Vatsal Ghiya, PDG et co-fondateur de Shaip, a 20 ans d'expérience dans l'offre de solutions d'IA de soins de santé pour de meilleurs soins aux patients. Dans cette fonctionnalité invitée, il a expliqué la raison pour laquelle Machine Learning Project échoue et ce qu'il faut garder à l'esprit pour en faire un succès.
La clé à retenir de l'article est
- Si vous n'êtes pas conscient de la façon dont vous avancez avec les nouvelles tendances technologiques, tout le processus peut mal tourner. Selon VentureBeat, environ 87 % des projets d'IA échouent en raison de nombreux facteurs intrinsèques. Et ces échecs coûtent également d'énormes pertes d'argent à l'entreprise.
- La raison de l'échec de ces projets ML est due à un manque d'expertise, à un volume et à une qualité de données inférieurs à la moyenne, à un étiquetage erroné, à un manque de collaboration appropriée, à une stratégie de données datée, à l'absence d'un leadership efficace et à un biais de données désagréable.
- Bien qu'il puisse y avoir de nombreuses raisons pour lesquelles les projets ML échouent, il est important de garder tous les pointeurs à l'esprit si vous souhaitez implémenter des modèles ML dans votre organisation. Par conséquent, il est conseillé de faire appel à un fournisseur de services crédible de bout en bout pour la gestion des projets ML et d'obtenir une meilleure précision et efficacité.
Lire l'article complet ici:
