Η ευέλικτη ανάπτυξη λογισμικού θεωρείται από καιρό ως ένας εξαιρετικά αποτελεσματικός τρόπος για την παροχή του λογισμικού που χρειάζεται μια επιχείρηση. Αυτή η πρακτική έχει λειτουργήσει καλά σε πολλούς οργανισμούς για πάνω από δύο δεκαετίες. Το Agile είναι επίσης το θεμέλιο για το Scrum, το DevOps και άλλες πρακτικές συνεργασίας. Ωστόσο, οι ευέλικτες πρακτικές μπορεί να μην είναι αποτελεσματικές κατά το σχεδιασμό και την εφαρμογή τεχνητής νοημοσύνης (AI).
Αυτή η εικόνα προέρχεται από μια πρόσφατη έκθεση από την RAND Corporation, μια δεξαμενή σκέψης παγκόσμιας πολιτικής, που βασίζεται σε συνεντεύξεις με 65 επιστήμονες και μηχανικούς δεδομένων με τουλάχιστον πέντε χρόνια εμπειρίας στην κατασκευή μοντέλων τεχνητής νοημοσύνης και μηχανικής μάθησης στη βιομηχανία ή τον ακαδημαϊκό χώρο. Η μελέτη, που διενεργήθηκε αρχικά για το Υπουργείο Άμυνας των ΗΠΑ, ολοκληρώθηκε τον Απρίλιο του 2024. «Πολύ συχνά, τα έργα τεχνητής νοημοσύνης αποτυγχάνουν ή δεν αποτυγχάνουν ποτέ», είπαν οι συν-συγγραφείς της έκθεσης, με επικεφαλής τον James Reiseff, ανώτερο αναλυτή τεχνολογικής πολιτικής στη RAND.
Επίσης: Η ευέλικτη ανάπτυξη μπορεί να ξεκλειδώσει τις δυνατότητες της γενετικής AI – δείτε πώς
Είναι ενδιαφέρον ότι αρκετοί ειδικοί της τεχνητής νοημοσύνης θεωρούν τις επίσημες ευέλικτες μεθόδους ανάπτυξης λογισμικού ως εμπόδιο για την επιτυχημένη τεχνητή νοημοσύνη. «Πολλοί ερωτηθέντες (10 στους 50) εξέφρασαν την πεποίθηση ότι οι άκαμπτες ερμηνείες των ευέλικτων διαδικασιών ανάπτυξης λογισμικού δεν είναι κατάλληλες για έργα τεχνητής νοημοσύνης», διαπίστωσαν οι ερευνητές.
«Ενώ το κίνημα του ευέλικτου λογισμικού δεν αφορούσε ποτέ την ανάπτυξη άκαμπτων διαδικασιών (μία από τις βασικές αρχές του είναι ότι οι άνθρωποι και οι αλληλεπιδράσεις είναι πολύ πιο σημαντικά από τις διαδικασίες και τα εργαλεία), πολλοί οργανισμοί απαιτούν από τις ομάδες μηχανικών τους να ακολουθούν τις ίδιες ευέλικτες αρχές σε όλους τους τομείς. διαδικασίες».
Ως αποτέλεσμα, όπως το είπε ένας από τους συνεντευξιαζόμενους, «τα αντικείμενα εργασίας είτε έπρεπε να ξανανοίξουν στο επόμενο σπριντ είτε να γίνουν γελοία μικρά και χωρίς νόημα για να χωρέσουν σε ένα σπριντ μιας ή δύο εβδομάδων». Τα έργα τεχνητής νοημοσύνης ειδικότερα «απαιτούν μια αρχική φάση εξερεύνησης δεδομένων και πειραματισμού απρόβλεπτης διάρκειας».
