这是一个令人震惊的统计数据：根据《2019麻省理工学院SMR-BCG人工智能全球高管研究报告》，在投资人工智能(AI)的10位高管中，有7位高管表示，他们对自己的影响很小或没有影响。
问题的核心可能是对AI的功能和需求普遍缺乏了解。珠峰集团副总裁Anil Vijayan表示：“目前很多企业对AI解决方案的期望值过高。”"这通常会导致预期和可实现之间的不匹配."
然而，“更精通AI”并不是最小的区别。事实上，人工智能项目的失败有一些更具体和反复出现的原因——信息技术领导者可以采取一些措施来增加成功的机会。以下是八个最常见的错误和误判，这可能表明人工智能项目的失败。
AI项目失败的八大原因
1.发光物质疾病
业务转型和外包咨询公司Pace Harmon的JP Baritugo表示：“大多数数字化之旅都是从技术至上的方向出发，深入到解决方案的功能(例如)来确认它所使用的机器学习库。“相反，公司应该首先简要说明它想要解决的关键业务需求。一旦确定了目标，这些目标将促进和告知采取哪些数字化和转型干预措施，包括人工智能。”
许多领导者可能不知道人工智能在组织中的最佳使用位置。与业务部门密切合作，确定AI可以解决现有问题的领域，或者关注其他人认为AI有价值的领域(如营销、财务规划或风险分析)，都可以成为一个很好的起点。
2.训练数据不足
"人工智能解决方案需要带标签的有意义的训练数据集."
Vijayan说：“人工智能解决方案确实需要有意义和标记的训练数据集来达到预期的结果。”"通常，缺乏训练数据是失败的主要原因."根据应用的人工智能类型，这可能意味着数千到数百万个数据样本可以训练模型。
3.糟糕的数据治理
垃圾输入和垃圾输出仍然适用。巴里图戈说：“大多数企业低估了优质数据对AI实施成功的重要性。“不幸的是，一些公司的数据治理和数据卫生习惯很差，这导致数据被怀疑、复制或在其他地方调用其他内容。此外，这些公司有许多分散的系统，其中包含所需的零碎信息。”
倾斜的数据样本也可能带来风险。Vijayan说：“例如，这可能会导致过度组装等问题，从而导致生产中的不正确输出。”“人工智能系统只会学习它们得到的东西。因此，通过机器学习和传播，总是有人类偏见的风险。”
【如何防止AI偏见？也请阅读AI偏见：IT主管应该问的9个问题。]
必须建立主数据管理和治理，并且必须开发中央数据存储库(数据参与平台或数据湖)。《AI驱动的企业：利用本体的力量使您的业务更智能，更快，更多》的作者Seth Earley说：“要创造革命性的AI解决方案，我们需要一个完整、协作和集成的信息流。有利可图。Earley表示，能够为AI提供信息、增强其功能的数据和数据关系的一致表示，是AI驱动转型的“主要知识支撑”。
4.低估相关的文化变化
"员工正在适应他们作为异常处理者和培训者的新角色."
根据Gartner的报告《2020年预测：人工智能通往生产之路》:“将AI引入客户和员工的文化影响力在很大程度上被低估了。人们意识到AI承担的是员工的任务而不是工作，所以人与机器之间的新动态正在被研究。员工正在适应他们作为异常处理者和训练者的新角色，这通常被称为与AI系统共生关系中的增强智能。”
考虑制定计划来提高员工的理解和技能，并增加接受度和参与度。Pacemon的Baritugo指出：“人工智能项目可以从根本上改变工作执行和决策的方式。”“如果没有谨慎的变更管理，业务用户可能不会接受人工智能结果(或以怀疑的态度看待它们)，并削弱人工智能的整体采用。”
标签：