Pengembangan perangkat lunak Agile telah lama dianggap sebagai cara yang sangat efektif untuk menghasilkan perangkat lunak yang dibutuhkan bisnis. Praktek ini telah berhasil dalam banyak organisasi selama lebih dari dua dekade. Agile juga merupakan dasar untuk scrum, DevOps, dan praktik kolaboratif lainnya. Namun, praktik agile mungkin kurang efektif dalam desain dan implementasi kecerdasan buatan (AI).
Insight itu berasal dari sebuah laporan terbaru oleh RAND Corporation, think tank kebijakan global, berdasarkan wawancara dengan 65 ilmuwan data dan insinyur dengan pengalaman minimal lima tahun membangun model AI dan machine learning di industri atau akademisi. Penelitian ini awalnya dilakukan untuk Departemen Pertahanan AS, selesai pada April 2024. “Terlalu sering, proyek AI terhenti atau tidak pernah dimulai,” kata salah satu penulis laporan, yang dipimpin oleh James Ryseff, analis kebijakan teknis senior di RAND.
Juga: Pengembangan Agile dapat membuka kekuatan generative AI – inilah caranya
Menariknya, beberapa spesialis AI melihat praktik pengembangan perangkat lunak agile formal sebagai penghalang untuk kesuksesan AI yang sukses. “Beberapa responden (10 dari 50) menyatakan keyakinan bahwa interpretasi kaku dari proses pengembangan perangkat lunak agile tidak cocok untuk proyek AI,” temuan para peneliti.
“Sementara gerakan perangkat lunak agile tidak pernah bermaksud mengembangkan proses yang kaku – salah satu prinsip utamanya adalah bahwa individu dan interaksi jauh lebih penting daripada proses dan alat – banyak organisasi meminta tim rekayasa mereka untuk secara universal mengikuti proses agile yang sama.”
Sebagai hasilnya, seperti yang diungkapkan salah satu responden, “item pekerjaan harus terus-menerus dibuka kembali dalam sprint berikutnya atau dibuat sangat kecil dan tidak bermakna untuk masuk ke dalam sprint satu minggu atau dua minggu.” Khususnya, proyek AI “memerlukan fase eksplorasi data awal dan eksperimen dengan durasi yang tidak dapat diprediksi.”
Juga: Bagaimana bisnis Anda dapat memanfaatkan AI dengan baik: Beritahu dewan Anda 4 hal ini
Penelitian RAND menunjukkan faktor lain yang dapat membatasi keberhasilan proyek AI. Sementara kegagalan TI telah didokumentasikan dengan baik selama beberapa dekade terakhir, kegagalan AI mengambil bentuk yang berbeda. “AI tampaknya memiliki karakteristik proyek yang berbeda, seperti persyaratan tenaga kerja dan modal yang mahal, dan kompleksitas algoritma yang tinggi, yang membuatnya tidak seperti sistem informasi tradisional,” kata para penulis penelitian.
“Karakteristik tinggi AI mungkin meningkatkan keinginan pemangku kepentingan untuk lebih memahami apa yang mendorong risiko proyek TI terkait AI.”
Tim RAND mengidentifikasi penyebab utama kegagalan proyek AI:
“Pemangku kepentingan industri sering salah paham – atau salah berkomunikasi – masalah apa yang perlu dipecahkan menggunakan AI. Terlalu sering, organisasi menerapkan model AI yang terlatih hanya untuk menemukan bahwa model-model itu telah mengoptimalkan metrik yang salah atau tidak cocok dengan alur kerja dan konteks keseluruhan.”
“Banyak proyek AI gagal karena organisasi kekurangan data yang diperlukan untuk melatih model AI yang efektif.”
“Organisasi lebih fokus pada menggunakan teknologi terbaru dan terbaik daripada memecahkan masalah nyata untuk pengguna yang dituju.”
“Organisasi mungkin tidak memiliki infrastruktur yang memadai untuk mengelola data mereka dan menerapkan model AI yang selesai, yang meningkatkan kemungkinan kegagalan proyek.”
“Teknologi diterapkan pada masalah yang terlalu sulit bagi AI untuk menyelesaikan. AI bukanlah tongkat ajaib yang dapat membuat masalah sulit menghilang; dalam beberapa kasus, bahkan model AI paling canggih tidak dapat mengotomatisasi tugas yang sulit.”
Sementara praktik agile formal mungkin terlalu rumit untuk pengembangan AI, tetap penting bagi profesional TI dan data untuk berkomunikasi secara terbuka dengan pengguna bisnis. Responden dalam studi merekomendasikan bahwa “daripada mengadopsi proses rekayasa perangkat lunak yang mapan – yang sering hanya berupa daftar tugas yang mewah – tim teknis harus berkomunikasi secara teratur dengan mitra bisnis mereka tentang keadaan proyek.”
Juga: Saatnya bagi bisnis untuk melampaui hype generative AI dan menemukan nilai nyata
Laporan tersebut menyarankan: “Pemangku kepentingan tidak suka ketika Anda mengatakan, ‘ini memakan waktu lebih lama dari yang diharapkan; saya akan kembali kepada Anda dalam dua minggu.’ Mereka penasaran. Komunikasi terbuka membangun kepercayaan antara pemangku kepentingan bisnis dan tim teknis dan meningkatkan kemungkinan bahwa proyek pada akhirnya akan berhasil.”
Oleh karena itu, pengembang AI harus memastikan staf teknis memahami tujuan proyek dan konteks domain: “Kesalahpahaman dan kesalahan komunikasi tentang maksud dan tujuan proyek adalah alasan paling umum kegagalan proyek AI. Memastikan interaksi yang efektif antara teknolog dan pakar bisnis dapat menjadi perbedaan antara keberhasilan dan kegagalan proyek AI.”
Tim RAND juga merekomendasikan memilih “masalah-masalah yang abadi”. Proyek AI memerlukan waktu dan kesabaran untuk diselesaikan: “Sebelum mereka memulai proyek AI apa pun, pemimpin harus siap untuk mengkomitmenkan setiap tim produk untuk memecahkan masalah spesifik setidaknya selama satu tahun. Jika proyek AI tidak layak untuk komitmen jangka panjang seperti itu, kemungkinan besar tidak layak untuk dijalankan sama sekali.”
Juga: Kapan waktu yang tepat untuk berinvestasi dalam AI? 4 cara untuk membantu Anda memutuskan
Sementara fokus pada masalah bisnis dan bukan solusi teknologi adalah penting, organisasi harus berinvestasi dalam infrastruktur untuk mendukung upaya AI, seperti yang disarankan oleh laporan RAND: “Investasi awal dalam infrastruktur untuk mendukung tata kelola data dan penerapan model dapat secara signifikan mengurangi waktu yang diperlukan untuk menyelesaikan proyek AI dan dapat meningkatkan volume data berkualitas tinggi yang tersedia untuk melatih model AI yang efektif.”
Terakhir, seperti yang disebutkan di atas, laporan tersebut menyarankan bahwa AI bukanlah tongkat ajaib dan memiliki keterbatasan: “Ketika mempertimbangkan proyek AI potensial, pemimpin perlu melibatkan ahli teknis untuk menilai kelayakan proyek.”