بیشتر برنامه‌های دیجیتال پیش از آموزش نخستین مدل شکست می‌خورند
شکست تقریباً هرگز از الگوریتم نیست. از این است که تاریخچه‌ای که الگوریتم به آن نیاز داشت هرگز ثبت نشده بود.
7 دقیقه مطالعه
یک الگو در پروژه‌های دیجیتال‌سازی بالادستی مدام تکرار می‌شود. یک برنامهٔ دوازده‌ماهه تصویب می‌شود. ماه یک تا چهار صرف تدارکات و زیرساخت می‌شود. ماه پنج و شش صرف استخراج داده، و همین‌جاست که پروژه بی‌سروصدا شکلش عوض می‌شود: معلوم می‌شود سامانهٔ تاریخچه‌نگار تگ‌ها را با باند مرده فشرده کرده، سوابق نگهداری حالت خرابی را مشخص نکرده‌اند، و نام چاه‌ها در سه سامانه با هم نمی‌خوانند.
تا ماه هفتم، تیم دارد سر کاهش دامنهٔ کار مذاکره می‌کند. تا ماه دوازدهم یک داشبورد هست، و نتیجه‌ای که در گزارش اختتام نوشته می‌شود این است که یادگیری ماشین منفعت مورد انتظار را نداد.
این نتیجه‌گیری به شکلی مشخص و پرهزینه غلط است. مدل‌ها هیچ‌وقت قید کار نبودند. قید این بود که داده‌ای که برای آموزش و اجرای آن‌ها لازم است اصلاً ثبت نشده بود، و هیچ‌کس پیش از تعهد بودجه این را بررسی نکرده بود.
به همین دلیل است که ما پیش از هر چیز یک ارزیابی آمادگی دادهٔ پولی می‌فروشیم، و به همین دلیل است که آن ارزیابی مرتب به این نتیجه می‌رسد که بهره‌بردار باید شش ماه صرف اصلاح کند پیش از آنکه چیز دیگری از ما بخرد. این در یک گفت‌وگوی فروش پیشنهاد ناخوشایندی است و بسیار کم‌آزارتر از گزینهٔ دیگر است، یعنی کشف همین واقعیت‌ها در ماه هفتم، وقتی یک سال بودجه خرج شده است.
آزمون عملی‌اش آن‌قدر ساده هست که خودتان اجرایش کنید. قابلیتی را که بیشتر از همه می‌خواهید انتخاب کنید. دقیقاً بنویسید چه ورودی‌هایی لازم دارد، با چه تناوبی، و روی چه بازه‌ای از گذشته. بعد بروید و پیدایشان کنید. جواب معمولاً آموزنده است، و همیشه همین حالا ارزان‌تر تمام می‌شود.