Vatsal Ghiya ซีอีโอและผู้ร่วมก่อตั้ง Shaip มีประสบการณ์ 20 ปีในการนำเสนอโซลูชัน AI ด้านการดูแลสุขภาพเพื่อการดูแลผู้ป่วยที่ดีขึ้น ในฟีเจอร์แขกรับเชิญนี้ เขาได้กล่าวถึงสาเหตุที่ทำให้โครงการแมชชีนเลิร์นนิงล้มเหลว และสิ่งที่ต้องพิจารณาเพื่อให้ประสบความสำเร็จ
ประเด็นสำคัญจากบทความคือ
- หากคุณไม่ทราบถึงแนวทางที่คุณกำลังก้าวไปข้างหน้ากับเทรนด์เทคโนโลยีใหม่ กระบวนการทั้งหมดอาจผิดพลาดได้ ตาม VentureBeat ประมาณ 87% ของโครงการ AI ล้มเหลวเนื่องจากปัจจัยภายในหลายประการ และความล้มเหลวเหล่านี้ยังทำให้สูญเสียเงินจำนวนมากในส่วนของธุรกิจ
- สาเหตุที่ทำให้โครงการ ML เหล่านี้ล้มเหลวเป็นเพราะขาดความเชี่ยวชาญ ปริมาณและคุณภาพข้อมูลต่ำกว่ามาตรฐาน การติดฉลากที่ผิดพลาด ขาดการทำงานร่วมกันที่เหมาะสม กลยุทธ์ข้อมูลที่ล้าสมัยขาดความเป็นผู้นำที่มีประสิทธิภาพ และอคติด้านข้อมูลที่ไม่น่าพอใจ
- แม้ว่าอาจมีสาเหตุหลายประการที่ทำให้โครงการ ML ล้มเหลว แต่สิ่งสำคัญคือต้องคำนึงถึงตัวชี้ทั้งหมดหากคุณกำลังนำโมเดล ML ไปใช้ในองค์กรของคุณ ดังนั้นจึงแนะนำให้หาผู้ให้บริการแบบ end-to-end ที่น่าเชื่อถือสำหรับการจัดการโครงการ ML และรับความแม่นยำและประสิทธิภาพที่ดีขึ้น
อ่านบทความเต็มที่นี่:
