Rozwiązania oparte na sztucznej inteligencji często zawodzą, gdy specjaliści ds. danych nie weryfikują swoich założeń. W każdej dziedzinie przyjęcie postawy początkującego może okazać się pomocne.
Wieloletnie doświadczenie we wdrażaniu uczenia maszynowego (ML) w firmach, zarządzaniu nim i analizie jego funkcjonowania pokazało nam, że niepowodzenia projektów często wynikają z tego, że utalentowane i dobrze wyposażone zespoły data science przeoczają lub błędnie interpretują z pozoru proste elementy kontekstu biznesowego. Te braki stanowiły istotną przeszkodę w poprawnym rozumieniu danych, ich otoczenia oraz potrzeb użytkowników końcowych, co ostatecznie zagrażało efektywności i wartości, jaką modele ML mogłyby przynieść w praktyce.
Zauważyliśmy, że drobne błędy i nieporozumienia rzadziej prowadzą do porażek, gdy zespoły deweloperskie ściśle współpracują z działem biznesowym i zadają odpowiednią liczbę pytań, aby w pełni zrozumieć proces oraz problem, z którym się mierzą. Choć pytanie może wydawać się proste, często nie jest integralną częścią kultury danej organizacji, zespołu czy nawet całej branży. W wielu przypadkach demonstrowanie wiedzy i kompetencji jest jedynym sposobem na wykazywanie się w strukturach organizacyjnych. Mimo że specjaliści ds. danych zazwyczaj wyróżniają się zaawansowanymi umiejętnościami technicznymi, często brakuje im tzw. umiejętności miękkich, które są kluczowe do nawiązywania głębokiej, precyzyjnej komunikacji i zrozumienia z partnerami biznesowymi.
Jednocześnie partnerzy biznesowi nierzadko mają opory przed zadawaniem pytań i nie zawsze mają świadomość, jakie informacje lub kontekst mogą okazać się istotne dla zespołów data science. Zarówno po stronie biznesu, jak i zespołów technicznych konieczna jest intensywna współpraca, aby ich interakcje umożliwiały nowe odkrycie, a czasem nawet prowadziły do zakwestionowania założeń i w konsekwencji zidentyfikowania najistotniejszych aspektów kontekstu biznesowego.
