실패한 AI 프로젝트를 분석하면 무엇을 배울 수 있나요?

AI 프로젝트의 실패는 큰 문제와는 관련이 없지만 작은 세부 사항에 의해 결정되는 경우가 많습니다. 모든 흥미로운 가능성에 직면한 기업은 AI 프로젝트를 처음 시작할 때 자신감이 넘치는 경우가 많습니다. 그러나 구체적인 구현 과정에서 실질적인 문제가 발생하면 이러한 열정이 쉽게 식어 AI 프로젝트가 보류되거나 궁극적으로 실패할 수도 있습니다. 실패를 일으키는 일반적인 문제 중 하나는 조직이 프로젝트의 장기적인 비용을 정확하게 고려하지 않는다는 것입니다. 경영진은 프로젝트의 초기 비용만 계산했을 뿐, 이후의 유지 관리 및 업데이트 비용에는 신경을 쓰지 않았습니다.

연구 회사인 Cognilytica는 수백 개의 실패한 AI 프로젝트를 종합적으로 분석한 결과 많은 조직이 AI 프로젝트 수명 주기의 연속성을 인식하지 못하고 있다는 사실을 깨달았습니다. 조직에서는 데이터 준비, 정리, 모델 교육, 데이터 라벨링, 모델 평가, 반복 요구 사항 등 프로젝트의 처음 몇 번의 반복에만 예산을 할당하지만 지속적인 반복에 대한 예산을 유지하지 못하는 경우가 많습니다. 또한 조직은 모델 및 데이터 부패를 지속적으로 모니터링하고 필요에 따라 모델을 재교육하며 향후 추가 확장 및 반복을 고려해야 합니다. 시간이 지남에 따라 이는 필연적으로 AI 프로젝트에 대한 조직의 예상 투자 수익에 편차나 심지어 불균형을 초래할 것입니다.

모델의 지속적인 반복에 드는 비용을 고려할 때 다들 어떤 사고 과정을 거쳤나요? 대부분의 조직이 직면한 과제는 AI 프로젝트를 일회성 개념 증명 또는 파일럿 애플리케이션으로 보는 경향이 있으며, 모델의 지속적인 평가 및 재교육을 위해 자금, 자원 및 인력의 일부를 따로 확보하는 것을 고려하지 않는다는 것입니다. 그러나 일반적인 데이터 기반 프로젝트인 AI는 결코 일회성 투자가 아닙니다. 사람들은 모델이 일단 생산되면 모델의 반복과 개발을 위해 자금, 자원, 인력을 계속 할당해야 한다는 사실을 깨닫지 못할 수도 있습니다.

그래서 모델 구축 비용만 고려하는 조직은 프로젝트가 시작된 후 다양한 문제에 직면하게 됩니다. AI 프로젝트 비용과 투자 수익을 예로 들면, AI 프로젝트 소유자는 모델을 유지하는 데 드는 비용과 후속 데이터 준비 및 모델 반복에 얼마나 많은 리소스를 투자할 의향이 있는지 주의를 기울여야 합니다.

성공적인 AI 프로젝트의 공통점 중 하나는 기능이 한꺼번에 전달되지 않는다는 점입니다. 이와 대조적으로 성공적인 프로젝트에서는 AI 솔루션을 명확한 시작점과 끝점이 없는 지속적인 반복 주기로 간주합니다. 사이버 보안 프로젝트가 일회성 프로젝트가 아닌 것처럼 AI와 같은 데이터 기반 프로젝트도 변화하는 현실과 변화하는 데이터에 적응할 수 있도록 지속적으로 운영되어야 합니다. 데이터 드리프트와 모델 드리프트는 불가피하므로 처음에는 잘 작동하는 모델이라도 시간이 지남에 따라 점차적으로 실패할 수 있습니다. 또한 조직 자체가 발전함에 따라 AI 애플리케이션에 대한 전문 지식과 기술, 활용 사례, 모델 및 데이터가 계속 업데이트되고 변경될 것입니다.

게다가 세계 경제와 세계 구조도 예상치 못한 방향으로 변동하고 있습니다. 결과적으로 극도로 복잡한 AI 프로젝트를 포함한 모든 장기 계획 프로젝트는 그에 따라 필연적으로 조정을 수행해야 합니다. 소매업체는 확실히 지난 2년 동안 발생한 공급망 및 노동 시장 혼란을 예상할 수 없었고, 조직도 재택근무로의 급격한 전환을 예상할 수 없었습니다. 현실 세계와 사용자 행동의 급격한 변화는 필연적으로 데이터의 변화로 이어질 것이므로 모델도 변경되어야 합니다. 이 때문에 데이터 드리프트와 모델 드리프트를 모두 고려하여 모델을 지속적으로 모니터링하고 반복해야 합니다.

