Các nhà lãnh đạo và chuyên gia trong ngành tin rằng hơn 75% MVP phải đối mặt với thất bại và có thể được mở rộng để triển khai đầy đủ mà không cần lặp lại và thực tế cũ.
Lý do đầu tiên là doanh nghiệp không có mục tiêu xác định thành công và thất bại.
Kỳ vọng rất cao từ bất kỳ dự án AI nào. Các nhóm có xu hướng xác định MVP mà không xem xét các khía cạnh đầu cuối để nhận ra MVP và những phức tạp liên quan. Trong khi các mục tiêu phải thực tế, chúng cũng phải dứt khoát và thực chất.
Nhóm IT chắc chắn rằng thành công đối với họ là tất cả các hệ thống đều hoạt động tốt, cơ sở hạ tầng phù hợp và các mô hình có thể mở rộng. Tương tự, các nhóm kinh doanh nên xác định điều gì sẽ là thành công đối với họ.
“Trong nhiều trường hợp, tiêu chí thành công của doanh nghiệp không được xác định rõ ràng. Cách tốt nhất là định lượng những thứ đó. Nếu bạn đang tìm cách tăng tỷ lệ churn của khách hàng, bạn nên có điều gì đó để chứng minh điều đó và do đó có một số trợ giúp. Shubhangi Vashisth, Giám đốc Phân tích cho biết, đây là điều còn thiếu sót khi các tổ chức bắt đầu cuộc hành trình của mình, điều này trở thành một thách thức sau này trong cuộc hành trình. Gartner.
Đôi khi MV (AI) P không thành công do không có sẵn bộ dữ liệu được gắn nhãn chất lượng để tạo ra suy luận chính trong thời gian thực. Để tạo PoC, nhóm sử dụng nguồn dữ liệu mở hoặc tạo dữ liệu tổng hợp. Nhưng một khi MVP chuyển sang giai đoạn sản xuất, chất lượng của dữ liệu tương tự sẽ không có sẵn do sự phức tạp của hệ thống khi lấy dữ liệu thời gian thực từ các hệ thống cũ và đám mây và kết hợp chúng với nhau để đào tạo cũng như tham khảo.
Bạn có thể thích
Rahul Lodhe, Giám đốc cấp cao, Trí tuệ nhân tạo SAP cho biết rằng hiệu suất và khả năng mở rộng cũng là những yếu tố quan trọng cần xem xét trong khi xây dựng PoC. Nhiều nhóm Khoa học dữ liệu làm việc dựa trên dữ liệu dựa trên excel do các kỹ sư Dữ liệu cung cấp nhưng khi một hệ thống từ đầu đến cuối kết hợp với nhau, việc đưa dữ liệu theo thời gian thực trở nên chậm hơn và mô hình cung cấp kết quả mất nhiều thời gian hơn yêu cầu, dẫn đến trải nghiệm người dùng không tốt.
“Hơn nữa, việc không xem xét các thách thức về kỹ thuật cũng có thể là một lý do khiến MVP không hoạt động như mong đợi. Để xây dựng MVP hoàn hảo, các nhóm thường bắt đầu với việc xây dựng nền tảng AI độc quyền từ đầu với việc sử dụng tối thiểu nguồn mở / bên thứ ba. Điều này được thực hiện để tránh các vấn đề về bảo mật và quyền riêng tư từ góc độ lâu dài và cũng để thể hiện quyền tối cao về mặt kỹ thuật.
AI là một lĩnh vực phát triển rất nhanh và có nhiều công nghệ mã nguồn mở và các dịch vụ sẵn sàng sử dụng với nền tảng công nghệ kết hợp, ”Lodhe giải thích.
Để đạt được MVP, điều quan trọng là không nên cố gắng xây dựng khuôn khổ hoặc nền tảng từ đầu.
Việc xây dựng thứ gì đó từ đầu rất tốn thời gian và làm chậm trễ MVP để xác nhận. Việc cung cấp MVP nên tập trung nhiều hơn vào giá trị kinh doanh với tốc độ nhanh để nhận được phản hồi từ khách hàng / các bên liên quan. Công nghệ cơ bản có thể được phát triển trong một khoảng thời gian nếu giá trị do mô hình tạo ra giải quyết được vấn đề quan trọng cho khách hàng.
Sự thất bại của MVP cũng có thể cho thấy sự thiếu nghiên cứu thích hợp trong các phân khúc khách hàng. Dù là quy mô của thị trường hoặc hành vi của khách hàng, nghiên cứu đằng sau dự án phản ánh sự thất bại của nó.
“Sản phẩm khả thi tối thiểu cho phép một thử nghiệm về cách khách hàng tương tác với chúng tôi. Khi chúng ta sử dụng AI- chúng ta hướng đến việc giảm thiểu nỗ lực của con người nhưng yếu tố quan trọng của chúng ta là làm hài lòng. Nhiều khi một sản phẩm hoặc một giải pháp được tạo ra theo cách khiến người dùng cuối cùng thất vọng và do đó có thể thất bại, ”Aabhinna Suresh Khare, Giám đốc Tiếp thị & Kỹ thuật số và Chiến lược trưởng, cho biết, Thủ đô Bajaj.
Mặc dù dữ liệu, công nghệ và mục tiêu là những lý do chính khiến MV (AI) P thất bại, nhưng đôi khi nó có thể chỉ là thị trường mà sản phẩm được tung ra, không đủ lớn để phục vụ. Và nếu thị trường đã được thiết lập và lớn, giải pháp không thể chiếm được thị phần.
Nguồn : https://cio.economictimes.indiatimes.com/news/next-gen-technologies/why-your-minimum-viable-ai-project-is-likely-to-fail/91429335.
Post by Automation Bot.
