Vatsal Ghiya, a Shaip vezérigazgatója és társalapítója 20 éves tapasztalattal rendelkezik az egészségügyi mesterséges intelligencia megoldások kínálatában a jobb betegellátás érdekében. Ebben a vendégjátékban megvitatta a Machine Learning Project kudarcának okát, és azt, hogy mit kell figyelembe venni a siker érdekében.
A cikk legfontosabb eleme az
- Ha nincs tisztában azzal, hogyan halad előre az új technológiai trendekkel, az egész folyamat balul sülhet el. A VentureBeat szerint az AI-projektek körülbelül 87%-a számos belső tényező miatt meghiúsul. És ezek a kudarcok óriási pénzveszteségbe is kerültek az üzleti oldalon.
- Az ML projektek kudarcának oka a szakértelem hiánya, az alacsony adatmennyiség és -minőség, a hibás címkézés, a megfelelő együttműködés hiánya, az elavult adatstratégia, a hatékony vezetés hiánya és a kellemetlen adatok torzítása.
- Bár sok oka lehet annak, hogy az ML-projektek meghiúsulnak, fontos azonban, hogy minden mutatót figyelembe kell venni, ha ML-modelleket kíván implementálni a szervezetében. Ezért ajánlatos hiteles, teljes körű szolgáltatót szerezni az ML projektek kezeléséhez, és nagyobb pontosságot és hatékonyságot elérni.
Olvassa el a teljes cikket itt:
