਅਤੇ ਕਲਿਕਸਟ੍ਰੀਮ ਡੇਟਾ ਤਿੰਨ ਡੇਟਾਬੇਸਾਂ ਵਿੱਚ ਵੱਖਰਾ-ਵੱਖਰਾ ਬੰਦ ਪਿਆ ਸੀ। ਉਨ੍ਹਾਂ ਨੇ ਏਕੀਕ੍ਰਿਤ ਗਾਹਕ-ਉਤਪਾਦ ਇੰਟਰੈਕਸ਼ਨ ਟੇਬਲ ਬਣਾਉਣ ਵਿੱਚ 3 ਮਹੀਨੇ ਲਗਾਏ।
- Model: ਆਈਟਮ-ਅਧਾਰਤ ਸਮਾਨਤਾ ਨਾਲ ਸਹਿਯੋਗੀ ਫਿਲਟਰਿੰਗ, ਬਾਅਦ ਵਿੱਚ ਹਲਕੇ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਨਾਲ ਵਧਾਇਆ।
- Deployment: ਸਿਫ਼ਾਰਸ਼ ਵਿਜੇਟ ਨੇ ਉਤਪਾਦ ਪੇਜਾਂ ਉੱਤੇ “Related Products” ਭਾਗ ਦੀ ਥਾਂ ਲੈ ਲਈ। ਪੁਰਾਣੇ ਨਿਯਮ-ਅਧਾਰਿਤ ਸਿਸਟਮ ਦੇ ਮੁਕਾਬਲੇ A/B ਜਾਂਚ ਕੀਤੀ ਗਈ।
- Result: ਪਰਿਵਰਤਨ ਦਰ 18% ਅਤੇ ਔਸਤ ਆਰਡਰ ਮੁੱਲ 11% ਵਧਿਆ। AI ਪ੍ਰੋਜੈਕਟ ਅਸਫਲਤਾ ਦਰ ਨੇ ਡਾਟਾ ਇੰਟੀਗ੍ਰੇਸ਼ਨ ਪਹਿਲਾਂ ਠੀਕ ਨਾ ਕੀਤਾ ਹੁੰਦਾ ਤਾਂ ਇਹ ਪ੍ਰੋਜੈਕਟ ਮਾਰ ਦਿੱਤਾ ਹੁੰਦਾ। ਖੰਡਿਤ ਡਾਟਾ ’ਤੇ ਬਣੇ ਸ਼ੁਰੂਆਤੀ ਮਾਡਲ ਦੀ ਕਲਿੱਕ-ਥਰੂ ਦਰ ਕੰਟਰੋਲ ਸਮੂਹ ਤੋਂ ਵੀ ਘੱਟ ਸੀ।
ਕੇਸ ਸਟੱਡੀ 3: ਨਿਰਮਾਤਾ ਨੇ ਡਾਊਨਟਾਈਮ 22% ਘਟਾਇਆ
- Problem: ਇੱਕ ਪੈਕੇਜਿੰਗ ਨਿਰਮਾਤਾ ਨੂੰ ਮੁੱਖ ਉਤਪਾਦਨ ਲਾਈਨ ਤੇ ਅਚਾਨਕ ਡਾਊਨਟਾਈਮ ਦਾ ਸਾਹਮਣਾ ਕਰਨਾ ਪਿਆ, ਜਿਸਦੀ ਲਾਗਤ $50,000 ਪ੍ਰਤੀ ਘੰਟਾ ਸੀ।
- Data: 50 ਮਸ਼ੀਨਾਂ ਤੋਂ ਦੋ ਸਾਲਾਂ ਦਾ ਸੈਂਸਰ ਡੇਟਾ (ਕੰਪਨ, ਤਾਪਮਾਨ, ਥ੍ਰੂਪੁੱਟ), ਨਾਲ ਰੱਖ-ਰਖਾਅ ਲੌਗ।
- Model: ਇੱਕ ਰੈਂਡਮ ਫਾਰੈਸਟ ਕਲਾਸੀਫਾਇਰ ਨੇ 48 ਘੰਟੇ ਪਹਿਲਾਂ ਖਰਾਬੀਆਂ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕੀਤੀ। ਮਾਡਲ ਜਾਣਬੁੱਝ ਕੇ ਸਰਲ ਰੱਖਿਆ ਗਿਆ ਤਾਂ ਜੋ ਰੱਖ-ਰਖਾਅ ਸਟਾਫ਼ ਮੁੱਖ ਸੰਕੇਤਾਂ ਨੂੰ ਸਮਝ ਸਕੇ।
- Deployment: ਚੇਤਾਵਨੀਆਂ SMS ਰਾਹੀਂ ਸ਼ਿਫਟ ਸੁਪਰਵਾਈਜ਼ਰਾਂ ਦੇ ਫੋਨਾਂ ਤੇ ਭੇਜੀਆਂ ਗਈਆਂ ਅਤੇ ਪਲਾਂਟ ਪ੍ਰਬੰਧਨ ਸਿਸਟਮ ਵਿੱਚ ਜੋੜੀਆਂ ਗਈਆਂ। ਕਾਮਿਆਂ ਨੂੰ ਚੇਤਾਵਨੀਆਂ ਦੀ ਵਿਆਖਿਆ ਅਤੇ ਤਰਜੀਹ ਨਿਰਧਾਰਤ ਕਰਨ ਦੀ ਸਿਖਲਾਈ ਦਿੱਤੀ ਗਈ।
- Result: ਪਹਿਲੀ ਤਿਮਾਹੀ ਵਿੱਚ ਅਣਯੋਜਿਤ ਡਾਊਨਟਾਈਮ 22% ਘਟਿਆ, ਜਿਸ ਨਾਲ $1.3 ਮਿਲੀਅਨ ਦੀ ਬੱਚਤ ਹੋਈ। ਟੀਮ ਨੇ ਬਾਅਦ ਵਿੱਚ ਭਰੋਸਾ ਬਣਾਉਣ ਲਈ ਵਿਆਖਿਆ ਪਰਤ ਜੋੜੀ। ਉਹ AI ਪ੍ਰੋਜੈਕਟ ਅਸਫਲਤਾ ਦਰ ਇਸ ਪਹਿਲ ਲਈ ਜ਼ੀਰੋ ਸੀ ਕਿਉਂਕਿ ਉਨ੍ਹਾਂ ਨੇ ਪਹਿਲੇ ਦਿਨ ਤੋਂ ਹੀ ਸੰਚਾਲਕਾਂ ਨੂੰ ਸ਼ਾਮਲ ਕੀਤਾ ਸੀ
ਇਹ ਕੇਸ ਸਟੱਡੀਆਂ ਸਾਂਝੇ ਗੁਣ ਰੱਖਦੀਆਂ ਹਨ: ਲੇਜ਼ਰ-ਕੇਂਦਰਿਤ ਸਮੱਸਿਆ, ਸਾਫ਼ ਡੇਟਾ, MVP ਮਾਨਸਿਕਤਾ, ਅਤੇ ਤਬਦੀਲੀ ਪ੍ਰਬੰਧਨ ਵਿੱਚ ਭਾਰੀ ਨਿਵੇਸ਼। ਇਹੀ ਯੋਜਨਾ ਹੈ।
ਸਿੱਟਾ: 30% ਵਿੱਚ ਰਹੋ
The AI ਪ੍ਰੋਜੈਕਟ ਅਸਫਲਤਾ ਦਰ ਕੁਦਰਤ ਦਾ ਨਿਯਮ ਨਹੀਂ ਹੈ। ਇਹ ਮਾੜੀ ਯੋਜਨਾਬੰਦੀ, ਖਰਾਬ ਡਾਟਾ ਅਤੇ ਕਮਜ਼ੋਰ ਬਦਲਾਅ ਪ੍ਰਬੰਧਨ ਦਾ ਲੱਛਣ ਹੈ। ਤੁਸੀਂ ਇਸ ਨੂੰ ਹਰਾ ਸਕਦੇ ਹੋ। 30% ਵਿੱਚ ਸ਼ਾਮਲ ਸੰਗਠਨਾਂ ਕੋਲ ਚੁਸਤ ਡਾਟਾ ਵਿਗਿਆਨੀ ਨਹੀਂ ਹਨ — ਉਨ੍ਹਾਂ ਕੋਲ ਬਿਹਤਰ ਅਨੁਸ਼ਾਸਨ ਹੈ। ਉਹ ਇੱਕ ਸਮੱਸਿਆ ਚੁਣਦੇ ਹਨ, ਆਪਣਾ ਡਾਟਾ ਸਾਫ਼ ਕਰਦੇ ਹਨ, ਤੇਜ਼ੀ ਨਾਲ ਭੇਜਦੇ ਹਨ, ਅਤੇ ਆਪਣੇ ਲੋਕਾਂ ਨੂੰ ਨਾਲ ਲੈ ਕੇ ਚੱਲਦੇ ਹਨ।
