在实施人工智能的计划中，一些企业可能会忽略一些重要的细节，这些细节可能意味着人工智能计划成败之间的差异。
在获得市场竞争优势的过程中，很多企业急于采用新兴技术。然而在匆忙实施的情况下，一些企业由于缺乏扎实的基础而在应用中陷入困境。
分析决策平台提供商FICO公司首席分析官Scott Zoldi说：“很多企业想采用人工智能技术解决问题，只是因为它是人工智能，而不是因为它是一种更好的解决方案。因此，这些企业必须从治理的角度开发人工智能，也就是从项目角度和道德角度讨论数据、成功标准和风险的治理过程。”
一些企业的人工智能计划之所以失败，是因为他们的想法不够充分和明智。例如：
人工智能计划是与业务战略分开创建的，因此不会产生战略影响。
成功的标准过于宽泛，因为它们没有包含具体的成功指标(例如，“希望更具竞争力”，而不是“希望将欺诈减少15%，同时减少30%的误报率”)。
未考虑变更管理方面，因此其计划面临阻力。
哈佛商学院工商管理学教授Marco Iansiti说：“跨业务部门的共享功能或共享数据变得比单个部门的自治更为重要。这给传统企业带来了各种困难。”
人工智能的使用已成为一个战略问题，以至于首席执行官需要参与定义其公司的人工智能战略。
咨询机构埃森哲公司北美地区应用智能业务主管Arnab Chakraborty说：“早些时候，我们看到的是首席信息官、首席技术官和一些首席执行官参与制定公司的人工智能战略，但现在首席执行官们意识到，这将重新定义他们所在行业和所在公司的未来。他们认为这是在人工智能走向未来的背景下对他们业务的重塑。”
通过以整体方式对计划进行思考，并让价值流中的人员能够从各个方面进行思考，这样可以避免或减少一些常见的失误，这些方面包括机会、风险、潜在影响、成功因素、数据要求、合规性问题、治理等。其他成功因素也会随之而来。
1.了解为什么需要人工智能
许多企业面临采用人工智能的竞争压力。但是，更好的方法是退后一步，详细了解企业要完成的工作，然后考虑实际需要做些什么。
关注数据智能和自动化的全球IT咨询机构NTT DATA Services公司高级总裁Theresa Kushner说：“企业需要了解为什么需要采用人工智能技术。在没有计划如何使用它或没有期望目标的情况下创建人工智能或机器学习算法将会浪费资金和人才。采用人工智能解决问题才是第一步。事实表明，大约有六分之一的项目能够带来投资回报。”
Kushner表示，需要记住的是，人工智能用于不同目的，例如降低成本、增加收入、预测结果或优化流程。即使断定人工智能技术可以解决此类问题，但可能仍缺少解决这些问题所需的数据。
2.训练优质数据
永远不要低估数据的力量。如果它很杂乱，那么这是一种自然状态，企业收集的数据通常是不一致、不准确、不完整或重复的。当使用没有清理过的数据作为训练数据时，可能会导致不良结果，例如较差的建议和错误的结论。
移动和网络应用平台提供商ISBX公司总裁Arthur Iinuma说，“人工智能具有强大的能力，但任何人工智能解决方案都只能与其源数据一样好。在任何人工智能实施之前，必须采取措施确保数据质量和可用性，并定义清晰和可衡量的关键绩效指标。全面清洁的数据集对于确保最佳结果至关重要。”
3.认识到实验室结果和现实世界的结果可能不同
一些人工智能试点项目在实验室中工作良好，但在现实世界中却表现不佳，因为现实世界要复杂得多且随机得多。同样，一个成功的用例并不能保证人工智能应用于另一种用例时也会表现良好。
人工智能开发商BeyondMinds公司首席执行官Rotem Alaluf说：“现实世界中的人工智能与实验室中的人工智能并不完全相同，其解决方案应该更加完整、稳定以及适应性强。这就像专业选手和业余选手的区别一样。虽然采用的是相同的游戏规则，但是反应和适应意外的技能和能力不同。我们需要了解实验室人工智能技术的局限性，了解在现实世界中如何从中创造价值，并在企业中以可扩展的方式使用。”
4.人工智能获得成功需要团队的努力
人工智能技术总是离不开数据科学家的参与。人工智能项目实际上是一项团队活动，它需要获得企业管理人员的支持和跨职能业务部门的协作。
Betsy说：“让相关的业务和产品决策者、数据所有者和经理、工程团队和数据科学家协同工作是至关重要的。如果缺少一些利益相关者的支持，成功的可能性就很校在大型企业中，尤其是那些业务职能分工分明的企业，建立所需的跨职能团队可能很困难。企业需要确保在每个区域的报告链中都得到支持。”
例如，如果数据科学团队与领导人工智能计划的产品团队位于企业的不同部门，那么明智的做法是获得管理数据科学家的管理者的支持，以避免优先排序或资源冲突。
