當(dāng)人工智能計(jì)劃落空時(shí)，通常會(huì)把責(zé)任歸咎于技能差距。但是還有更多。您的企業(yè)組織是否優(yōu)先考慮這三個(gè)基礎(chǔ)人工智能支柱？

聘請(qǐng)合適的技術(shù)人才仍然是企業(yè)組織采用人工智能（AI）的重要障礙。根據(jù)O‘Reilly最近的一項(xiàng)調(diào)查，略多于六分之一的受訪者表示，雇用和保留具有人工智能技能的專業(yè)人員很困難，這是其企業(yè)組織采用人工智能的重大障礙。

盡管人才缺口仍然是對(duì)話的主要內(nèi)容，但這一數(shù)字與去年相比有所減少，這表明其他挑戰(zhàn)正成為企業(yè)探索和部署人工智能項(xiàng)目的首要考慮因素。

不過，技術(shù)技能差距并不是采用人工智能的最大障礙，也不是那么多人工智能項(xiàng)目失敗的原因。實(shí)際上，根據(jù)O’Reilly公司的調(diào)查，受訪者認(rèn)為缺乏機(jī)構(gòu)支持是最大的問題，其次是確定合適的業(yè)務(wù)用例時(shí)遇到困難。

當(dāng)然，這是一個(gè)更難以下咽的藥丸：這意味著真正的挑戰(zhàn)在于我們，而不是只有數(shù)量有限的專業(yè)人員來完成這項(xiàng)工作。

人工智能項(xiàng)目成功的三大支柱

那么企業(yè)組織如何避免人工智能項(xiàng)目的常見陷阱呢？與其他技術(shù)實(shí)施一樣，這全都取決于公司范圍內(nèi)的適當(dāng)培訓(xùn)，生產(chǎn)環(huán)境以及適當(dāng)?shù)幕Ｓ辛诉@三個(gè)支柱，您就可以更早地實(shí)現(xiàn)人工智能的商業(yè)價(jià)值。

1、正確的基礎(chǔ)

數(shù)據(jù)科學(xué)家必須具有高效的工具，具有領(lǐng)域?qū)ｉL并且可以訪問相關(guān)數(shù)據(jù)。盡管從處理偏見預(yù)防，可解釋性，概念漂移和類似要求等方面對(duì)人工智能技術(shù)的理解已得到很好的理解，但許多團(tuán)隊(duì)在這里仍然不夠。企業(yè)組織必須學(xué)習(xí)如何在生產(chǎn)中部署和操作人工智能模型。這就需要部署DevOps、SecOps和新興的人工智能Ops工具和流程，以便模型能夠隨著時(shí)間的推移在生產(chǎn)中繼續(xù)準(zhǔn)確地工作。產(chǎn)品經(jīng)理和業(yè)務(wù)主管必須從一開始就參與其中，以便重新設(shè)計(jì)新的技術(shù)功能并決定如何應(yīng)用這些技術(shù)來使客戶滿意。

盡管在過去幾年中，教育和工具有了顯著改善，但實(shí)際生產(chǎn)中運(yùn)行的人工智能模型仍有很大的改進(jìn)空間。因此，產(chǎn)品管理和用戶交互設(shè)計(jì)已成為人工智能成功的常見障礙。

這些問題可以通過動(dòng)手教育來解決。在教室和會(huì)議廳外，來自企業(yè)組織各部門的專業(yè)人員必須獲得實(shí)際從事人工智能項(xiàng)目的經(jīng)驗(yàn)，了解他們可以做什么以及該技術(shù)如何推動(dòng)您的業(yè)務(wù)發(fā)展。

2、全公司范圍內(nèi)的合作與培訓(xùn)

當(dāng)然，人才是問題的一部分，但不僅需要數(shù)據(jù)科學(xué)人才。問題的根源通常在于業(yè)務(wù)和產(chǎn)品專業(yè)知識(shí)。與技術(shù)人才一樣重要，了解人工智能如何在產(chǎn)品中發(fā)揮作用以及如何將人工智能轉(zhuǎn)化為更好的客戶體驗(yàn)和新收入同樣重要-而且責(zé)任不僅僅在于研發(fā)團(tuán)隊(duì)。