ਅੱਗੇ ਤੁਸੀਂ ਕੀ ਕਰੋ — 5‑ਕਦਮਾਂ ਵਾਲੀ ਐਕਸ਼ਨ ਯੋਜਨਾ ਜੋ ਤੁਸੀਂ ਕੱਲ੍ਹ ਤੋਂ ਸ਼ੁਰੂ ਕਰ ਸਕਦੇ ਹੋ:
- Audit your data. ਆਪਣੇ ਪ੍ਰਮੁੱਖ ਵਰਤੋਂ-ਮਾਮਲੇ ਲਈ ਮੁੱਖ ਡੇਟਾ ਸਰੋਤਾਂ ਦੀ ਪ੍ਰੋਫਾਈਲਿੰਗ ਵਿੱਚ ਇੱਕ ਹਫ਼ਤਾ ਲਗਾਓ। ਗੁੰਮ ਮੁੱਲਾਂ, ਡੁਪਲੀਕੇਟਾਂ ਅਤੇ ਅਸੰਗਤੀਆਂ ਦੀ ਪਛਾਣ ਕਰੋ। ਜੇ ਤੁਹਾਡਾ ਡੇਟਾ ਤਿਆਰ ਨਹੀਂ ਹੈ, ਤਾਂ ਤਿਆਰ ਹੋਣ ਤੱਕ ਮਾਡਲਿੰਗ ਮੁਲਤਵੀ ਕਰੋ।
- Pick one problem. ਇੱਕ ਇਕਹਿਰੀ ਸਮੱਸਿਆ ਕਥਨ ਅਤੇ ਉਮੀਦ ਕੀਤੀ ROI ਲਿਖੋ। ਕਾਰੋਬਾਰੀ ਸਪਾਂਸਰ ਅਤੇ ਡੇਟਾ ਮਾਲਕ ਦੋਵਾਂ ਤੋਂ ਮਨਜ਼ੂਰੀ ਲਓ।
- Build an MVP. ਸਭ ਤੋਂ ਸਰਲ ਮਾਡਲ ਵਰਤੋ ਜੋ ਕੰਮ ਕਰ ਸਕੇ। 4 ਹਫ਼ਤਿਆਂ ਵਿੱਚ ਭੇਜੋ, ਭਾਵੇਂ ਇਹ ਸੰਪੂਰਨ ਨਾ ਹੋਵੇ। ਤੁਹਾਡੇ ਦੁਆਰਾ ਪਰਿਭਾਸ਼ਿਤ ਕਾਰੋਬਾਰੀ KPIs ਨਾਲ ਸ਼ੁਰੂਆਤੀ ਨਤੀਜੇ ਮਾਪੋ।
- Train your people. ਵਿਹਾਰਕ ਸੈਸ਼ਨ ਚਲਾਓ, ਫੀਡਬੈਕ ਇਕੱਠੀ ਕਰੋ ਅਤੇ ਅੰਦਰੂਨੀ ਚੈਂਪੀਅਨ ਨਿਯੁਕਤ ਕਰੋ। ਡਰਾਂ ਨੂੰ ਖੁੱਲ੍ਹ ਕੇ ਸੰਬੋਧਿਤ ਕਰੋ।
- ਦੁਹਰਾਓ ਅਤੇ ਮਾਪੋ। 30-ਦਿਨ ਦਾ ਸਮੀਖਿਆ ਚੱਕਰ ਤੈਅ ਕਰੋ। ਜੇ MVP ਸੰਭਾਵਨਾ ਦਿਖਾਏ, ਤਾਂ ਡੇਟਾ ਗੁਣਵੱਤਾ ਅਤੇ ਮਾਡਲ ਦੀ ਪਰਿਪੱਕਤਾ ਸੁਧਾਰਨ ਵਿੱਚ ਨਿਵੇਸ਼ ਕਰੋ। ਜੇ ਨਾ ਦਿਖਾਏ, ਤਾਂ ਜਲਦੀ ਬੰਦ ਕਰੋ ਅਤੇ ਸਿੱਖੋ।
ਜੇ ਤੁਸੀਂ ਉਸ ਢਾਂਚੇ ਦੀ ਪਾਲਣਾ ਕਰਦੇ ਹੋ, ਤਾਂ ਤੁਸੀਂ ਸਫਲ ਹੋਣ ਵਾਲੇ 30% ਵਿੱਚ ਸ਼ਾਮਲ ਹੋਵੋਗੇ। ਮੈਂ ਜਾਣਦਾ ਹਾਂ ਕਿਉਂਕਿ ਮੈਂ ਇਹ ਕੀਤਾ ਹੈ। ਮੈਂ ਦਰਜਨਾਂ ਕੰਪਨੀਆਂ ਦੀ ਮਦਦ ਕੀਤੀ ਹੈ — ਸਿਹਤ ਸੰਭਾਲ ਤੋਂ ਭਾਰੀ ਉਦਯੋਗ ਤੱਕ — ਉਨ੍ਹਾਂ ਦੇ ਖਰਚ ਘਟਾਉਣ ਵਿੱਚ AI ਪ੍ਰੋਜੈਕਟ ਅਸਫਲਤਾ ਦਰ ਅਤੇ ਅੰਤ ਵਿੱਚ ਆਪਣੇ ਡੇਟਾ ਤੋਂ ਅਸਲ ਮੁੱਲ ਕੱਢੋ।
70% ਅਤੇ 30% ਵਿੱਚ ਫ਼ਰਕ ਜਾਦੂ ਨਹੀਂ ਹੈ। ਇਹ ਤਰੀਕਾ ਹੈ।
AI ਪ੍ਰੋਜੈਕਟ ਅਸਫਲਤਾ ਦਰ ਬਾਰੇ FAQs
AI ਪ੍ਰੋਜੈਕਟ ਅਸਫਲਤਾ ਦਰ ਅਸਲ ਵਿੱਚ ਕੀ ਹੈ?
The AI ਪ੍ਰੋਜੈਕਟ ਅਸਫਲਤਾ ਦਰ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਪਹਿਲਕਦਮੀਆਂ ਦੀ ਉਸ ਪ੍ਰਤੀਸ਼ਤਤਾ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ ਜੋ ਮਾਪਣਯੋਗ ਕਾਰੋਬਾਰੀ ਮੁੱਲ ਨਹੀਂ ਦਿੰਦੀਆਂ ਜਾਂ ਪਾਇਲਟ ਤੋਂ ਪ੍ਰੋਡਕਸ਼ਨ ਤੱਕ ਨਹੀਂ ਪਹੁੰਚਦੀਆਂ। BCG (2023) ਅਨੁਸਾਰ, 70% ਕੰਪਨੀਆਂ ਨੂੰ AI ਤੋਂ ਕੋਈ ROI ਨਹੀਂ ਮਿਲਦਾ। (ਹਵਾਲਾ ਦਿੱਤੇ ਸਰੋਤ; ਅਸਫਲਤਾ-ਦਰ ਬੈਂਚਮਾਰਕ ਸਤੰਬਰ 2026 ਨੂੰ ਮੁੜ-ਜਾਂਚੇ — ਹਵਾਲਾ ਦੇਣ ਤੋਂ ਪਹਿਲਾਂ ਮੌਜੂਦਾ ਐਡੀਸ਼ਨ ਪੁਸ਼ਟ ਕਰੋ।) Gartner (2021) ਰਿਪੋਰਟ ਕਰਦਾ ਹੈ ਕਿ ਸਿਰਫ਼ 54% AI ਪ੍ਰੋਟੋਟਾਈਪ ਪ੍ਰੋਡਕਸ਼ਨ ਤੱਕ ਪਹੁੰਚਦੇ ਹਨ, ਭਾਵ ਇਸ ਪਰਿਭਾਸ਼ਾ ਅਨੁਸਾਰ ਅਸਫਲਤਾ ਦਰ 46% ਹੈ। IDC (2022) ਨੇ ਪਾਇਆ ਕਿ 28% ਤੈਨਾਤੀ ਤੋਂ ਪਹਿਲਾਂ ਫੇਲ ਹੁੰਦੇ ਹਨ ਅਤੇ ਹੋਰ ਬਹੁਤ ਸਾਰੇ ਘੱਟ ਪ੍ਰਦਰਸ਼ਨ ਕਰਦੇ ਹਨ। ਸਹਿਮਤੀ ਇਹ ਹੈ ਕਿ 60-70% AI ਪ੍ਰੋਜੈਕਟ ਕਿਸੇ ਅਰਥਪੂਰਨ ਢੰਗ ਨਾਲ ਫੇਲ ਹੁੰਦੇ ਹਨ।
70% AI ਪ੍ਰੋਜੈਕਟ ਅਸਫਲ ਕਿਉਂ ਹੁੰਦੇ ਹਨ?
