大多数企业都在增加人工智能方面的投资，由于疫情爆发。
一些组织正在加速采取人工智能，以确保他们的业务不受当前疫情的影响。

但组织也须要认识到采取人工智能的寻衅。
构建人工智能系统并非一项大略的事情，每一个阶段都伴随着寻衅。

即便你建立了一个人工智能项目，在支配时也会有很高的失落败率，这可以归结为很多缘故原由。
本文将先容人工智能项目失落败的五个紧张缘故原由，并提到了成功履行人工智能项目的办理方案。

计策方针有两个方面：一是好高骛远，二是缺少商业方法。

当谈到采取人工智能项目时，大多数组织常日都是从大规模的问题开始。
紧张缘故原由之一是人们对人工智能的缺点认识。

当前，人工智能被过分炒作，但并没有得到足够的运用。
大部分人认为人工智能是一种前辈的技能，不亚于邪术。
虽然人工智能足以成为一项这样的技能，但它还处于非常低级的阶段。

而且，当一个组织采取人工智能，是对韶光、金钱、资源和人力的巨大投资。
由于公司投入了如此巨大的资金，他们也期待更高的回报。

但是，正如前面所提到的，人工智能还是太狭隘，不可能一蹴而就地推动这样的回报。
那就意味着你得不到正的投资回报率了吗？完备不是这样。

人工智能的采取是一个循规蹈矩的过程。
你构建的每个人工智能项目都是让人工智能成为你业务核心的一步。
以是从一些小的项目开始，比如丈量你的产品需求，预测信用评分，个性化营销等等。
当你构建更多的项目时，你的人工智能会更好地理解你的需求（有了所有的数据），你就会看到更好的投资回报率。

接下来是问题的第二个方面：当公司决定构建一个人工智能项目的时候，他们总是从技能的角度来看问题陈述。
这一做法让他们不能衡量其真正的商业成功。

公司必须从商业角度来考虑问题。
自问一下问题：

你想办理什么商业问题？界定成功的衡量标准是什么？

回答完这些问题后，再决定用哪种技能来办理问题。
请记住，人工智能包含了很多技能，比如机器学习、神经网络、深度学习、打算机视觉等。

要知道哪些技能最适宜当前的问题，然后开始构建人工智能办理方案。

很多人都忘了人工智能是人类创造的工具。
数据当然是一个关键成分，但是人类是用数据开拓人工智能的人。
而目前，缺少能够构建高效人工智能系统的天才专业职员。

LinkedIn 在其《2020 年新兴事情》（Emerging Jobs 2020）报告中，将人工智能专家放在了首位。
但是，供应彷佛还不能知足需求。

从质量和履历两个方面考虑，短缺将进一步减少。
要精通或成为人工智能专家须要很多年的韶光。
要成为人工智能专家，人们必须具备各种各样的基本技能，例如统计学、数学和编程。
而且，由于人工智能是一个不断发展的领域，人工智能从业者必须不断更新自身。

据 Gartner 的数据，56% 的被调查组织认为缺少技能是没有成功发展人工智能项目的紧张缘故原由。

组织可以从两个方面办理这个问题。

首先，他们须要从员工军队中创造人才，并对他们进行技能提升。
他们可以逐渐地将这一过程扩展到组织的其他部分。

其次，组织须要与大学互助，架设学术与家当之间的桥梁。
如果清楚地理解所需的技能并拥有得当的资源，大学可以演习学生节制行业所需的技能。

只管传授教化改革将推动人工智能的发展，但这仍是一种长期的方法。
那么现在呢？第三个吸引人的方法便是专业的人工智能公司，有得当的人才来构建人工智能模型，以及供应人工智能即做事。

在谈论了创造人工智能的人的问题之后，现在让我们来谈谈使这项技能成为可能的要素：数据。

在 1950 年第一次提出了人工智能这个观点。
但是在那时，研究职员还没有足够的数据来实现这一技能。
但是，近十年来，情形发生了巨大的变革。

当技能和小工具成为人类的亲密伙伴时，大多数小工具和软件都具备了网络海量数据的能力。
由于这些数据的网络越来越多，人工智能开始引起把稳。

但是，新的问题随之而来：数据的质量。

在构建有效的人工智能系统方面，数据是两个最关键的需求之一。
只管企业已经开始网络大量数据，但是不须要的数据、非构造化数据等问题仍旧存在。

网络数据的办法一样平常有很多种：构造化、非构造化、半构造化。
这常日是无组织的，包含了各种各样的参数，这些参数可能对付你的人工智能项目尤其主要，大概没有。

举例来说，如果你要构建一个推举系统，你就不须要手机网络不必要的数据，比如邮件 ID、客户图片、电话号码等等。
这些数据并不能帮助你办理客户偏好问题。
乃至更糟的是，在存在大量不必要的数据时，你可能会碰着过拟合的问题。