Επίσης: Πώς η επιχείρησή σας μπορεί να κάνει την καλύτερη χρήση της τεχνητής νοημοσύνης: Πείτε στην επιτροπή σας αυτά τα 4 πράγματα
Η μελέτη RAND διαπίστωσε ότι άλλοι παράγοντες μπορεί να περιορίσουν την επιτυχία των έργων τεχνητής νοημοσύνης. Ενώ οι αστοχίες IT έχουν τεκμηριωθεί καλά τις τελευταίες δεκαετίες, οι αστοχίες τεχνητής νοημοσύνης αποκτούν διαφορετική γεύση. «Η τεχνητή νοημοσύνη φαίνεται να έχει άλλα σχεδιαστικά χαρακτηριστικά, όπως δαπανηρές απαιτήσεις σε εργατικό δυναμικό και κεφάλαιο και υψηλή πολυπλοκότητα αλγορίθμων, που το καθιστούν διαφορετικό από ένα παραδοσιακό σύστημα πληροφοριών», ανέφεραν οι συν-συγγραφείς της μελέτης.
«Η επίκαιρη φύση της τεχνητής νοημοσύνης μπορεί να αυξήσει την επιθυμία των ενδιαφερομένων να κατανοήσουν καλύτερα τι οδηγεί τους κινδύνους των έργων πληροφορικής που σχετίζονται με την τεχνητή νοημοσύνη».
Η ομάδα RAND εντόπισε τους κύριους λόγους για τους οποίους αποτυγχάνουν τα έργα τεχνητής νοημοσύνης:
- «Τα ενδιαφερόμενα μέρη του κλάδου συχνά παρεξηγούν —ή κακώς επικοινωνούν— ποιο πρόβλημα πρέπει να λυθεί με την τεχνητή νοημοσύνη. Πολύ συχνά, οι οργανισμοί εφαρμόζουν εκπαιδευμένα μοντέλα τεχνητής νοημοσύνης μόνο για να ανακαλύψουν ότι τα μοντέλα βελτιστοποίησαν τις λάθος μετρήσεις ή δεν ταιριάζουν στη συνολική ροή εργασίας και το πλαίσιο».
- «Πολλά έργα τεχνητής νοημοσύνης αποτυγχάνουν επειδή ο οργανισμός δεν διαθέτει τα απαραίτητα δεδομένα για να εκπαιδεύσει επαρκώς ένα αποτελεσματικό μοντέλο τεχνητής νοημοσύνης».
- «Ο οργανισμός επικεντρώνεται περισσότερο στη χρήση της πιο πρόσφατης και κορυφαίας τεχνολογίας παρά στην επίλυση των πραγματικών προβλημάτων των χρηστών για τους οποίους προορίζεται».
- «Οι οργανισμοί μπορεί να μην έχουν επαρκή υποδομή για τη διαχείριση δεδομένων και την ανάπτυξη έτοιμων μοντέλων τεχνητής νοημοσύνης, αυξάνοντας την πιθανότητα αποτυχίας του έργου».
- «Αυτή η τεχνολογία εφαρμόζεται σε προβλήματα που είναι πολύ περίπλοκα για να επιλυθούν από την τεχνητή νοημοσύνη. Η τεχνητή νοημοσύνη δεν είναι ένα μαγικό ραβδί που μπορεί να εξαφανίσει οποιοδήποτε δύσκολο πρόβλημα. Σε ορισμένες περιπτώσεις, ακόμη και τα πιο προηγμένα μοντέλα τεχνητής νοημοσύνης δεν μπορούν να αυτοματοποιήσουν μια περίπλοκη εργασία».
Ενώ οι επίσημες ευέλικτες πρακτικές μπορεί να είναι πολύ επαχθείς για την ανάπτυξη της τεχνητής νοημοσύνης, εξακολουθεί να είναι σημαντικό για τους επιστήμονες πληροφορικής και δεδομένων να επικοινωνούν ανοιχτά με τους επιχειρηματικούς χρήστες. Οι ερωτηθέντες στη μελέτη συνέστησαν ότι «αντί να υιοθετεί καθιερωμένες διαδικασίες ανάπτυξης λογισμικού που συχνά είναι κάτι περισσότερο από φανταχτερές λίστες υποχρεώσεων, η τεχνική ομάδα θα πρέπει να επικοινωνεί συχνά με τους επιχειρηματικούς εταίρους της σχετικά με την κατάσταση του έργου».
