人工智能對(duì)人類生活和市場(chǎng)的影響非同尋常。據(jù)世界經(jīng)濟(jì)統(tǒng)計(jì)，到2030年，人工智能可貢獻(xiàn)約15.7萬(wàn)億美元。如果我們計(jì)算這個(gè)前景，那就是幾個(gè)公司的合并經(jīng)濟(jì)。

我們都曾多次目睹人工智能應(yīng)該被每個(gè)人所采用。這是真的;沒(méi)有人否認(rèn)這一點(diǎn)——盡管沒(méi)有人談?wù)撊斯ぶ悄茴I(lǐng)域失敗的項(xiàng)目。

當(dāng)一些商業(yè)領(lǐng)袖考慮通過(guò)將人工智能執(zhí)行到他們現(xiàn)有的技術(shù)堆棧中或?qū)⑵溆糜谙旅媪钊斯奈璧捻?xiàng)目時(shí)，他們不斷地讓自己失敗，而不是實(shí)現(xiàn)他們計(jì)劃的目的。另一項(xiàng)在2020年進(jìn)行的研究顯示，大約28%的人工智能項(xiàng)目無(wú)法進(jìn)行。

專家們認(rèn)為，企業(yè)人工智能失敗的原因在于企業(yè)自身缺乏有效的人工智能策略。形成一個(gè)蓬勃發(fā)展的人工智能戰(zhàn)略需要精心準(zhǔn)備，建立明確的目標(biāo)，成長(zhǎng)一個(gè)強(qiáng)大的管理團(tuán)隊(duì)。

也就是說(shuō)，如果我們部署人工智能系統(tǒng)，就意味著商業(yè)的數(shù)字化轉(zhuǎn)型。在機(jī)器學(xué)習(xí)中，它可能會(huì)增加你的商業(yè)運(yùn)作——但在人工智能中，它并不總是發(fā)生。

以下是可以預(yù)測(cè)人工智能項(xiàng)目失敗的最常見(jiàn)錯(cuò)誤和誤判：

1. 失敗算法的改進(jìn)

人工智能算法的發(fā)展可能會(huì)出現(xiàn)一些問(wèn)題。這種類型的系統(tǒng)受到它的生產(chǎn)者的影響，因?yàn)樗膭?chuàng)造需要它對(duì)人類進(jìn)行同樣的操作。這是經(jīng)常發(fā)生的問(wèn)題的重點(diǎn)。開(kāi)發(fā)人員的工作可能會(huì)注意到人工智能。

失敗背后的另一個(gè)原因是，開(kāi)發(fā)人員可能需要通過(guò)排除一些數(shù)據(jù)刪除過(guò)程和添加一本手冊(cè)來(lái)分析程序。它會(huì)把數(shù)據(jù)弄亂，得出錯(cuò)誤的結(jié)論。另一方面，對(duì)于所需的目的來(lái)說(shuō)，該算法可能過(guò)于具有挑戰(zhàn)性。

2. 數(shù)據(jù)策略不足

獲取人工智能項(xiàng)目的最大問(wèn)題之一是缺乏數(shù)據(jù)策略。在開(kāi)始成形之前形成一個(gè)可靠的數(shù)據(jù)策略是至關(guān)重要的。您需要指出您擁有哪些數(shù)據(jù)，制定策略如何將來(lái)自不同資源的所有數(shù)據(jù)放在一起，估計(jì)需要多少數(shù)據(jù)，最后計(jì)劃如何提取和修改數(shù)據(jù)。

一些組織要么開(kāi)始時(shí)沒(méi)有項(xiàng)目，要么完全沒(méi)有開(kāi)始人工智能項(xiàng)目，因?yàn)樗麄冇X(jué)得他們沒(méi)有足夠的數(shù)據(jù)，或者數(shù)據(jù)不充分。但是，阻礙人工智能發(fā)展的最重要的數(shù)據(jù)障礙是，在啟動(dòng)人工智能項(xiàng)目之前，沒(méi)有形成一個(gè)團(tuán)隊(duì)范圍的數(shù)據(jù)系統(tǒng)。一個(gè)有效的人工智能數(shù)據(jù)計(jì)劃必須包含你所有的數(shù)據(jù)問(wèn)題，并提供一個(gè)積極的方式，以獲得最佳的數(shù)據(jù)潛力的實(shí)踐和試驗(yàn)?zāi)愕脑O(shè)計(jì)。

3. 投資不足

人工智能和機(jī)器學(xué)習(xí)是現(xiàn)代先進(jìn)技術(shù);最新技術(shù)需要基金來(lái)開(kāi)發(fā)。由于開(kāi)發(fā)和生產(chǎn)人工智能項(xiàng)目的巨大成本，一些公司不愿意投資于所需的團(tuán)隊(duì)和軟件，以提供有前途的人工智能。這影響了你讓數(shù)據(jù)科學(xué)家完成第一部分的工作。

即使企業(yè)中有了新的自動(dòng)機(jī)器設(shè)備，也經(jīng)常需要有數(shù)據(jù)科學(xué)家來(lái)維護(hù)和驗(yàn)證由這些自動(dòng)化方法生成的模型，因?yàn)榇罅繑?shù)據(jù)不能為模型的運(yùn)行提供證據(jù)。在提供數(shù)據(jù)和使用模式時(shí)，還需要額外的軟件和人員來(lái)源。

4. 不合適的數(shù)據(jù)科學(xué)家

要經(jīng)營(yíng)任何企業(yè)，你都需要一個(gè)在這一領(lǐng)域的專家，他能處理和管理一切。然而，一些從事數(shù)據(jù)分析工作的人在參加了一個(gè)在線課程后，給自己起了一個(gè)數(shù)據(jù)科學(xué)家的名字。事實(shí)是，熟練的數(shù)據(jù)科學(xué)家需要管理大多數(shù)機(jī)器學(xué)習(xí)和人工智能項(xiàng)目。缺乏經(jīng)驗(yàn)的數(shù)據(jù)科學(xué)家經(jīng)常指出無(wú)效的開(kāi)始，看起來(lái)不錯(cuò)的小設(shè)計(jì)，以及大量的時(shí)間消耗。

不過(guò)，考慮到當(dāng)前的經(jīng)濟(jì)形勢(shì)，聘用數(shù)據(jù)科學(xué)家并非易事。這些熟練的資源是有限的，而且非常昂貴。而數(shù)據(jù)科學(xué)是一項(xiàng)復(fù)雜的工作，需要多年的統(tǒng)計(jì)、數(shù)學(xué)和編程技能才能成為專家。

5. 不足以部署規(guī)則

在最長(zhǎng)的一段時(shí)間里，模型沒(méi)有擴(kuò)展的原因是為了支持。這種切換可能包括錯(cuò)誤，需要在部署之前有效地重新測(cè)試和檢查模型。這種方法可能需要時(shí)間，而且當(dāng)模式可用于創(chuàng)建時(shí)，它可能是不合適的。

6. 項(xiàng)目太復(fù)雜

企業(yè)知道，人工智能項(xiàng)目在時(shí)間和資源方面相當(dāng)昂貴。人工智能的價(jià)值形成了一種趨勢(shì)，即專注于雄心勃勃的項(xiàng)目，這些項(xiàng)目最終將改變業(yè)務(wù)并帶來(lái)巨大的投資回報(bào)。最終，涉及人工智能的公司需要最大的投入。

結(jié)語(yǔ)

擁有人工智能是很好的，但是如果用一個(gè)合適的策略來(lái)部署人工智能的話，它將是一個(gè)巨大的失敗。記住上述因素，減少失敗的人工智能項(xiàng)目的數(shù)量。