对付上面的例子，如果你有网页浏览历史、以前的购买行为、兴趣、位置等数据，那么你的人工智能系统会给你更好的结果。

要办理数据问题，请考虑在启动人工智能项目前，让所有的利益干系方都参与进来，包括业务主管、数据剖析师、数据科学家、机器学习工程师、IT 剖析师和 DevOps 工程师。
这样你就能清楚地理解建立人工智能模型所需的数据、数量和形式。
当你理解它之后，你可以根据须要清理并转换数据。

此外，当你准备好数据时，要确定你用来测试数据的一部分，以确保你构建的人工智能符合你的意图。

很多人认为人工智能将取代他们的事情。
不过，情形显然并非如此。

当企业采取人工智能时，他们也必须同时对其员工进行教诲，使其理解人工智能是如何“增强”的。
若要你的组织在企业范围内采取人工智能，这种被称为“数据素养”的教诲是至关主要的。

须要优先考虑数据素养的缘故原由有两个：

确定你的员工（特殊是非技能职员）理解人工智能的浸染及其帮助他们的能力。
为担保教诲的成功，他们不会盲目依赖人工智能的决策。

曾有一种情景是，纵然公司将人工智能支配到日常运营中，员工还是谢绝了。
它显示了员工对这项技能的信赖问题。

同样，你也不想让你的员工盲目地接管所有由人工智能作出的决策。
你须要确保这些决策是合理和故意义的。

出于这些缘故原由，并且你的组织开始采取人工智能的方法，你也必须开始培养你的员工的技能知识。
促进人工智能的遍及，把它当作一项任务而非事情。
要让你的员工理解人工智能的唯一目的便是开释人类的韶光，使他们能够专注于繁芜的问题。
有一点很主要，人工智能不但是人工智能，而是增强智能的认知。

只要你买了一辆车，它具有你所须要的所有必需功能。
这款车辆行驶平稳，帮助你在几分钟内到达事情地点，乃至根据你的喜好定制环境。
那是不是说它不须要你的关注和掩护呢？绝对不是。

类似的，为了大略起见，构建和支配人工智能就像拥有一辆汽车。
在支配之后，还须要掩护人工智能。
不过，掩护人工智能是一项远比汽车掩护更大的工程。

人工智能系统会根据供应给它们的数据来作出无数的决策。
如果人们不能理解一个人工智能是如何做出某一决策的，那么这个人工智能系统就被称为“黑盒人工智能”。

确定你的人工智能不会变成黑盒是至关主要的，尤其是在做决策的时候，例如处理贷款、建议医疗方法、接管大学申请等等。
很多政府都意识到了黑盒问题，并且考虑规范这些技能。
即便没有法律的约束，确保人工智能的公正与公道也成为了开拓者的道德任务。

另一个寻衅是数据和业务场景的动态特性。
数据不太可能在人工智能项目的全体生命周期中保持静态。
当数据改变时，人工智能也须要重新校准以确保不会偏离其性能。

对人工智能系统进行重新校准的过程与构建一个全新的模型相似。
正如其他人工智能项目一样，这须要韶光和资源。
为了达到这个目的，大多数公司都在很长一段韶光内延伸自己的模型，而没有“掩护”或适应模型中的业务变更。
但你不能等到模型开始“漂移”而引起不必要的影响。

要办理这些问题，组织必须持续监控他们的人工智能系统。
当数据和业务场景发生变革时，人工智能须要定期更新。
要减少这一过程的难度，你可以利用人工智能不雅观察工具，帮助你监控模型和报告不必要的“漂移”。

人工智能是一项强大的技能，它正在改变我们本日的商业办法。
但是，正如一些美好的事物一样，它也须要韶光和精力去发掘并发挥它的最好能力。

身为人工智能的推动者，我们建议组织

作为人工智能的推动者，我们建议组织逐步采取人工智能。
人工智能投资的回报并不是线性的——当你开始在你的组织中利用它的时候，这就会变得繁芜。
当你拥有了特定的人工智能用例后，你就可以在企业范围内扩展人工智能系统的采取。

作者简介：

Jaimin Dave，市场营销专家，与 Attri 互助。
Attri 是业界第一个可互操作的端到端企业人工智能与机器学习平台，帮助企业构建、支配和监控模型。
喜好在 LinkedIn 上与大家分享有关人工智能、机器学习、数据科学、MLOps 等方面的最新技能文章。