例如，我們擁有可以像人類一樣準(zhǔn)確地讀取X射線的算法，但是我們現(xiàn)在才剛開始將此功能集成到臨床工作流程中。如果不對(duì)醫(yī)生和護(hù)士進(jìn)行如何使用這項(xiàng)技術(shù)以簡化其工作流程的培訓(xùn)，則對(duì)他們或患者沒有任何價(jià)值。

能夠訓(xùn)練和部署準(zhǔn)確的人工智能模型并不能解決如何最有效地使用它們來幫助您的客戶的問題。為此，需要對(duì)所有企業(yè)組織學(xué)科進(jìn)行培訓(xùn)，包括銷售，營銷，產(chǎn)品，設(shè)計(jì)，法律，客戶成功，財(cái)務(wù)等方面，以了解該技術(shù)為何有用以及它將如何影響其工作職能。

做得好，新的支持人工智能的功能使產(chǎn)品團(tuán)隊(duì)能夠完全重新考慮用戶體驗(yàn)。

做得好，新的支持人工智能的功能使產(chǎn)品團(tuán)隊(duì)能夠完全重新考慮用戶體驗(yàn)。Netflix或Spotify將推薦添加為輔助功能與圍繞內(nèi)容發(fā)現(xiàn)設(shè)計(jì)用戶界面之間的區(qū)別。這有很大的不同，但要實(shí)現(xiàn)這個(gè)目標(biāo)還需要一個(gè)村莊。因此，由執(zhí)行團(tuán)隊(duì)帶頭的全公司范圍的收購對(duì)于人工智能成功至關(guān)重要。

3、適當(dāng)?shù)纳a(chǎn)環(huán)境

并非所有生產(chǎn)環(huán)境都相同，因此并非所有結(jié)果都相同。了解基于企業(yè)組織擁有的人才、基礎(chǔ)設(shè)施和數(shù)據(jù)的人工智能項(xiàng)目的局限性，并從一開始就設(shè)定明確的期望非常重要。

例如，最近的一篇研究論文（針對(duì)ACM計(jì)算機(jī)系統(tǒng)人為因素會(huì)議（CHI）系列學(xué)術(shù)會(huì)議而完成）探索了一種新的深度學(xué)習(xí)模型，該模型用于從患者眼睛的圖像中檢測(cè)出糖尿病性視網(wǎng)膜病變?？茖W(xué)家們訓(xùn)練了一種深度學(xué)習(xí)模型，從過去幾年的眼科檢查中的角膜照片中識(shí)別出患者的糖尿病性視網(wǎng)膜病變的早期階段。目的是減少失明，這種失明是未經(jīng)治療的疾病癥狀。

該論文描述了在泰國農(nóng)村地區(qū)的診所中使用相同準(zhǔn)確有效的模型時(shí)發(fā)生的情況：用于為患者的眼睛拍攝圖像的機(jī)器并不像用于訓(xùn)練模型的機(jī)器那樣復(fù)雜。如訓(xùn)練有素的模型所假設(shè)的，所使用的檢查室并非完全黑暗。對(duì)于某些患者來說，放假一天來進(jìn)行后續(xù)隨訪或進(jìn)行其他檢查不是一個(gè)可行的選擇。首先，并不是所有的醫(yī)生和護(hù)士都接受過培訓(xùn)，以解釋為什么需要這項(xiàng)新測(cè)試。

缺乏適當(dāng)?shù)幕A(chǔ)設(shè)施和醫(yī)院工作人員的凝聚力教育，加上對(duì)實(shí)際局限性的理解，是人工智能項(xiàng)目失敗的一個(gè)典型例子。

隨著教育趕上行業(yè)，人工智能人才缺口在未來幾年仍將是一個(gè)挑戰(zhàn)。但是與此同時(shí)，企業(yè)組織可以采取一些步驟來確保其人工智能項(xiàng)目取得成功。

僅僅訓(xùn)練您的模型是不夠的，還需要訓(xùn)練您的企業(yè)組織?；〞r(shí)間對(duì)您的業(yè)務(wù)的各個(gè)方面進(jìn)行教育，以了解您為何要執(zhí)行某個(gè)人工智能項(xiàng)目，該項(xiàng)目將如何影響他們的角色和客戶體驗(yàn)以及期望是什么。
責(zé)任編輯：YYX