Ватсал Гия, генеральный директор и соучредитель Shaip, имеет 20-летний опыт работы в области решений искусственного интеллекта для здравоохранения для улучшения ухода за пациентами. В этой гостевой статье он рассказал о причинах неудач проекта машинного обучения и о том, что нужно учитывать, чтобы добиться успеха.
Ключевой вывод из статьи
- Если вы не знаете, как вы продвигаетесь вперед с новыми технологическими тенденциями, весь процесс может пойти наперекосяк. По данным VentureBeat, около 87% проектов ИИ терпят неудачу из-за множества внутренних факторов. И эти неудачи также стоят огромных денежных потерь со стороны бизнеса.
- Причина неудач этих проектов машинного обучения заключается в отсутствии опыта, низком объеме и качестве данных, ошибочной маркировке, отсутствии надлежащего сотрудничества, устаревшей стратегии данных, отсутствии эффективного руководства и неприятной предвзятости данных.
- Хотя может быть много причин, по которым проекты ML терпят неудачу, важно учитывать все указатели, если вы внедряете модели ML в свою организацию. Следовательно, желательно получить надежного поставщика комплексных услуг для обработки проектов ML и добиться большей точности и эффективности.
Читайте полный текст статьи здесь:
