Pengembangan perangkat lunak yang tangkas telah lama dianggap sebagai metode yang sangat efektif untuk menghadirkan perangkat lunak yang dibutuhkan bisnis. Pendekatan ini telah berhasil dengan baik di banyak organisasi selama lebih dari dua dekade. Agile juga menjadi landasan bagi Scrum, DevOps, dan praktik kolaboratif lainnya. Namun, praktik tangkas mungkin memiliki kekurangan dalam desain dan implementasi kecerdasan buatan (AI).
Wawasan ini berasal dari laporan terbaru oleh RAND Corporation, sebuah wadah pemikir kebijakan global, berdasarkan wawancara dengan 65 ilmuwan dan insinyur data yang memiliki pengalaman setidaknya lima tahun dalam membangun kecerdasan buatan di industri atau akademisi. Studi ini awalnya dilakukan untuk Departemen Pertahanan A.S. dan selesai pada bulan April 2024. Di Rand.
Plus: Pengembangan yang tangkas dapat melepaskan kekuatan kecerdasan buatan generatif — begini caranya
Menariknya, beberapa pakar AI memandang praktik pengembangan perangkat lunak tangkas formal sebagai penghalang keberhasilan AI. Para peneliti menemukan: “Beberapa responden (10 dari 50) menyatakan bahwa interpretasi ketat terhadap proses pengembangan perangkat lunak tangkas tidak sesuai untuk proyek AI.”
“Meskipun pergerakan perangkat lunak tangkas tidak pernah bermaksud untuk mengembangkan proses yang kaku—salah satu prinsip utamanya adalah bahwa individu dan interaksi jauh lebih penting daripada proses dan alat—banyak organisasi mengharuskan tim teknik mereka untuk mengikuti proses tangkas yang sama.”
Akibatnya, seperti yang dikatakan salah satu orang yang diwawancarai, “proyek kerja harus dibuka kembali pada sprint berikutnya atau menjadi sangat kecil dan tidak berarti serta tidak dapat ditampung dalam sprint satu atau dua minggu.” fase awal eksplorasi dan eksperimen data dan durasinya tidak dapat diprediksi.”
Plus: Cara terbaik bagi bisnis Anda untuk memanfaatkan kecerdasan buatan: Sampaikan empat hal ini kepada dewan direksi Anda
Penelitian dari RAND Corporation menunjukkan bahwa faktor-faktor lain mungkin membatasi keberhasilan proyek AI. Meskipun kegagalan TI telah didokumentasikan dengan baik selama beberapa dekade terakhir, kegagalan AI mempunyai tampilan yang berbeda. “Kecerdasan buatan tampaknya memiliki karakteristik proyek yang berbeda, seperti kebutuhan tenaga kerja dan modal yang mahal serta kompleksitas algoritmik yang tinggi, yang menjadikannya berbeda dari sistem informasi tradisional,” kata rekan penulis studi tersebut.
“Sifat AI yang menonjol dapat meningkatkan keinginan para pemangku kepentingan untuk lebih memahami pendorong risiko proyek TI terkait AI.”
Tim RAND mengidentifikasi alasan utama mengapa proyek AI gagal:
- “Pemangku kepentingan industri sering salah memahami atau salah memahami masalah apa yang perlu diselesaikan dengan menggunakan AI. Organisasi yang menerapkan model AI yang terlatih sering kali mendapati bahwa model ini mengoptimalkan metrik yang salah atau tidak sesuai untuk keseluruhan alur kerja dan lingkungan.”
- “Banyak proyek AI yang gagal karena organisasi tidak memiliki data yang diperlukan untuk melatih model AI yang efektif.”
- “Organisasi ini lebih fokus pada penggunaan teknologi terbaru dan terhebat daripada memecahkan masalah nyata bagi pengguna sasarannya.”
- “Organisasi mungkin tidak memiliki infrastruktur yang memadai untuk mengelola data dan menerapkan model AI secara penuh, sehingga meningkatkan kemungkinan kegagalan proyek.”
- “Teknologi ini cocok untuk permasalahan yang sulit diselesaikan dengan kecerdasan buatan. Kecerdasan buatan bukanlah tongkat ajaib yang dapat menghilangkan masalah yang menantang; dalam beberapa kasus, bahkan model kecerdasan buatan yang paling canggih sekalipun tidak dapat memecahkan masalah secara otomatis. tugas.
Meskipun praktik tangkas formal mungkin terlalu rumit untuk pengembangan AI, komunikasi terbuka dengan pengguna bisnis tetap penting bagi para profesional TI dan data. Responden dalam penelitian ini merekomendasikan bahwa “tim teknis tidak boleh mengadopsi serangkaian proses rekayasa perangkat lunak (yang sering kali tidak lebih dari sekadar daftar tugas yang harus dilakukan) namun harus sering berkomunikasi dengan mitra bisnis mengenai status proyek.”
Ditambah lagi: Sudah waktunya bagi perusahaan untuk menghilangkan hype tentang AI generatif dan menemukan nilai sebenarnya
Laporan tersebut menyarankan: “Pemangku kepentingan tidak suka jika Anda mengatakan, 'Ini memakan waktu lebih lama dari yang diharapkan; saya akan menghubungi Anda kembali dalam dua minggu.'” Mereka penasaran.
Oleh karena itu, pengembang AI harus memastikan bahwa staf teknis memahami tujuan proyek dan konteks domain: “Kesalahpahaman dan komunikasi yang buruk tentang maksud dan tujuan proyek adalah alasan paling umum kegagalan proyek AI proyek kecerdasan buatan yang sukses dan gagal.
Tim RAND juga merekomendasikan untuk memilih “masalah kegigihan”. Proyek AI membutuhkan waktu dan kesabaran untuk diselesaikan: “Sebelum memulai proyek AI apa pun, para pemimpin harus bersiap untuk meminta setiap tim produk menangani masalah tertentu setidaknya selama satu tahun. Mungkin tidak ada gunanya berkomitmen sama sekali.
Juga: Kapan waktu terbaik untuk berinvestasi dalam kecerdasan buatan? 4 cara untuk membantu Anda memutuskan
Laporan RAND merekomendasikan bahwa meskipun fokus pada masalah bisnis sangat penting dibandingkan solusi teknis, organisasi harus berinvestasi pada infrastruktur untuk mendukung upaya AI: “Investasi awal pada infrastruktur yang mendukung tata kelola data dan penerapan model dapat secara signifikan mengurangi kebutuhan waktu untuk menyelesaikan masalah. AI memproyeksikan dan meningkatkan jumlah data berkualitas tinggi yang tersedia untuk melatih model AI yang efektif.
Terakhir, seperti disebutkan di atas, laporan tersebut menunjukkan bahwa AI bukanlah sebuah tongkat ajaib dan memiliki keterbatasan: “Saat mempertimbangkan potensi proyek AI, para pemimpin perlu menyertakan pakar teknis untuk menilai kelayakan proyek tersebut.”