L’87% dei progetti di Advanced Analytics fallisce o non viene messo in produzione. Perchè? 

“Despite huge levels of interest in AI technologies, current implementations remain at quite low levels. However, there is potential for strong growth as CIOs begin piloting AI programs through a combination of buy, build and outsource efforts.” – Whit Andrews, Gartner Data & Analytics Summit del 2018.

Oggi sempre più aziende vogliono essere supportate dall’Intelligenza Artificiale, ma tra la scelta di investire e la realizzazione concreta ci sono diversi fattori che minacciano la buona riuscita del progetto.

Avere a disposizione grandi quantità di dati è solo un primo aspetto che va completato con numerosi altri fattori, tra i quali una mentalità predisposta al cambiamento e il giusto partner tecnologico.

Durante l’evento Transform 2019, VentureBeat ha condiviso i risultati della sua ricerca dove viene illustrato che l’87% dei progetti di AI fallirà o non entrerà mai in produzione. Perché una stima così pessimista?

Di seguito analizziamo alcune delle principali minacce al successo di un progetto di Analytics e Intelligenza Artificiale.

Vuoi sviluppare un progetto di AI? Leggi la nostra Guida in 7 step

Progetti tecnicamente non fattibili

Cercando di sfruttare al meglio l’elevato costo di implementazione di un progetto di Artificial Intelligence, spesso le aziende si propongono grandi ambizioni e obiettivi difficilmente realizzabili che spingeranno i leader a perdere fiducia e interrompere l’investimento (innalzando una barriera allo sviluppo di futuri progetti AI).

È sempre meglio iniziare con piccoli obiettivi e alzarli gradualmente: un approccio agile presenta possibilità di successo 4 volte più alte rispetto a un tradizionale progetto a cascata.

Non risolvere il problema giusto

Costruire un data lake “perché lo fanno tutti” non è un motivo sufficiente a giustificare un investimento, poiché sarà solo dispendioso e controproducente.

Allo stesso modo, va prestata estrema attenzione nel momento in cui si seleziona il problema per il quale si intende sviluppare un algoritmo risolutivo.

“Non importa quanto sia bravo il team o quanto sia efficiente la metodologia, se non stiamo risolvendo il problema giusto, il progetto fallisce.” – Woody Williams

Richieste aziendali affrettate, poco chiare o assenti

Per progettare una soluzione AI non basta la volontà di investire. I data scientist possono proporre potenziali soluzioni, ma l’individuazione dell’obiettivo da raggiungere è responsabilità dei manager.

Provare a costruire e vedere dove si arriva porta solo a sviluppare soluzioni impersonali e mal applicabili all’azienda che li ha commissionati proprio perché non progettati su misura. Porre le giuste domande di analisi è il segreto del successo.

Mancanza di esperienza

La tecnologia è ancora poco nota al grande pubblico e questo è riscontrabile anche nelle organizzazioni, all’interno delle quali spesso non si ha sufficiente familiarità con le soluzioni e gli algoritmi di Intelligenza Artificiale.

Il livello di alfabetizzazione ai dati tra i diversi livelli dell’organizzazione det