如今，有很多事情让企业管理者日夜忙碌，无论是经济环境还是有时看起来会进一步恶化的市场环境，以及不断变化的需求消费者对企业施加了持续不断的压力。
但人们忘记了一件事：技术。
也许最相关的是，技术的快速进步继续扰乱组织开展业务的方式，这足以导致企业高管失眠。
不可否认，如果企业未能跟上步伐，它将不可避免地落后于竞争对手。
这将是一个要么进化，要么消亡的市场案例。
该领域的主要参与者之一是人工智能（AI）。
并已成为行业媒体经常提及的热门术语之一。
许多企业仍在寻求采用人工智能来获得额外的商业利益，提高运营效率，并向客户提供新产品和服务。
但他们是否采取了最好的方法来实现这些目标？对于尚未在人工智能方面取得成功的企业来说，即使他们开始了这一旅程，也很容易对竞争对手的领先地位感到失望。
他们经常以绝对主义的方式看待人工智能：要么整个组织拥有完全自动化的系统，要么根本没有。
但人工智能并不是一种非此即彼的二元技术：成功的应用程序可以构建在较小的成功项目的平台上，而这本身就是反复试验的结果。
与其尽快在整个企业范围内推广人工智能，不如尝试在小范围内提供真正效益的举措会更有效。
这并不能改变成功的人工智能项目将面临多重障碍的事实，但它们并非不可克服。
然而，组织必须了解他们需要克服的障碍来开发和交付解决实际业务挑战的项目。
人工智能面临的主要挑战 今年早些时候，O'Reilly 向 3,000 多名企业受访者询问了他们对人工智能和深度学习的准备情况，包括采用必要的工具、技术和技能。
特别值得注意的是调查中揭示的人工智能技能差距。
缺乏人才被认为是人工智能项目成功的最大瓶颈，五分之一的受访者表示这一点。
这在人工智能项目中尤其重要，因为从头开始构建此类应用程序依赖于端到端数据管道（包括数据摄取、准备、探索性分析以及模型构建、部署和分析）。
然而，企业需要的不仅仅是技术人才。
他们还需要精通业务的人才根据人工智能提供的数据和见解做出战略决策。
深度学习仍然是一项相对较新的技术，它尚未成为工业数据科学家使用的典型算法集的一部分。
那么谁来做这项工作呢？ AI行业人才短缺，而AI项目的增多意味着人才库很可能会变得更小。
企业需要认真解决技能差距。
这可能包括聘请外部顾问以及开发和培训必要的内部技能——例如通过使用在线学习平台。
在调查中，大多数企业（75%）表示他们的公司正在使用某种形式的内部或外部培训计划。
近一半 (49%) 的企业表示为员工提供内部在职培训，而三分之一 (35%) 的企业表示使用第三方或私人培训顾问或承包商的培训服务。
另一方面，人工智能的业务案例要求业务管理层识别用例并为每个特定项目找到赞助商，确保提供清晰的业务案例。
数据的作用成功项目的另一个关键挑战是确保所使用的数据完全准确且最新。
机器学习和人工智能技术可用于完全或部分自动化许多企业工作流程和任务。
由于这些技术依赖于从一系列新的外部源以及不同内部业务部门持有的现有数据集提取信息，因此显然必须对这些数据进行适当的标记。
此过程的第一步是确定哪些任务应优先实现自动化。
人们提出的问题包括：任务是数据驱动的吗？是否有足够的数据来支持任务？计划交付的项目是否有商业案例？企业必须记住，虽然采用人工智能和机器学习技术可以让事情变得更容易，但为了充分利用它们，它们需要针对特定??领域和用例进行定制，这可能涉及计算机视觉（图像搜索和对象检测）或文本挖掘等技术。
经常调整这些技术对于提供准确的见解至关重要，这需要准确地标记大型数据集。
首席数据官 (CDO) 是解决数据挑战的关键。
首席数据官 (CDO) 负责考虑获取数据、数据治理以及将数据转化为有用目的的端到端流程。
熟练的首席数据官 (CDO) 可以帮助确保人工智能计划提供完整的功能。
深度学习简介 回到调查，四分之三的受访者 (73%) 表示他们已经在使用深度学习软件。
TensorFlow 是受访者中最受欢迎的工具，Keras 排名第二，PyTorch 排名第三。
MXNet、CNTK 和 BigDL 等其他框架的受众也在不断增长。
希望所有这些框架，包括那些现在不太流行的框架，将继续增加用户和用例。
最终，每个企业都能够成功实施人工智能，只要有决心并在培训上进行适当的投资，人工智能就会蓬勃发展。
然而，对于企业来说，从一开始就设定明确的目标很重要。
在此过程中，您需要确保您的团队拥有适当水平的专业知识和技能，以使您的企业在应用人工智能方面迈出成功的第一步。