人工智能的溃败

人工智能项目远非万无一失——事实上，超过一半的人工智能项目将无法达到预期的效果......

作者 |Ankit Rathi

译者 |谭开朗，责编 | 郭芮

出品 | CSDN（ID：CSDNnews）

以下为译文：

在过去的几个月时间里，人工智能项目的数量显著增加。而大多数在公司从事人工智能项目的人也计划在接下来的一年中，进一步增加他们的人工智能计划。其中的许多计划都被寄予了很高的期望，但人工智能项目远非万无一失。事实上，专家预测称超过一半的人工智能项目将无法达到预期的效果。

失败的原因有很多，但某些显而易见的失误会造成人工智能项目的溃败。根据与不同组织AI从业者进行的讨论，并结合过去几个月的调查，我了解到，这些失误出现的概率很高。它们的一个共同点是：缺乏充分的战略和规划。

DS/AI项目中的4类挑战

这些是人工智能项目所面临的最常见的挑战，不分先后顺序。

文化的挑战

一个组织在进行人工智能项目时所面临的挑战大都是有关文化方面的。公司政治是能开展人工智能项目的主要原因之一，项目团队努力具备从功能到技术的多样化技能集。不同的部门和领导出于不同的目的，都在为人工智能计划保驾护航。

不同的人对数据领域有着不同的见解，因此数据素养也是一个重要的挑战。鉴于此，企业对人工智能计划抱有不切实际的期望也并不罕见。

因为人工智能资源是最昂贵的资源，而且其结果存在不确定性，这就让利益相关者参与进来也成为了一项挑战。组织成熟程度在运行数据密集型项目中也扮演着重要的角色。从事数据相关项目的组织和部门能够快速地主动地清除障碍。

人工智能计划的主要涉众是非技术性的。因此，演讲是一项重要技能，以此帮助这些涉众认识到人工智能计划的真正潜力。

如果我们能够在组织中积极地灌输数据文化，这些挑战是可以克服或解决的。

业务的挑战

人工智能项目面临的另一个主要挑战是有关业务方面的。人才缺口是众所周知的挑战之一，而获取项目的相关数据可能是其又一大挑战。

很多时候，功能SME可能是一个障碍。功能SME是如此稀缺，以至于它们对项目的可用性可能是一个巨大的挑战。

人工智能是一个跨学科的领域，它的成功依赖于包括IT团队在内的许多不同团队之间的协作。即使你已经准备好了一个解决方案，但在客户端站点上部署或者客户希望的使用结果方式也可能非常具有挑战性。

当你有很多选择机会的时候，选择高ROI/CBA的就变得很重要。机会评估也应包括在人工智能业务框架内。否则，没有人会愿意处于这样的境地：在付出大量努力之后，我们发现自己正在做错误的事情。

数据安全也是应该包含在操作框架中的另一个内容，以避免项目后期出现问题。

由此可知，如果我们能为人工智能计划建立一个操作框架来规避这些问题，那么就可以避免许多挑战。

数据的挑战

直到近期，业务才实现了数据的价值。因此，数据质量除了已成为监管要求的业务之外，它也是人工智能计划中经常出现的问题。事实上，各调查结果显示，数据质量是所有人工智能计划中最具挑战性的部分。

大多数情况下，获取到的数据并不是我们想要的格式，我们需要以一种对用例有用的方式来合并、转换和聚合数据。因此，数据整合也是人工智能人员需要应对的挑战之一。

在许多用例中，由于数据隐私问题，我们不能将数据应用在AI计划中。由于近期或即将出台的许多关于数据使用的法律法规(如GDPR)，数据隐私也成为需要应对的主要挑战之一。

技术的挑战

企业技术栈可能规模庞大且差异较大，特别是在没有IT管理的企业。由于人工智能项目需要与不同级别的典型IT项目集成，拥有不同的技术堆栈也可能是一个巨大的挑战。

另一个挑战是算法的局限性，人工智能没有灵丹妙药，每种方法都有其优缺点。我们需要在方差和偏差之间进行权衡。

模型可解释性是另一个需要应对的挑战领域，根据近期和即将出台的法规，人工智能可解释性变得越来越重要，但我们也需要在准确性和可解释性之间进行权衡。

结论

作为一个新兴的、不断发展的领域，人工智能项目能否顺利完成充满了已知和未知的挑战。如果你打算从事人工智能项目，我建议你将上述挑战牢记在心，如果发现其中任何一个挑战是可应对的，就请积极地去解决它们吧。

我将在接下来的博客文章中详细阐述这些挑战和可能的解决方案，敬请关注。

原文：https://hackernoon.com/why-artificial-intelligence-projects-fail-zf16316x

作者：Ankit Rathi是一名人工智能建筑师、出版作家和著名演说家。他的主攻方向是：根据数据工程和架构的最佳实践，构建端到端人工智能应用程序/产品。

本文为 CSDN 翻译，转载请注明来源出处。

【END】

热 文推 荐

华为发布麒麟 990 芯片；苹果召回部分电源插头转换器；KDevelop 5.4.2 发布 | 极客头条