（文章來源：交馳智能）

要在當今市場上具有競爭力，人工智能（AI）顯然是必不可少的。但是，即使對于某些世界頂級公司來說，實施這項技術也一直充滿著挑戰。數據存在問題，無法找到合適的人才，無法創建可產生足夠投資回報率的模型。結果是許多AI項目都失敗了。根據IDC調查顯示，只有大約35％的組織成功地將模型投入到了生產。

“雖然我們看到AI技術執行了一系列令人難以置信的任務，例如Google Translate，AlphaGo等，但很難說出AI能夠解決哪些具體的業務問題，”Akur Goyal首席執行官表示。“這引起了很大的混亂，并且一個供應商社區通過將事物標記為AI來利用它，但實際并不是AI。這讓人想起了上個世紀初，云技術開始興起，我們進行了大量的云計算工作。當他們的產品還是霧件時，我們就讓供應商將此營銷為云播放器。同樣，我們現在正在經歷一場AI洗禮。”

那么，如果您的公司正在考慮運用AI，那么最好的開始方式是什么？該如何幫助提高成功幾率并避免陷阱？人工智能不是魔術。它不能解決您公司的所有問題。相反，您需要對技術采取實際的方法。

“與傳統的數據分析不同，支持人工智能的機器學習（ML）模型不會總是提供明確的答案，” Cloudera數據工程高級產品營銷經理Santiago Giraldo說道。“將AI融入業務需要進行實驗，并了解并非每個實驗都會提高ROI。當一個AI項目成功時，它通常是建立在許多失敗的數據科學實驗之上的。對ML和AI采用投資組合方法可延長項目的壽命，并在未來更有效地基于成功經驗來進行開發。”

有趣的是，在很多情況下，該技術實際上只是被過度利用了！Veritone產品管理高級總監Gus Walker說到：“企業通常在進行AI項目時沒有意識到手動進行流程可能會便宜一些，而不是花費大量時間和金錢來建立一個不會節省公司時間或金錢的系統。”誰都不想在同一個項目花費大量時間和金錢之后，才意識到它存在法律或合規性限制。這意味著必須放棄之前的努力。

ServiceNow平臺AI工程高級總監Debu Chatterjee說道：“首先，未經允許，不得使用客戶數據。第二，應該減輕數據偏見。應當避免使用無法通過API進行偏差測試的黑匣子模型。幾乎任何AI模型都存在偏差的風險，即使在算法決策中也是如此，無論該算法是從數據中學習還是由人類編寫的。

在AI項目的早期階段，應該進行很多頭腦風暴。這也應涉及組織中各個部門的人員，這將有助于使用功效。目的是確定要解決的業務問題。

“對于許多公司來說，問題是它們是從對技術的需求開始的，而不是從實際的業務需求開始，” DataRobot的AI戰略副總裁Colin Priest說道，“這讓我想起了史蒂夫·喬布斯（Steve Jobs）的一句名言：‘你必須從客戶體驗開始，然后回到技術中來。而不能從這項技術開始，然后試圖找出你要賣掉它的地方。’”

要解決的問題也應該是具體的（即可以衡量的問題），并且要狹窄，不能太寬。Aspen Technology公司APM咨詢高級總監Mike Brooks表示：“這是一小步。不要去犯試圖讓AI適用于所有事物的錯誤。在分析了每個AI計劃的價值之后，真正的收益將在解決一個非常具體的目標時出現。”

盡管估算項目的投資回報率很重要，但對方程式成本方面的關注往往很少。但這可能會令人失望。畢竟，在公司計劃中超出預算永遠不是一件有趣的事。

凱捷北美執行副總裁兼I＆D主管杰里·庫茲（Jerry Kurtz）表示：“希望實施AI項目的公司應首先查看運營成本，并分析成本結構與最佳實踐的比較。存儲和轉換數據的成本通常占預算的70％，而僅帶來價值的10％。能夠利用AI解決業務問題的成本僅為成本的30％，并帶來90％的價值。如果組織可以減少數據成本并改善數據質量，他們將有更多預算用于利用AI解決這些業務問題，例如提高生產力和效率。”

運用AI可能會給企業帶來麻煩。員工可能對此技術持懷疑態度，并可能為工作感到恐懼。這就是為什么需要重點關注買入的原因，這意味著要清楚地了解收益。它還應涉及C-Suite的承諾。根據O’Reilly最近的一項調查，考慮到AI的最大瓶頸是缺乏支持的文化。

普華永道全球人工智能負責人阿南德·饒（Anand Rao）表示：“企業要想成功運用人工智能，必須擁有一支強大的隊伍，并擁有正確的員工技能提升計劃。您不能簡單地為員工提供AI培訓課程；您需要走得更遠，并提供直接的機會和激勵措施，以應用他們所學的知識。此外，從任何項目開始就都需要業務利益相關者和最終用戶，而不僅僅是技術人員。”
? ? ?（責任編輯：fqj）