Đại thảm họa AI: 80% dự án thất bại và hàng tỷ USD bị lãng phí
(salesforcedevops.net)- Báo cáo mới của RAND cho thấy rằng bất chấp làn sóng hype quanh AI, phần lớn các dự án vẫn thất bại
- RAND: một trong những think tank tiêu biểu của Mỹ. Tên gọi mang ý nghĩa R&D. Được Douglas Aircraft thành lập vào năm 1948
- Báo cáo này, dựa trên các cuộc phỏng vấn với 65 nhà khoa học dữ liệu và kỹ sư giàu kinh nghiệm, đã làm rõ nguyên nhân gốc rễ của những thất bại này và đưa ra lộ trình để thành công
Thất bại trong lãnh đạo: người mù dắt người mù
- Nguyên nhân lớn nhất khiến các dự án AI thất bại không phải là công nghệ mà là ban lãnh đạo cấp cao
- Ban lãnh đạo thường hiểu sai hoặc truyền đạt sai về vấn đề nào cần được AI giải quyết
- Ban lãnh đạo đặt kỳ vọng quá mức vào AI và đánh giá thấp thời gian cũng như nguồn lực cần thiết để triển khai AI thành công
- Do thiếu giao tiếp rõ ràng giữa lãnh đạo và đội kỹ thuật, cũng như thiếu sự thấu hiểu về mục tiêu dự án, các sáng kiến AI thường đã được định sẵn là thất bại ngay từ đầu
- Nhiều tổ chức thiếu sự kiên nhẫn cần thiết để triển khai AI thành công. Dự án thường bị bỏ dở giữa chừng hoặc bị chuyển sang ưu tiên mới trước cả khi có cơ hội chứng minh giá trị thực tế
Thế tiến thoái lưỡng nan về dữ liệu: đưa rác vào thì nhận rác ra
- Chất lượng dữ liệu nổi lên là rào cản quan trọng thứ hai: "80% của AI là công việc bẩn thỉu của kỹ thuật dữ liệu"
- Nhiều tổ chức thiếu đủ dữ liệu chất lượng cao để huấn luyện các mô hình AI hiệu quả
- Các bộ dữ liệu legacy có thể không phù hợp để huấn luyện AI
- Thiếu kỹ sư dữ liệu dẫn đến mất mát tri thức và làm tăng chi phí dự án
- Việc thiếu chuyên môn miền trong đội AI có thể khiến dữ liệu bị diễn giải sai và làm nảy sinh lỗi trong thiết kế mô hình
Chạy theo đồ vật lấp lánh: khi kỹ sư mất tập trung
- Bản thân kỹ sư đôi khi cũng góp phần làm dự án thất bại
- Nhiều nhà khoa học dữ liệu và kỹ sư bị hấp dẫn bởi việc sử dụng các tiến bộ kỹ thuật mới nhất, ngay cả khi một giải pháp đơn giản hơn cũng đã đủ
- Xu hướng theo đuổi những "đồ vật lấp lánh" này có thể dẫn đến các giải pháp phức tạp không cần thiết, khó bảo trì và khó giải thích cho các bên liên quan
- Tổ chức cần cân bằng giữa đổi mới và tính thực tiễn. Việc theo kịp tiến bộ công nghệ là quan trọng, nhưng trọng tâm vẫn phải là giải quyết hiệu quả các vấn đề kinh doanh thực tế
Hạ tầng: nền móng kém hào nhoáng cho thành công
- Thiếu đầu tư vào hạ tầng nổi lên là một nguyên nhân lớn khác khiến các dự án AI thất bại
- Nhiều công ty cố bắt đầu dự án AI mà chưa xây dựng trước nền tảng cần thiết
- Các tổ chức cần có góc nhìn toàn diện hơn về triển khai AI. Điều đó có nghĩa là đầu tư vào pipeline dữ liệu vững chắc, hệ thống kiểm thử và triển khai tự động, cùng các công cụ giám sát hiệu năng mô hình trong môi trường production
- Nhiều tổ chức gặp khó khăn khi chuyển từ nguyên mẫu AI thành công sang hệ thống sẵn sàng cho production. Vấn đề "last mile" này thường làm trật bánh các dự án đầy hứa hẹn
Khuyến nghị: kiểm tra lại mức độ thực tế của tham vọng AI
- Báo cáo RAND đưa ra các khuyến nghị sau để các tổ chức nâng cao tỷ lệ thành công của dự án AI:
- Đảm bảo nhân sự kỹ thuật hiểu mục đích dự án và bối cảnh kinh doanh. Báo cáo chỉ ra rằng: "Hiểu lầm và truyền đạt sai về ý định và mục đích của dự án là lý do phổ biến nhất khiến dự án AI thất bại." Để làm được điều này, cần có đối thoại liên tục giữa đội kinh doanh và đội kỹ thuật, cùng nỗ lực xây dựng sự thấu hiểu và hệ thuật ngữ chung.
- Chọn những vấn đề có thể theo đuổi bền bỉ. "Trước khi bắt đầu dự án AI, lãnh đạo phải sẵn sàng để mỗi đội sản phẩm cam kết giải quyết một vấn đề cụ thể trong ít nhất 1 năm." Khuyến nghị này phản bác xu hướng chạy theo thành tích nhanh hoặc liên tục thay đổi ưu tiên. Bằng cách tập trung vào các vấn đề dài hạn và có tác động lớn, tổ chức có thể cung cấp cho sáng kiến AI thời gian và nguồn lực cần thiết để thành công.
- Tập trung vào vấn đề, không phải công nghệ. "Việc chạy theo công nghệ AI mới nhất chỉ vì bản thân nó là một trong những con đường dẫn đến thất bại phổ biến nhất." Báo cáo nhấn mạnh tầm quan trọng của việc chọn đúng công cụ cho đúng bài toán, kể cả khi đó không phải là giải pháp tối tân nhất. Điều này có thể đòi hỏi thay đổi trong cách các tổ chức đánh giá và khen thưởng đội kỹ thuật.
- Đầu tư vào hạ tầng. "Đầu tư trước vào hạ tầng để hỗ trợ quản trị dữ liệu và triển khai mô hình có thể rút ngắn đáng kể thời gian cần thiết để hoàn thành dự án AI." Những khoản đầu tư này có thể không hào nhoáng như nghiên cứu AI, nhưng lại rất quan trọng cho thành công dài hạn. Điều này bao gồm xây dựng pipeline dữ liệu vững chắc, triển khai version control cho mô hình và dữ liệu, cũng như phát triển các hệ thống để giám sát và bảo trì các giải pháp AI đã triển khai.
- Hiểu các giới hạn của AI. "AI không phải là cây đũa thần có thể giải quyết các vấn đề khó. Trong một số trường hợp, ngay cả mô hình AI tiên tiến nhất cũng không thể tự động hóa các tác vụ khó khăn." Báo cáo kêu gọi đánh giá thực tế hơn về những gì AI có thể và không thể làm, đồng thời thúc giục các tổ chức hạ thấp kỳ vọng và tập trung vào những lĩnh vực nơi AI thực sự có thể tạo ra giá trị.
Góc nhìn từ học thuật: công bố bài báo hoặc biến mất
- Nghiên cứu này cũng khảo sát hoạt động nghiên cứu AI trong giới học thuật và phát hiện rằng áp lực công bố bài báo cùng việc theo đuổi danh tiếng thường lấn át ứng dụng thực tế
- Báo cáo lưu ý rằng: "Nếu một dự án AI không dẫn đến việc công bố bài báo, nó sẽ không được coi là thành công", nhấn mạnh sự lệch pha giữa động lực học thuật và tác động trong thế giới thực
- Cách tiếp cận lấy công bố bài báo làm trung tâm này có thể khiến các nhà nghiên cứu ưu tiên những cách tiếp cận mới lạ nhưng thiếu thực tế hơn là các cải tiến tiệm tiến có thể tạo ra ảnh hưởng đáng kể ngoài đời thực
- Báo cáo đề xuất rằng các tổ chức học thuật nên cân nhắc mở rộng tiêu chí thành công trong nghiên cứu AI để bao gồm các chỉ số liên quan đến ứng dụng thực tiễn hoặc hợp tác với ngành công nghiệp
- Nghiên cứu cũng phát hiện rằng nhiều nhà nghiên cứu học thuật gặp khó khăn trong việc tiếp cận các bộ dữ liệu thực tế chất lượng cao. Điều này có thể dẫn tới khoảng cách giữa nghiên cứu học thuật và ứng dụng thực tế
- Báo cáo khuyến nghị thúc đẩy hợp tác giữa học thuật, ngành công nghiệp và các cơ quan chính phủ để cung cấp cho các nhà nghiên cứu quyền tiếp cận dữ liệu phù hợp hơn, đồng thời vẫn duy trì các biện pháp cần thiết về quyền riêng tư và bảo mật
Hồi chuông cảnh tỉnh cho ngành AI
- Báo cáo RAND này đóng vai trò như một cú kiểm tra thực tế rất cần thiết cho ngành AI
- Tiềm năng của AI vẫn rất lớn, nhưng con đường triển khai thành công đầy rẫy thách thức
- Các tổ chức phải thu hẹp khoảng cách giữa hype và thực tế, đồng thời tập trung vào những nền tảng vững chắc như chất lượng dữ liệu, hạ tầng, và giao tiếp rõ ràng giữa đội kỹ thuật với đội kinh doanh
- Như một người được phỏng vấn đã nhận xét rất chí lý: "Các bên liên quan muốn được tham gia vào quy trình. Họ không thích khi bạn nói 'mọi việc đang mất nhiều thời gian hơn dự kiến, nên tôi sẽ liên hệ lại sau 2 tuần nữa.' Họ rất tò mò." Điều này nhấn mạnh nhu cầu giao tiếp liên tục và minh bạch trong suốt dự án AI, để mọi bên liên quan luôn được cập nhật thông tin và tham gia vào quá trình
- Báo cáo cũng nhấn mạnh tầm quan trọng của sự kiên nhẫn và bền bỉ trong phát triển AI. Thành quả nhanh là điều hiếm gặp, và các tổ chức phải sẵn sàng cho nỗ lực dài hạn nếu muốn thu được lợi ích thực chất từ các sáng kiến AI. Điều này có thể đòi hỏi thay đổi trong văn hóa tổ chức và kỳ vọng, từ tư duy ngắn hạn sang góc nhìn chiến lược và dài hạn hơn về triển khai AI
- Bằng cách tiếp thu những bài học này và áp dụng cách tiếp cận thực tế hơn, kiên nhẫn hơn với phát triển AI, các tổ chức có thể nâng cao khả năng thành công trong lĩnh vực mang tính chuyển đổi này
"Tương lai của AI rất sáng, nhưng chỉ dành cho những ai có thể vượt qua các thách thức rất con người nằm trên con đường đó. Khi ngành này trưởng thành hơn, những người có thể cân bằng giữa đổi mới và tính thực tiễn, đồng thời kết hợp xuất sắc kỹ thuật với nhạy bén kinh doanh, sẽ ở vị trí tốt nhất để khai thác tiềm năng thực sự của AI."
6 bình luận
Nếu doanh nghiệp có thể chịu đựng thất bại... Cuối cùng, kẻ trụ vững sẽ chiến thắng.
Bài đăng này thật sự rất đồng cảm ^^ Nếu được bắt bẻ một chút, thì trong ngữ cảnh này, "Publish" có lẽ dịch là "công bố bài báo" sẽ tự nhiên hơn là "xuất bản".
Một người rất thông thái từ lâu đã để lại một câu hỏi cốt lõi... Liệu có kiếm ra tiền không?
Doanh nghiệp thì đang cố kiếm lợi nhuận thật nhanh, lại chỉ bán mấy thứ AI này nọ chỉ được gắn mác, trong khi kỳ vọng của người dùng thì chắc hẳn là những thành quả của ít nhất hơn 10 năm đầu tư... Khó thật.
Hãy thử tưởng tượng các con số trên báo cáo tài chính sai bét do LLM tạo ra bị truyền đạt nhầm cho nhà đầu tư, thì một nhà quản lý lý trí hẳn đã không cuồng nhiệt với LLM đến vậy. Tôi nghĩ với một số người cứ cố chấp dù đã giải thích thế nào đi nữa, thì một trải nghiệm bẽ mặt sẽ là liều thuốc hữu hiệu.
Ý kiến trên Hacker News
Báo cáo RAND: có đoạn nói rằng "các bên liên quan trong ngành hiểu sai hoặc truyền đạt sai những vấn đề cần được giải quyết bằng AI"
Vấn đề thất bại trong đầu tư: vấn đề không nằm ở 80% thất bại, mà là trong 20% còn lại có thể có vài "thiên nga đen" đủ để biến toàn bộ danh mục đầu tư thành có lãi
Liên kết báo cáo Rand: Rand Report
Vấn đề lạm dụng AI: các công ty thường đưa ra chỉ thị kiểu "hãy nhét AI vào mọi nơi"
Tỷ lệ thành công của startup: quy luật 80/20 vẫn tốt hơn việc 90% startup thất bại trong vòng 3 năm
Lịch sử lặp lại: từng có trường hợp DART được triển khai vào năm 1991 và đến năm 1995 đã bù đắp toàn bộ ngân sách nghiên cứu AI của DARPA
Vấn đề về các tính năng AI: các tính năng AI tiếp tục được duy trì vì ban điều hành quá ám ảnh với AI
Tỷ lệ thành công của R&D: trong công nghệ tiên phong, việc 20% dự án thành công có thể đã là kết quả khá tốt
AI thay thế việc lập trình: có cái nhìn hoài nghi đối với tuyên bố rằng AI sẽ thay thế việc lập trình
Website bị sập: trang Wordpress bị sập vì không chịu nổi lưu lượng từ HN