반복에 대한 생각: 방법론 및 ML Ops

조직이 모델을 확장하거나 개선할 계획을 세울 때 원래 모델 반복 메커니즘과도 일치해야 합니다. 예를 들어, 북미 기업이 구매 패턴 예측 모델을 다른 시장으로 확장하려는 경우 새로운 데이터 요구 사항에 적응하기 위해 모델과 데이터를 지속적으로 반복해야 합니다.

이러한 요소는 모델이 데이터 소스 및 기타 주요 요소를 올바르게 식별할 수 있도록 조직이 반복을 위한 추가 자금을 지속적으로 제공해야 함을 의미합니다. AI 분야에서 성공한 조직은 AI 프로젝트 확장을 성공적으로 완료하기 위해 경험적으로 입증된 반복적이고 민첩한 방법을 따라야 한다는 점도 인식하고 있습니다. 민첩한 방법론과 데이터 중심 프로젝트 관리 아이디어를 바탕으로 CRISP-DM(Cross-Industry Data Mining Process Standard) 등은 반복 프로젝트가 특정 핵심 단계를 놓치지 않도록 AI 기능을 강화하기 시작했습니다.

AI 시장의 지속적인 발전과 함께 'ML Ops'라는 신흥 머신러닝 모델 운영관리도 주목받기 시작했습니다. ML Ops는 모델 개발 및 사용, 기계 학습 운영 및 배포의 전체 수명 주기에 중점을 둡니다. ML Ops 방법 및 솔루션은 조직이 지속적으로 진화하는 공간에서 AI 모델을 관리하고 모니터링하는 데 도움이 되도록 설계되었습니다. ML Ops는 DevOps의 개발 중심 프로젝트 지속적인 반복/개발 아이디어와 끊임없이 변화하는 대규모 데이터 세트에 대한 DataOps의 관리 경험을 완전히 흡수하여 거대 기업의 어깨 위에 서 있다고도 할 수 있습니다.

ML Ops의 목표는 조직에 모델 드리프트, 모델 거버넌스, 버전 제어 등의 가시성 지침을 제공하여 AI 프로젝트 반복을 지원하는 것입니다. ML Ops는 모든 사람이 이러한 문제를 더 잘 관리하는 데 도움이 될 수 있습니다. 현재 시장에는 다양한 ML Ops 도구가 넘쳐나지만, ML Ops도 DevOps와 마찬가지로 생각 없이 문제를 해결하기 위해 돈을 쓰기보다는 조직이 스스로 일을 한다는 점을 주로 강조합니다. Ml Ops 모범 사례는 모델 거버넌스, 버전 제어, 검색, 모니터링, 투명성, 모델 보안/반복과 같은 일련의 측면을 다룹니다. ML Ops 솔루션은 동일한 모델의 여러 버전을 동시에 지원하여 특정 요구 사항에 따라 동작을 맞춤 설정할 수도 있습니다. 또한 이러한 솔루션은 엄격한 거버넌스 및 보안 관리 원칙을 보장하면서 누가 어떤 모델에 액세스할 수 있는지 추적, 모니터링 및 결정합니다.

AI 반복의 실제 요구 사항을 고려하여 ML Ops는 전체 모델 구축 및 관리 환경에서 중요한 부분이 되기 시작했습니다. 앞으로 이러한 기능은 전체 AI 및 ML 도구 세트의 일부가 될 것으로 예상되며 클라우드 솔루션, 오픈 소스 제품 및 ML 기계 학습 플랫폼과 같은 애플리케이션 시나리오에 점차적으로 포함될 것으로 예상됩니다.

실패는 성공의 어머니

ML Ops 및 AI 프로젝트의 성공은 모범 사례에 대한 지원 및 지도와 분리될 수 없습니다. 문제로 인해 AI 프로젝트가 실패하지는 않습니다. 문제를 정확하게 해결하지 못하는 것이 실패의 근본 원인입니다. 조직은 AI 프로젝트를 반복적이고 단계별인 프로세스로 보고 CPMAI(Cognitive Project Management for AI) 방법과 진화하는 ML Ops 도구를 통해 자신에게 적합한 모범 사례를 완전히 탐색해야 합니다. 크게 생각하고 작게 시작하세요. 지속적인 반복 개념은 AI 프로젝트의 전체 수명 주기에 걸쳐 실행되어야 합니다. 이러한 실패는 결코 이야기의 끝이 아니라 새로운 시작입니다.

위 내용은 실패한 AI 프로젝트를 분석하면 무엇을 배울 수 있나요?의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!