ਚੋਟੀ ਦੇ ਪੰਜ ਕਾਰਨ ਹਨ: ਕੋਈ ਸਪੱਸ਼ਟ ਕਾਰੋਬਾਰੀ ਸਮੱਸਿਆ ਨਹੀਂ (ਤਕਨਾਲੋਜੀ-ਪਹਿਲਾਂ ਪਹੁੰਚ), ਮਾੜਾ ਡੇਟਾ (ਖਿੰਡਿਆ, ਅਧੂਰਾ ਜਾਂ ਗਲਤ-ਲੇਬਲ), ਤਬਦੀਲੀ ਪ੍ਰਬੰਧਨ ਦੀ ਘਾਟ (ਅੰਤਮ ਉਪਭੋਗਤਾ ਕਦੇ ਅਪਣਾਉਂਦੇ ਨਹੀਂ), ਅਵਾਸਤਵਿਕ ਉਮੀਦਾਂ (ਥੋੜ੍ਹੇ ਸਮੇਂ ਦੇ ROI ਦੀ ਮੰਗ), ਅਤੇ ਕੋਈ ਮਾਪ ਢਾਂਚਾ ਨਹੀਂ (ਮੁੱਲ ਸਾਬਤ ਕਰਨ ਲਈ ਕੋਈ KPI ਨਹੀਂ)। ਸੱਭਿਆਚਾਰ ਅਤੇ ਡੇਟਾ ਮੁੱਦੇ ਜ਼ਿਆਦਾਤਰ ਅਸਫਲਤਾਵਾਂ ਦਾ ਕਾਰਨ ਹਨ, ਤਕਨੀਕੀ ਕਮੀਆਂ ਨਹੀਂ।
ਮੈਂ ਆਪਣੀ ਕੰਪਨੀ ਵਿੱਚ AI ਪ੍ਰੋਜੈਕਟ ਅਸਫਲਤਾ ਦਰ ਕਿਵੇਂ ਘਟਾ ਸਕਦਾ ਹਾਂ?
ਇੱਕ ਸਿੰਗਲ ਉੱਚ-ਪ੍ਰਭਾਵ ਵਰਤੋਂ ਨਾਲ ਛੋਟੀ ਸ਼ੁਰੂਆਤ ਕਰੋ। ਮਾਡਲ ਬਣਾਉਣ ਤੋਂ ਪਹਿਲਾਂ ਡੇਟਾ ਗੁਣਵੱਤਾ ਅਤੇ ਏਕੀਕਰਨ ਵਿੱਚ ਨਿਵੇਸ਼ ਕਰੋ। ਘੱਟੋ-ਘੱਟ ਵਿਹਾਰਕ ਮਾਡਲ ਬਣਾਓ ਅਤੇ ਉਪਭੋਗਤਾ ਫੀਡਬੈਕ ਦੇ ਆਧਾਰ ਉੱਤੇ ਦੁਹਰਾਓ। ਬਦਲਾਅ ਪ੍ਰਬੰਧਨ — ਸਿਖਲਾਈ, ਸੰਚਾਰ ਅਤੇ ਉਪਭੋਗਤਾ ਜਾਂਚ — ਲਈ ਸਪੱਸ਼ਟ ਬਜਟ ਰੱਖੋ। ਕਾਰੋਬਾਰੀ ਨਤੀਜਿਆਂ ਨਾਲ ਜੁੜੇ 3-5 ਖਾਸ, ਸਮਾਂ-ਬੱਧ KPI ਪਰਿਭਾਸ਼ਿਤ ਕਰੋ। ਇਹ ਕਦਮ ਮੇਰੇ ਆਪਣੇ ਗਾਹਕ ਕੰਮ ਵਿੱਚ ਅਸਫਲਤਾ ਦਰਾਂ ਨੂੰ 70% ਤੋਂ ਘਟਾ ਕੇ 30% ਤੋਂ ਹੇਠਾਂ ਲਿਆਉਂਦੇ ਦਿਖਾਏ ਗਏ ਹਨ।
ਉਤਪਾਦਨ ਵਿੱਚ AI ਤੈਨਾਤੀ ਦੀ ਸਫਲਤਾ ਦਰ ਕੀ ਹੈ?
Gartner ਨੇ ਪਾਇਆ ਕਿ ਸਿਰਫ 54% AI ਪ੍ਰੋਜੈਕਟ ਪਾਇਲਟ ਤੋਂ ਪ੍ਰੋਡਕਸ਼ਨ ਤੱਕ ਜਾਂਦੇ ਹਨ। ਤਾਇਨਾਤ ਹੋਣ ਵਾਲਿਆਂ ਵਿੱਚੋਂ, ਸਿਰਫ ਕੁਝ ਹੀ ਅਰਥਪੂਰਨ ROI ਦਿੰਦੇ ਹਨ—BCG ਦੀ 30% ਸਫਲਤਾ ਦਰ ਇਸ ਨਾਲ ਮੇਲ ਖਾਂਦੀ ਹੈ। ਇਸ ਲਈ ਲਗਭਗ ਅੱਧੇ ਕਦੇ ਲੈਬ ਨਹੀਂ ਛੱਡਦੇ, ਅਤੇ ਜੋ ਜਾਂਦੇ ਹਨ, ਉਨ੍ਹਾਂ ਵਿੱਚੋਂ ਲਗਭਗ ਅੱਧੇ ਫਿਰ ਘੱਟ ਪ੍ਰਦਰਸ਼ਨ ਕਰਦੇ ਹਨ।
ਔਸਤਨ ਇੱਕ ਅਸਫਲ AI ਪ੍ਰੋਜੈਕਟ ਦੀ ਲਾਗਤ ਕਿੰਨੀ ਹੁੰਦੀ ਹੈ?
ਲਾਗਤਾਂ ਵਿਆਪਕ ਤੌਰ ’ਤੇ ਵੱਖਰੀਆਂ ਹੁੰਦੀਆਂ ਹਨ। ਇੱਕ ਦਰਮਿਆਨੇ AI ਪ੍ਰੋਜੈਕਟ ਦੀ ਲਾਗਤ ਡਾਟਾ ਤਿਆਰੀ, ਸਾਫਟਵੇਅਰ ਅਤੇ ਪ੍ਰਤਿਭਾ ਸਮੇਤ $300,000-$800,000 ਹੋ ਸਕਦੀ ਹੈ। ਵੱਡੇ ਐਂਟਰਪ੍ਰਾਈਜ਼ ਉੱਦਮ $2-5 ਮਿਲੀਅਨ ਤੱਕ ਪਹੁੰਚ ਸਕਦੇ ਹਨ। ਜੇ 70% ਅਸਫਲ ਹੋਣ, ਤਾਂ ਸਾਲ ਵਿੱਚ ਪੰਜ ਪ੍ਰੋਜੈਕਟ ਚਲਾਉਣ ਵਾਲੀ ਕੰਪਨੀ ਸਾਲਾਨਾ $1.5-3 ਮਿਲੀਅਨ ਬਰਬਾਦ ਕਰ ਸਕਦੀ ਹੈ।
ਕੀ ਕੁਝ ਉਦਯੋਗਾਂ ਲਈ AI ਪ੍ਰੋਜੈਕਟ ਅਸਫਲਤਾ ਦਰ ਵੱਧ ਹੈ?