Επίσης: Είναι καιρός οι εταιρείες να αφήσουν πίσω τους τη δημιουργική διαφημιστική εκστρατεία AI και να βρουν πραγματική αξία
Η έκθεση ανέφερε: «Δεν αρέσει στους ενδιαφερόμενους όταν λέτε: “Αυτό θα διαρκέσει περισσότερο από το αναμενόμενο. Θα επικοινωνήσω μαζί σας σε δύο εβδομάδες». Είναι περίεργοι. Η ανοιχτή επικοινωνία χτίζει εμπιστοσύνη μεταξύ των επιχειρηματικών συμμετόχων και της τεχνικής ομάδας και αυξάνει την πιθανότητα το έργο να είναι τελικά επιτυχές.»
Επομένως, οι προγραμματιστές τεχνητής νοημοσύνης πρέπει να διασφαλίσουν ότι το τεχνικό προσωπικό κατανοεί τον σκοπό και το πλαίσιο του τομέα του έργου: «Η εσφαλμένη επικοινωνία και η σύγχυση σχετικά με τις προθέσεις και τους στόχους του έργου είναι οι πιο συνηθισμένοι λόγοι για τους οποίους αποτυγχάνουν τα έργα τεχνητής νοημοσύνης. Η διασφάλιση της αποτελεσματικής συνεργασίας μεταξύ τεχνολόγων και ειδικών των επιχειρήσεων μπορεί να είναι η διαφορά μεταξύ επιτυχίας και αποτυχίας ενός έργου AI».
Η ομάδα της RAND συνέστησε επίσης την επιλογή «επίμονων προβλημάτων». Τα έργα τεχνητής νοημοσύνης απαιτούν χρόνο και υπομονή για να ολοκληρωθούν: «Πριν ξεκινήσουν οποιοδήποτε έργο τεχνητής νοημοσύνης, οι ηγέτες θα πρέπει να είναι πρόθυμοι να δεσμεύσουν κάθε ομάδα προϊόντων στην επίλυση ενός συγκεκριμένου προβλήματος για τουλάχιστον ένα χρόνο. Εάν ένα έργο τεχνητής νοημοσύνης δεν αξίζει αυτή τη μακροπρόθεσμη δέσμευση, πιθανότατα δεν αξίζει να το αναλάβετε καθόλου».
Επίσης: Πότε είναι η κατάλληλη στιγμή να επενδύσετε στην τεχνητή νοημοσύνη; 4 τρόποι που θα σας βοηθήσουν να πάρετε μια απόφαση
Ενώ η εστίαση στο επιχειρηματικό πρόβλημα και όχι στην τεχνολογική λύση είναι κρίσιμης σημασίας, οι οργανισμοί πρέπει να επενδύσουν σε υποδομές για να υποστηρίξουν τις προσπάθειες τεχνητής νοημοσύνης, αναφέρει η έκθεση RAND: «Η αρχική επένδυση σε υποδομή για την υποστήριξη της διαχείρισης δεδομένων και της ανάπτυξης μοντέλων μπορεί να μειώσει σημαντικά τον χρόνο που απαιτείται για την ολοκλήρωση έργων τεχνητής νοημοσύνης και μπορεί να αυξήσει τον όγκο των διαθέσιμων δεδομένων υψηλής ποιότητας για την εκπαίδευση αποτελεσματικών μοντέλων τεχνητής νοημοσύνης.”
Τέλος, όπως σημειώθηκε παραπάνω, η έκθεση αναφέρει ότι η τεχνητή νοημοσύνη δεν είναι μια μαγική σφαίρα και ότι έχει περιορισμούς: «Όταν εξετάζουν ένα πιθανό έργο τεχνητής νοημοσύνης, τα στελέχη πρέπει να δεσμεύουν τεχνικούς εμπειρογνώμονες για να αξιολογήσουν τη σκοπιμότητα του έργου».