Pengembangan perangkat lunak yang tangkas telah lama dipandang sebagai cara paling efektif untuk menghadirkan perangkat lunak yang dibutuhkan bisnis. Praktik ini telah berhasil dengan baik di banyak organisasi selama lebih dari dua dekade. Agile juga merupakan dasar dari scrum, DevOps, dan praktik kolaboratif lainnya. Namun, praktik tangkas (agile) bisa saja gagal dalam mengembangkan dan menerapkan kecerdasan buatan (AI).
Wawasan ini diperoleh dari laporan terbaru RAND Corporation, sebuah wadah pemikir kebijakan internasional, berdasarkan wawancara dengan 65 ilmuwan dan insinyur yang memiliki setidaknya lima tahun pengalaman membangun sistem AI dan pembelajaran mesin di industri atau akademisi. Studi tersebut, yang dilakukan di Departemen Pertahanan AS, selesai pada April 2024. “Dalam banyak kasus, tugas AI terganggu atau tidak dijalankan,” kata rekan penulis laporan tersebut, yang dipimpin oleh James Ryseff, seorang ahli teknologi. pakar. di RAND.
Selain itu: Pengembangan tangkas dapat membuka kekuatan keluaran AI – begini caranya
Menariknya, sejumlah pakar AI melihat perilaku pemrograman sistematis sebagai jalan menuju kesuksesan AI. “Mayoritas responden (10 dari 50) menyatakan keyakinan bahwa interpretasi kaku terhadap proses pengembangan perangkat lunak yang menua tidak akan kompatibel dengan aplikasi AI,” para peneliti menemukan.
“Meskipun tim perangkat lunak lama tidak ingin menciptakan proses yang kaku – salah satu nilai terbesarnya adalah bahwa manusia dan komunikasi lebih penting daripada proses dan alat – banyak organisasi ingin tim teknik mereka mengikuti proses yang sama.”
Akibatnya, seperti yang dikatakan salah satu orang yang diwawancarai, “item pekerjaan berulang kali harus dibuka kembali pada kompetisi berikutnya atau dibuat secara memalukan dan tidak berarti untuk dicocokkan dengan kompetisi satu minggu atau dua minggu.” Secara khusus, proyek AI “memerlukan tahap awal analisis dan pengujian data dengan jangka waktu yang tidak diketahui.”
Juga: Bagaimana bisnis Anda dapat memanfaatkan AI secara maksimal: Beri tahu tim Anda empat hal ini
Sebuah studi RAND menyebutkan ada beberapa faktor yang dapat membatasi keberhasilan proyek AI. Meskipun kegagalan TI telah terdokumentasi dengan baik selama beberapa dekade terakhir, kegagalan AI mempunyai bentuk yang berbeda. “AI tampaknya memiliki karakteristik proyek yang berbeda, seperti pekerjaan berbiaya rendah dan kebutuhan modal serta kompleksitas algoritma yang tinggi, yang menjadikannya berbeda dari sistem informasi tradisional,” kata rekan penulis studi tersebut.
“Sifat AI yang canggih dapat meningkatkan keinginan para pemangku kepentingan untuk lebih memahami faktor risiko proyek TI terkait AI.”
Tim RAND telah mengidentifikasi penyebab utama kegagalan proyek AI:
- “Mitra industri sering kali tidak memahami — atau bingung — masalah apa yang harus diselesaikan dengan menggunakan AI. Seringkali, organisasi menggunakan model AI yang terlatih hanya untuk menemukan bahwa model tersebut menghasilkan metrik yang salah atau tidak konsisten dengan alur kerja dan proses. Semuanya.”
- “Banyak proyek AI yang gagal karena organisasi tidak memiliki data yang dibutuhkan untuk melatih model AI yang efektif.”
- “Organisasi lebih fokus pada penggunaan teknologi dan teknologi dibandingkan penyelesaian masalah nyata bagi mereka yang ingin menggunakannya.”
- “Organisasi mungkin tidak memiliki sumber daya yang cukup untuk mengelola data mereka dan menerapkan model AI yang sudah jadi, sehingga meningkatkan kemungkinan kegagalan proyek.”
- “Teknologi ini digunakan untuk permasalahan yang terlalu sulit untuk diselesaikan oleh AI. AI bukanlah tongkat ajaib yang dapat menyelesaikan setiap permasalahan sulit; terkadang, bahkan model AI yang paling canggih pun tidak dapat menyelesaikan tugas yang sulit.”
Meskipun sistem yang kaku mungkin penting bagi pengembangan AI, tetap penting bagi profesional TI dan profesional informasi untuk berkomunikasi secara bebas dengan pengguna bisnis. Responden dalam studi tersebut merekomendasikan bahwa “daripada mengadopsi proses rekayasa perangkat lunak — yang seringkali hanya berupa daftar hal-hal yang harus dilakukan — tim teknik harus berkomunikasi secara teratur dengan bisnis mereka tentang kemajuan proyek.”
Juga: Saatnya bagi bisnis untuk melampaui hype AI dan menemukan nilai nyata
Laporan tersebut mengatakan: “Pemangku kepentingan tidak senang ketika Anda mengatakan, ‘ini memakan waktu lebih lama dari yang diharapkan, saya akan menghubungi Anda kembali dalam dua minggu.’ Mereka penasaran. Komunikasi terbuka membangun kepercayaan antara mitra bisnis dan tim teknis dan meningkatkan peluang kesuksesan proyek.”
Oleh karena itu, perancang AI harus memastikan bahwa staf teknis memahami tujuan proyek dan apa yang sedang terjadi: “Ketidaksepakatan dan kesalahpahaman tentang maksud dan tujuan proyek adalah alasan kegagalan proyek AI. Perbedaan antara keberhasilan dan kegagalan proyek AI.”
Tim RAND juga merekomendasikan untuk memilih “tantangan ketahanan”. Proyek AI memerlukan waktu dan kesabaran untuk diselesaikan: “Sebelum memulai proyek AI apa pun, para pemimpin harus bersedia memberikan setiap tim untuk memecahkan masalah tertentu selama satu tahun. , tidak perlu berkomitmen sama sekali.”
Juga: Kapan waktu terbaik untuk berinvestasi di AI? 4 cara untuk membantu Anda memutuskan
Meskipun berfokus pada masalah bisnis dibandingkan pendekatan teknis adalah hal yang penting, organisasi harus berinvestasi secara finansial untuk mendukung inisiatif AI, laporan RAND mengatakan: “Berinvestasi sejak awal dalam pengembangan untuk mendukung tata kelola data dan penyampaian model dapat mengurangi waktu yang dibutuhkan untuk menyelesaikan AI. memproyeksikan dan dapat meningkatkan jumlah data berkualitas tinggi untuk melatih model AI yang efektif.”
Terakhir, seperti disebutkan di atas, laporan tersebut menyatakan bahwa AI bukanlah tongkat ajaib dan memiliki keterbatasan: “Saat memikirkan proyek AI, para pemimpin harus menyertakan pakar teknis untuk menilai kelayakan proyek tersebut.”
