人工(gōng)智能(néng)項目可能(néng)面臨失敗的6個原因

人工(gōng)智能(néng)對(duì)人類生活和(hé)市場的影響非同尋常。據世界經濟統計(jì)，到(dào)2030年，人工(gōng)智能(néng)可貢獻約15.7萬億美(měi)元。如果我們計(jì)算(suàn)這(zhè)個前景，那就是幾個公司的合并經濟。 我們都曾多次目睹人工(gōng)智能(néng)應該被每個人所采用(yòng)。這(zhè)是真的；沒有人否認這(zhè)一點——盡管沒有人談論人工(gōng)智能(néng)領域失敗的項目。 當一些(xiē)商業領袖考慮通過将人工(gōng)智能(néng)執行到(dào)他(tā)們現(xiàn)有的技術堆棧中或将其用(yòng)于下(xià)面令人鼓舞的項目時(shí)，他(tā)們不斷地讓自(zì)己失敗，而不是實現(xiàn)他(tā)們計(jì)劃的目的。另一項在2020年進行的研究顯示，大(dà)約28%的人工(gōng)智能(néng)項目無法進行。 專家們認爲，企業人工(gōng)智能(néng)失敗的原因在于企業自(zì)身缺乏有效的人工(gōng)智能(néng)策略。形成一個蓬勃發展的人工(gōng)智能(néng)戰略需要精心準備，建立明(míng)确的目标，成長一個強大(dà)的管理(lǐ)團隊。 也(yě)就是說，如果我們部署人工(gōng)智能(néng)系統，就意味着商業的數字化轉型。在機器學習中，它可能(néng)會(huì)增加你(nǐ)的商業運作(zuò)——但(dàn)在人工(gōng)智能(néng)中，它并不總是發生。 以下(xià)是可以預測人工(gōng)智能(néng)項目失敗的最常見錯誤和(hé)誤判： 1.失敗算(suàn)法的改進 人工(gōng)智能(néng)算(suàn)法的發展可能(néng)會(huì)出現(xiàn)一些(xiē)問題。這(zhè)種類型的系統受到(dào)它的生産者的影響，因爲它的創造需要它對(duì)人類進行同樣的操作(zuò)。這(zhè)是經常發生的問題的重點。開(kāi)發人員的工(gōng)作(zuò)可能(néng)會(huì)注意到(dào)人工(gōng)智能(néng)。 失敗背後的另一個原因是，開(kāi)發人員可能(néng)需要通過排除一些(xiē)數據删除過程和(hé)添加一本手冊來(lái)分析程序。它會(huì)把數據弄亂，得出錯誤的結論。另一方面，對(duì)于所需的目的來(lái)說，該算(suàn)法可能(néng)過于具有挑戰性。 2.數據策略不足 獲取人工(gōng)智能(néng)項目的最大(dà)問題之一是缺乏數據策略。在開(kāi)始成形之前形成一個可靠的數據策略是至關重要的。您需要指出您擁有哪些(xiē)數據，制定策略如何将來(lái)自(zì)不同資源的所有數據放(fàng)在一起，估計(jì)需要多少數據，最後計(jì)劃如何提取和(hé)修改數據。 一些(xiē)組織要麽開(kāi)始時(shí)沒有項目，要麽完全沒有開(kāi)始人工(gōng)智能(néng)項目，因爲他(tā)們覺得他(tā)們沒有足夠的數據，或者數據不充分。但(dàn)是，阻礙人工(gōng)智能(néng)發展的最重要的數據障礙是，在啓動人工(gōng)智能(néng)項目之前，沒有形成一個團隊範圍的數據系統。一個有效的人工(gōng)智能(néng)數據計(jì)劃必須包含你(nǐ)所有的數據問題，并提供一個積極的方式，以獲得最佳的數據潛力的實踐和(hé)試驗你(nǐ)的設計(jì)。 3.投資不足 人工(gōng)智能(néng)和(hé)機器學習是現(xiàn)代先進技術；最新技術需要基金(jīn)來(lái)開(kāi)發。由于開(kāi)發和(hé)生産人工(gōng)智能(néng)項目的巨大(dà)成本，一些(xiē)公司不願意投資于所需的團隊和(hé)軟件，以提供有前途的人工(gōng)智能(néng)。這(zhè)影響了(le)你(nǐ)讓數據科學家完成第一部分的工(gōng)作(zuò)。 即使企業中有了(le)新的自(zì)動機器設備，也(yě)經常需要有數據科學家來(lái)維護和(hé)驗證由這(zhè)些(xiē)自(zì)動化方法生成的模型，因爲大(dà)量數據不能(néng)爲模型的運行提供證據。在提供數據和(hé)使用(yòng)模式時(shí)，還需要額外(wài)的軟件和(hé)人員來(lái)源。 4.不合适的數據科學家 要經營任何企業，你(nǐ)都需要一個在這(zhè)一領域的專家，他(tā)能(néng)處理(lǐ)和(hé)管理(lǐ)一切。然而，一些(xiē)從(cóng)事(shì)數據分析工(gōng)作(zuò)的人在參加了(le)一個在線課程後，給自(zì)己起了(le)一個數據科學家的名字。事(shì)實是，熟練的數據科學家需要管理(lǐ)大(dà)多數機器學習和(hé)人工(gōng)智能(néng)項目。缺乏經驗的數據科學家經常指出無效的開(kāi)始，看(kàn)起來(lái)不錯的小(xiǎo)設計(jì)，以及大(dà)量的時(shí)間消耗。 不過，考慮到(dào)當前的經濟形勢，聘用(yòng)數據科學家并非易事(shì)。這(zhè)些(xiē)熟練的資源是有限的，而且非常昂貴。而數據科學是一項複雜(zá)的工(gōng)作(zuò)，需要多年的統計(jì)、數學和(hé)編程技能(néng)才能(néng)成爲專家。 5.不足以部署規則 在最長的一段時(shí)間裏，模型沒有擴展的原因是爲了(le)支持。這(zhè)種切換可能(néng)包括錯誤，需要在部署之前有效地重新測試和(hé)檢查模型。這(zhè)種方法可能(néng)需要時(shí)間，而且當模式可用(yòng)于創建時(shí)，它可能(néng)是不合适的。 6.項目太複雜(zá) 企業知(zhī)道(dào)，人工(gōng)智能(néng)項目在時(shí)間和(hé)資源方面相當昂貴。人工(gōng)智能(néng)的價值形成了(le)一種趨勢，即專注于雄心勃勃的項目，這(zhè)些(xiē)項目最終将改變業務并帶來(lái)巨大(dà)的投資回報(bào)。最終，涉及人工(gōng)智能(néng)的公司需要最大(dà)的投入。 結語 擁有人工(gōng)智能(néng)是很(hěn)好(hǎo)的，但(dàn)是如果用(yòng)一個合适的策略來(lái)部署人工(gōng)智能(néng)的話(huà)，它将是一個巨大(dà)的失敗。記住上(shàng)述因素，減少失敗的人工(gōng)智能(néng)項目的數量。