Аннотация:В настоящей статье анализируются ошибки и причины неудач проектов, использующих машинное обучение. Технически, по данным академических статей, процент неудачных проектов достаточно большой. Системы машинного обучения естественным образом зависят от данных. Поэтому, самым простым ответом на вопрос о неудачах является объяснение, связанное с проблемами с данными. Но проблемы с успешностью проектов, на самом деле, довольно большие - в литературе приводятся такие цифры, как 87% неудачных проектов. Поэтому нужны более детальные объяснения – в условиях такого большого количества неудач, задача анализа таких ошибок становится более чем актуальной. В статье, на основе множества проанализированных работ, представлены суммарные данные по ошибкам и неудачам проектов, использующих машинное обучение, и проанализированы связи этих причин с требованиями устойчивости проектируемых систем. Показано, что большинство причин – это, на самом деле, отсутствие устойчивости для систем машинного обучения. В работе также показывается важность перехода к датацентрическим системам, представлены прогнозы по дальнейшему развитию моделей машинного обучения для критических применений.