调查发现AI项目失败的8个原因

导读 给大家分享一篇关于互联网和手机的文章。相信很多朋友对互联网和手机还是不太了解，所以边肖也在网上搜集了一些关于手机和互联网的相关知识

给大家分享一篇关于互联网和手机的文章。相信很多朋友对互联网和手机还是不太了解，所以边肖也在网上搜集了一些关于手机和互联网的相关知识与大家分享。希望大家看完之后会喜欢。

这是一个令人震惊的统计数据：根据《2019麻省理工学院SMR-BCG人工智能全球高管研究报告》，在投资人工智能(AI)的10位高管中，有7位表示对他们影响很小或没有影响。

问题的核心可能是对AI的功能和需求普遍缺乏了解。珠峰集团副总裁Anil Vijayan表示：“目前很多公司对AI解决方案的期望过高。”“这通常会导致预期和可实现之间的不匹配。”

然而，“更精通AI”并不是最细微的区别。事实上，AI项目失败还有一些更具体的原因——IT领导者可以采取一些措施来增加成功的机会。以下是八个最常见的错误和误判，这可能表明人工智能项目的失败。

AI项目失败的八大原因

1.发光物质疾病

业务转型与外包咨询公司Pace Harmon的JP Baritugo表示：“大部分数字化之旅都是从面向技术的方向出发，深入到解决方案的功能(例如)来确认它所使用的机器学习库。“相反，公司应该首先明确它想要解决的关键业务需求。一旦确定了目标，这些目标将促进和告知采取哪些数字化和转型干预措施，包括人工智能。”

许多领导者可能不知道人工智能在组织中的最佳使用位置。与业务部门密切合作，确定AI可以在哪些方面解决现有问题，或者专注于其他人认为AI有价值的领域(如营销、财务规划或风险分析)，都可以成为一个很好的起点。

2.训练数据不足

"人工智能解决方案需要有意义的、有标签的训练数据集."

Vijayan说：“人工智能解决方案真的需要有意义和有标签的训练数据集来达到预期的结果。”"通常，缺乏训练数据是失败的主要原因."根据应用的人工智能类型，这可能意味着数千到数百万个数据示例可以训练模型。

3.糟糕的数据治理

垃圾进，垃圾出依然适用。巴里图戈说：“大多数企业低估了优质数据对AI实施成功的重要性。“不幸的是，一些公司的数据治理和数据卫生习惯很差，导致数据被怀疑、重复或在其他地方调用其他内容。此外，这些公司有多个分散的系统，其中包含一些必需的信息。”

倾斜的数据样本也可能带来风险。Vijayan说：“例如，这可能会导致过度组装等问题，从而导致在生产中运行时输出不正确。”“人工智能系统只学习它们得到的东西。因此，总是存在通过机器学习和传播人类偏见的风险。”

【如何防止AI偏见？也请阅读AI偏见：9个问题由IT主管提出。]

必须建立主数据管理和治理，并且必须开发中央数据存储库(数据参与平台或数据湖)。《AI驱动的企业：利用本体的力量使您的业务更智能，更快，更多》一书的作者赛斯厄尔利(Seth Earley)说：“为了创建一个变革性的AI解决方案，我们需要一个完整的、协作的和集成的信息流。有利可图。Earley表示，能够为AI提供信息、增强其功能的数据和数据关系的一致表示，是AI驱动转型的“主要知识支撑”。

4.低估相关的文化变化

"员工正在适应他们作为异常处理者和培训者的新角色."

根据Gartner的报告《2020年预测：人工智能通往生产之路》:“将AI引入客户和员工的文化影响在很大程度上被低估了。人们意识到AI承担的是员工的任务，而不是工作，所以人类和机器之间的新动态正在被研究。员工正在适应作为异常处理者和训练者的新角色，这通常被称为与人工智能系统共生关系中的增强智能。”

考虑制定一个计划来提高员工的理解和技能，并提高他们的接受度和参与度。Pace Harmon的Baritugo指出：“人工智能项目可以从根本上改变工作的执行方式和决策方式。”“如果没有经过深思熟虑的变更管理工作，业务用户可能不会接受AI结果(或以怀疑的眼光看待这些结果)，并削弱AI的整体采用。”

本文就为大家讲解到这里了。