5.使人工智能计划与产品路线图保持一致
全球专业信息、软件解决方案和服务提供商Wolters Kluwer公司数据科学总监John Langton指出，人工智能计划本身并不是人工智能战略。企业的管理人员必须明白，人工智能不是一种产品，而是新产品的推动者。然而，产品经理往往不能很好地理解这些。
Langton说，“一个成功的人工智能计划需要以产品开发团队、企业管理者和技术领导者之间不断进行的对话为中心，以开发功能完善的人工智能工具。优秀的数据科学家可以向产品团队提供技术方面的可行性，而产品团队可以将市场推向市场和客户专业知识来确保解决实际问题。这还使两个团队都能将人工智能检查点纳入产品路线图中，而不必将其视为一个单独的研发产品。数据科学家和产品团队紧密配合，可以使企业对人工智能应用的结果设定期望。”
6.监测漂移模型
随着新数据的大量出现，人工智能的模型往往会漂移，随着时间的推移变得越来越不准确，因此它们可能需要调整或重新训练。
网络服务和网络安全解决方案提供商Juniper Networks公司人工智能驱动业务副总裁兼首席技术官Bob Friday说：“要构建成功的人工智能计划，IT团队必须接受人工智能模型的动态特性，并投入时间和精力对其进行训练，就像经验丰富的员工必须培训新员工一样。在这一过程中，企业必须拥有经验丰富的技术团队，以分析人工智能模型的性能和提供的结果。通过提供持续的反馈，人工智能模型将调整它们的逻辑，进而更准确、更有效地解决问题。”
7.不道德的人工智能可能会影响企业的品牌和声誉
人工智能出错会导致各种问题，其中包括法律问题、监管罚款和声誉受损。在微软公司的Tay机器人变得满嘴脏话以及亚马逊公司人力资源智能机器人产生性别歧视的数年之后，这些引人注目的例子仍被作为典型示例，用来说明如果未对人工智能进行严格监控或训练数据有偏见，几年后仍可能会出问题。
LivePerson公司首席技术官Alex Spinelli说：“人工智能会做出各种各样的决定，但它能做出正确的决定吗?通常情况下，它充满了人类产生的杂乱数据的无意识偏见。人工智能还不足以帮助我们变得更聪明、更快、更有效率，无论做了些什么，人工智能技术需要成为造福世界的力量。如果企业采用不健全的业务策略，他们很可能会发现自己在未来面临法律问题。”
8.在人工智能学习的同时，人类也应该学习
如今有职场人士想获得成功，就必须成为终身学习者。与此同时，人工智能系统正在“学习”如何做各种各样的事情，无论是向顾客推荐一部新电影，还是在高峰时段识别地铁中乘客的可疑行为。随着人工智能的功能在工作中不断增强，帮助人们更有效地完成工作，两者应该同时学习。人类需要学习如何更有效地使用人工智能，与此同时，人工智能系统学习用户的偏好和行为，从而学习如何更有效地与人类合作。两者都需要持续的学习，以便他们能够更有效地适应变化。
专业服务商德勤公司联盟关系副总裁Anthony Ciarlo表示：“某些计划未能提供投资回报率的原因之一是技能差距，或者在企业的工具和流程经过更新和升级之后，缺乏对人工智能系统和人员的培训。人工智能是不断变化的，它需要企业的承诺来投资于员工的学习和培训。”
9.以渐进方式实施人工智能计划
成功的人工智能计划是逐步发展完善的，也就是说，如果企业尝试在开发和使用过程之前过早解决过多的问题，可能从而导致效果不佳、投资回报率低或没有回报。
德勤公司云计算、人工智能/机器学习业务负责人Chida Sadayappan说。“企业要想在人工智能计划中取得成功，要做的一件事就是逐步渐进地采用人工智能。在确定了人工智能/机器学习用例之后，必须以增量方式实施，因为在最初的部署中可能无法达到预期的结果。即使在最初部署之后，要为人工智能/机器学习建模的数据的收集和准备也必须经过一些反复的过程。因此，以渐进方式实施人工智能计划往往是成功的因素。”
10.人工智能不仅仅是算法和模型
当人工智能的收益和成功还取决于人员和流程时，人工智能通常只以技术术语(如模型和算法)来看待。企业实施人工智能的目的应该是推进业务目标。
IBM公司全球首席人工智能官Seth Dopin表示：“企业首先要明确定义人工智能项目的意图，然后为该技术定义特定的用例，这将有助于确定需要哪种类型的人工智能解决方案以及如何将它们集成到企业的基础设施。在此基础上，评估输入到人工智能模型中的数据源，并使用意图作为技术实施的指导，为人工智能设置具体的行动。通过这个过程，企业可以通过将每个解决方案应用在人工智能策略中，并在企业的业务中实现人工智能。”
相关文章
