Proč selhávají BigData projekty a jak se tomu vyhnout

Roztříštěnost a špatná kvalita datových zdrojů, nedostatečné znalosti a přehnaná nebo přímo nerealistická očekávání. To jsou nejčastější důvody, proč v minulosti i současnosti selhává až 85 % firemních BigData a AI projektů. Řadě problémů lze přitom předejít využitím správné metodiky a zapojením zkušených specialistů.

10. května 2018

Autor: Jan Janča Rubrika: Blog

Umělá inteligence je revoluční, ale stále nedospělá technologie, která s sebou nese zvýšené riziko selhání, a tak jako každá nová technologie, zůstává ve svých počátcích značně nákladná. Automatizované získávání cenných informací z velkých dat je sice možné již dnes, nicméně k širokému nasazení ve firmách nedojde dříve než za 3 až 5 let. S masovou adopcí přijde pokles pořizovací ceny, ale zároveň se zmenší i příležitost pro získání zásadní konkurenční výhody. 

Obr. 1.: AI a BigData jsou další evolucí business intelligence a aplikované statistiky, poháněnou zvyšujícím se výkonem počítačů a schopností ukládat data.

To be Big or not to be Big

Rozhodnutí zdali se pustit do BigData projektu by nemělo vznikat ve spěchu a pod dojmem článků o úžasných úspěších v populárně vědeckých nebo dokonce ekonomických přílohách novin. Pokud si nejste schopni zodpovědět otázku, jaké výhody nám má nová technologie přinést oproti té v současnosti využívané, a nemáte promyšlené hypotézy, které byste chtěli v rámci projektu ověřit, pak byste měli být na pozoru. Budete totiž moct jen stěží vyhodnotit zdali je pro vás projekt přijatelný vzhledem k riziku jeho selhání.

Graf adopce zavádění nových technologií a Gartner hypecyklus
Obr. 2.: Graf adopce zavádění nových technologií a Gartner hypecyklus

AI a BigData jsou technologie, které jsou na vrcholu očekávání, ale zatím jsou nasazovány především ve společnostech s vysokou mírou digitalizace. Na křivce adopce technologií je oblast, které se říká “propast”. V té skončí mnoho ambiciózních projektů, které z různých důvodů nesplní očekávání, a její překonání, může trvat i několik let.

Riziko selhání projektu z důvodu nedospělosti technologie samozřejmě nelze nikdy zcela eliminovat, lze ho však omezit a připravit se na něj.

Nejčastější důvody selhání

Během posledních 3 let, ve kterých jsme přímo řešili, nebo jako konzultanti dozorovali, řadu velkých korporátních i menších BigData a AI projektů, jsme identifikovali několik opakujících se kategorií chyb, které vedli k částečnému nebo úplnému selhání projektů.

Kvalifikované lidské zdroje

Obligátní prohlášení: “nejsou lidi” je na místě i u BigData projektů. Dostatečnými znalostmi stále oplývá jen velice málo specialistů, kteří se často věnují vlastním projektům. Budování interních AI týmu je pak dlouhodobý a bolestný proces s nejistým výsledkem. Ti nejlepší odborníci v oboru často nechtějí dlouhodobě pracovat pouze na jednom projektu, protože by přišli o možnost učit se nové věci, a akademici zase nemají rádi pojmy jako rozpočet a deadline. Řešením je využití externích specialistů se zkušenostmi na různorodých projektech.

Špatná a neúplná data

Mylná je představa, že „máme všechna data” nebo, že „něco”, především čištění dat a datová integrace, “uděláme později až bude čas a první výsledky”. Můžete si být téměř jisti, že nebude ani čas, natož výsledky. Velké množství špatných a nevyčištěných interních dat a podcenění významu datové analýzy a datové integrace s vírou, že vše udělá později analytik nebo stroj, vede ke katastrofálním selháním projektů v jejich pozdější fázi, kdy je již často utracena většinu rozpočtu. Až 80 % využitelných výsledků lze získat z datové analýzy bez využití pokročilých metod jako je strojové učení, na jejichž implementaci spotřebujete 80 % rozpočtu. To samozřejmě neznamená, že by AI k ničemu nebyla, naopak. Pokud uděláte vše správně v prvních fázích projektu, přinese vám využití umělé inteligence kromě nových informací také automatizaci a řádové zrychlení procesů.

Staré stroje v novém světě

Stará láska nerezaví? SAP, Oracle, atd. jsou technologie z 90. let, které perfektně zvládají to, pro co byly navrženy, což ale BigData ani AI projekty nejsou. Roubování nových řešení na starou technologii je často křeč, připomínající snahu namontovat motor na koně. Řešením však není ani bezmyšlenkovitý nákup nových “krabic”. Analýza toho, co lze dokázat se současnou infrastrukturou, co lze zpracovat v cloudu a na co budete potřebovat nové onpremis řešení, ušetří nemalé prostředky.

Neexistující KPIs projektu a další chyby

Součástí specifikací projektu by měly být i scénáře pro ověření návratnosti investic. Ne vše lze samozřejmě vyhodnotit hned, ale dlouho běžící projekt bez jasného vyhodnocení výsledků nejen že požírá investice, ale také demotivuje na něm pracující specialisty

Další poznatky, varování i tipy si můžete prohlédnout v naší prezentaci z konference New Media Inspiration 2018. V případě zájmu o konzultaci řešení vašeho problému nám zanechte e-mail a jméno a ozveme se vám.


Zdroje

Sdílejte s přáteli

Zašlete nám poptávku

Kontaktní formulář
*
*
*
Ověřovací kód
Ověřovací kód
*
Anglicky