The AI ਪ੍ਰੋਜੈਕਟ ਅਸਫਲਤਾ ਦਰ ਭਾਰੀ ਰੈਗੂਲੇਟਰੀ ਰੁਕਾਵਟਾਂ (ਸਿਹਤ ਸੰਭਾਲ, ਵਿੱਤ) ਜਾਂ ਖੰਡਿਤ ਡਾਟਾ ਵਾਤਾਵਰਣ (ਨਿਰਮਾਣ, ਪ੍ਰਚੂਨ) ਵਾਲੇ ਉਦਯੋਗਾਂ ਵਿੱਚ ਵੱਧ ਹੈ ਕਿਉਂਕਿ ਡਾਟਾ ਪ੍ਰਸ਼ਾਸਨ ਅਤੇ ਬਦਲਾਅ ਪ੍ਰਬੰਧਨ ਔਖੇ ਹਨ। ਹਾਲਾਂਕਿ, 70% ਦਾ ਅੰਕੜਾ ਸਾਰੇ ਖੇਤਰਾਂ ਵਿੱਚ ਕਾਫ਼ੀ ਇਕਸਾਰ ਹੈ। ਤਕਨੀਕੀ-ਮੂਲ ਕੰਪਨੀਆਂ ਵਿੱਚ ਅਸਫਲਤਾ ਦਰ ਥੋੜ੍ਹੀ ਘੱਟ ਹੁੰਦੀ ਹੈ ਕਿਉਂਕਿ ਉਨ੍ਹਾਂ ਕੋਲ ਅਕਸਰ ਬਿਹਤਰ ਡਾਟਾ ਬੁਨਿਆਦੀ ਢਾਂਚਾ ਅਤੇ ਸੱਭਿਆਚਾਰਕ ਤਿਆਰੀ ਹੁੰਦੀ ਹੈ।
ਕੀ ਜਨਰੇਟਿਵ AI ਦੀ ਅਸਫਲਤਾ ਦਰ ਵੱਖਰੀ ਹੈ?
ਜਨਰੇਟਿਵ AI ਪ੍ਰੋਜੈਕਟ ਅਜੇ ਵੀ ਨਵੇਂ ਹਨ, ਪਰ ਸ਼ੁਰੂਆਤੀ ਸੰਕੇਤ ਵਧੀਆਂ ਉਮੀਦਾਂ, ਨੈਤਿਕ ਜੋਖਮਾਂ ਅਤੇ ਕੰਟੈਂਟ ਉਤਪਾਦਨ ਤੋਂ ਪਰੇ ROI ਮਾਪਣ ਵਿੱਚ ਮੁਸ਼ਕਲ ਕਾਰਨ ਹੋਰ ਵੀ ਉੱਚ ਅਸਫਲਤਾ ਦਰ ਵੱਲ ਇਸ਼ਾਰਾ ਕਰਦੇ ਹਨ। Deloitte ਦੇ 2024 ਦੇ ਸਰਵੇਖਣ ਨੇ ਦਰਸਾਇਆ ਕਿ ਸਿਰਫ਼ 22% ਕੰਪਨੀਆਂ ਨੇ GenAI ਨੂੰ ਪਾਇਲਟ ਤੋਂ ਉਤਪਾਦਨ ਤੱਕ ਪਹੁੰਚਾਇਆ ਹੈ, ਜਿਸ ਦਾ ਅਰਥ ਪਾਇਲਟ-ਤੋਂ-ਉਤਪਾਦਨ ਮਾਪਦੰਡ ਨਾਲ 78% ਅਸਫਲਤਾ ਦਰ ਹੈ।
ਕੀ ਅਸਫ਼ਲ AI ਪ੍ਰੋਜੈਕਟ ਨੂੰ ਬਚਾਇਆ ਜਾ ਸਕਦਾ ਹੈ?
ਬਿਲਕੁਲ। ਜ਼ਿਆਦਾਤਰ “ਅਸਫਲ” ਪ੍ਰੋਜੈਕਟ ਤਕਨੀਕੀ ਤੌਰ ’ਤੇ ਨਹੀਂ, ਸੰਗਠਨਾਤਮਕ ਤੌਰ ’ਤੇ ਅਸਫਲ ਹੋਏ। ਮੈਂ ਸਪੱਸ਼ਟ ਸਮੱਸਿਆ ਪਰਿਭਾਸ਼ਾ ਨਾਲ ਮੁੜ ਸ਼ੁਰੂ ਕਰਕੇ, ਡੇਟਾ ਸਾਫ਼ ਕਰਕੇ ਅਤੇ ਸਹੀ ਬਦਲਾਅ ਪ੍ਰਬੰਧਨ ਪ੍ਰਕਿਰਿਆ ਸਥਾਪਤ ਕਰਕੇ ਮਰੇ ਹੋਏ ਪ੍ਰੋਜੈਕਟ ਮੁੜ ਸੁਰਜੀਤ ਕੀਤੇ ਹਨ। ਮਾਡਲ ਖੁਦ ਅਕਸਰ ਵਰਤੋਂਯੋਗ ਰਹਿੰਦਾ ਹੈ; ਉਸਨੂੰ ਸਿਰਫ਼ ਸਹੀ ਮਾਹੌਲ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ।
AI ਪ੍ਰੋਜੈਕਟ ਅਸਫਲਤਾ ਦਰ ਨੂੰ ਹਰਾਉਣ ਲਈ ਤਿਆਰ ਹੋ?
ਕਦੇ ਸ਼ਿਪ ਨਾ ਹੋਣ ਵਾਲੇ AI ’ਤੇ ਪੈਸੇ ਬਰਬਾਦ ਕਰਨਾ ਬੰਦ ਕਰੋ। At DG10 Agency, ਅਸੀਂ ਕੰਪਨੀਆਂ ਨੂੰ AI ਡਿਜ਼ਾਈਨ, ਬਣਾਉਣ ਅਤੇ ਲਗਾਉਣ ਵਿੱਚ ਮਦਦ ਕਰਦੇ ਹਾਂ ਜੋ ਅਸਲ ਵਿੱਚ ਕੰਮ ਕਰਦਾ ਹੈ — ਪ੍ਰਯੋਗਸ਼ਾਲਾ ਵਿੱਚ ਨਹੀਂ, ਸਗੋਂ ਅਸਲ ਦੁਨੀਆ ਵਿੱਚ ਜਿੱਥੇ margins ਮਾਇਨੇ ਰੱਖਦੇ ਹਨ।
We’ve cut the AI ਪ੍ਰੋਜੈਕਟ ਅਸਫਲਤਾ ਦਰ ਸਾਡੇ ਗਾਹਕਾਂ ਲਈ ਔਸਤਨ 40% ਤੋਂ ਵੱਧ ਅਸੀਂ ਤੁਹਾਡੇ ਡੇਟਾ ਤੋਂ ਸ਼ੁਰੂ ਕਰਦੇ ਹਾਂ ਅਸੀਂ ਸਪੱਸ਼ਟ ਮਾਪਦੰਡ ਤੈਅ ਕਰਦੇ ਹਾਂ ਅਸੀਂ ਅਜਿਹੇ ਮਾਡਲ ਬਣਾਉਂਦੇ ਹਾਂ ਜਿਨ੍ਹਾਂ ਨੂੰ ਤੁਹਾਡੀ ਟੀਮ ਵਰਤੇਗੀ ਅਤੇ ਅਸੀਂ ਅਪਣਾਉਣ ਤੱਕ ਤੁਹਾਡੇ ਨਾਲ ਰਹਿੰਦੇ ਹਾਂ ਜਦੋਂ ਤੱਕ ROI ਤੁਹਾਡੇ ਆਮਦਨ ਬਿਆਨ ਵਿੱਚ ਨਜ਼ਰ ਨਹੀਂ ਆਉਂਦਾ
Talk to us today ਤੁਹਾਡੇ AI ਤੈਨਾਤੀ ਟੀਚਿਆਂ ਬਾਰੇ। ਆਓ ਤੁਹਾਨੂੰ ਉਸ 30% ਵਿੱਚ ਸ਼ਾਮਲ ਕਰੀਏ।
Keep Reading
ਜੇ ਇਹ ਗਾਈਡ ਮਦਦਗਾਰ ਰਹੀ, ਤਾਂ ਇਹ ਇਸਦੇ ਪਿੱਛੇ ਪ੍ਰਣਾਲੀਆਂ ਉੱਤੇ ਡੂੰਘਾਈ ਵਿੱਚ ਜਾਂਦੇ ਹਨ: