VentureBeat의 Transform 2019 는 AI 프로젝트의 87 %가 실패하고 현장에 적용하지 못하고 있다 라고 분석하였다. AI 프로젝트를 위한 실질적인 프로젝트 범위가 명확하지 않기 때문에 발생하고 있다. Andrew Ng이 AI 프로젝트를 효과적으로 계획하는 방법에 대한 프레임워크는 다음과 같다.
1 단계 : 비즈니스 문제 식별 (AI 문제 아님)
비즈니스를 최우선으로 생각하는 것이 가장 좋다. 먼저 해결할 가치가 있는 문제를 식별해야 한다. 해결할 수 있는지 여부는 나중에 처리 할 수 있지만 이 시점에서 초점은 비즈니스에만 집중하는 것이 우선순위이다.
2 단계 : AI 솔루션 브레인 스토밍
여러 해결책을 브레인 스토밍 한다 이 단계에서는 옳고 그른 해결책이 없으며 모든 사람의 의견을 반영한다. 여러 시간 동안 논의한 후 몇 가지 잠재적 솔루션만 도출하여 프레임워크의 다음 단계로 넘어간다.
3 단계 : 잠재적 솔루션의 타당성과 가치 평가
필요한 전문 지식, 컴퓨팅 성능 및 구현 비용 측면에서 AI 솔루션 및 비용이 많이 든다. 이 단계에서 몇 가지 잠재적 솔루션에 대해 심층 분석을 수행해야 한다. 도메인 전문가와 상담하거나 경쟁 업체가 수행 한 작업을 분석하거나 개념 증명을 구현하여 이를 수행 할 수 있다. 개념 증명은 솔루션을 테스트하는 동시에 비즈니스의 신뢰도를 얻는 데 효과적이다.
4 단계 : 마일스톤 결정
우리는 개발 팀이 프로젝트를 통해 목표로 삼아야 할 메트릭을 식별해야 한다. 까다로운 부분은 데이터 과학자 및 기계 학습 엔지니어로서 정확성, 정밀도, 재현율 등과 같은 기계 학습 지표에 익숙하다는 것이다. 이러한 마일스톤을 달성하는 것도 중요하지만 일부 비즈니스 메트릭을 정의하는 것도 중요하다.
5 단계 : 자원 예산
대부분의 AI 프로젝트가 저렴한 리소스 비용으로 인해 실패한다는 소식을 듣고 있다. AI 프로젝트를 성공적으로 개발, 배포 및 유지 관리하는 데 필요한 리소스를 고려해 볼 가치가 있다.
