我们很容易误解任何新技术。AI方面似乎尤为明显。这与其潜在的影响范围变得有些神话有关。“人工智能经常被误解。因为，我们需要探索一个巨大的宇宙，而探索未知可能会令人困惑和恐惧，”Very的工程副总裁BillBrock说。对于试图在企业中构建AI的实际应用程序的IT领导者来说，这已成为一个特殊的问题。“人工智能在企业中越来越普遍，但在应用场景以及如何改进或更新遗留系统方面仍然存在很多误解，”布洛克说。了解不同类型的技术如何增强我们的系统并创造更有效的环境。事实上，“浪漫化技术”是天空推销的主要内容，而不是战略性CIO通过AI实现的底线结果。此外，将现实浪漫化往往会制造神话，阻碍实现可行的目标。因此，我们在这里请Brock和其他专家找出当今企业中有关AI的常见迷思，以帮助IT领导者和其他业务专业人员区分事实与虚构。误区1：AI等于机器学习不是。了解两者之间的区别至关重要。机器学习更像是人工智能的一个子学科。“我发现在许多交易所中，这些术语之间几乎没有区别，”SigOpt的研究科学家迈克尔麦考特说，这是有问题的。例如，如果一家公司的领导层认为建立一个分类模型就等于用数据来支撑决策过程，那么它就会忽略建立模型结构和意义这一重要步骤。这会导致公司对AI的投入不够，没有足够的人力去深入到更大的场景，最终导致失败。误区二：人工智能和自动化是一回事人工智能和自动化也经常被混淆。它们之间确实存在重要的相关性。“随着人们对人工智能越来越熟悉，他们会明白它是一种会思考的机器，至少能够根据一系列预先定义的模型、算法做出智能决策。而‘自动化’只是在没有人为干预的情况下.完成工作。Brock说：“自动化并不一定意味着人工智能，但人工智能的一些最具影响力的例子将以戏剧性的方式增强自动化。”误区三：数据越多越好这种误解在人工智能结果中根深蒂固，似乎人工智能成功的唯一真正前提是“数据”。目前，人工智能和机器学习团队的工作几乎完全集中在数据挖掘和清洗上.“重要的不是数据的数量，而是质量，”LexisNexisLegalandProfessional的首席数据官RickMcFarland说。’结果愚弄了建模者，因为方差公式与样本量成反比。”他说，从早期AI失败中吸取的常见教训之一是：我们只是向它投入大量数据并假设它会起作用。在早期阶段，海量数据不一定更好。“高质量数据是有效算法不可或缺的一部分，”Very的Brock说，并指出无论您要解决什么问题，不良数据都会产生不良结果。“最佳实践是使用结构化方法并测试偏差以创建更好的训练数据集。”McFarland说，建模者实际上可以使用成本较低的较小数据集。误区4：人工智能从部署的那一刻起就会产生价值并不是说拥有更多数据就不好。事实上，随着时间的推移，它会变得越来越有必要，只是数量和质量必须同步。一般来说，没有人期望AI计划会立即获得投资回报，但有时，许多人继续描述，只要打开它，你就会看到它的魔力。NetEnrich首席技术官JavedSikander表示：“AI和ML引擎需要训练，并且需要大量数据来学习。可以播种一些数据，”然而，大部分数据来自其部署的领域，以及AI/机器学习系统专注于学习。因此，期望系统在第一天就提供建议和见解是不合理的。我们需要建立流程，并在各种环境中分配资源，逐步学习，然后才会发生奇迹。误区5：AI和机器学习基本上只是“软件开发”Algorithmia首席执行官DiegoOppenheimer认为，组织正在以与任何其他软件开发相同的方式来处理AI和ML。“AI/ML开发只是软件开发的一个神话，”Oppenheimer说，事实上，大多数ML项目失败的一个很大原因是ML工作负载的行为与传统软件有很大不同，它们需要一套不同的工具、基础设施、以及大规模部署和管理的流程。Oppenheimer指出了以下问题：1.异构性：语言和框架种类繁多且不断增长。2.可组合性：AI和ML涉及多组件协作，每个组件可能由不同的语言和不同的团队构建。3、开发过程：在传统的软件开发中，输出的是“在受控环境中执行的代码”。在机器学习中，输出是“一个不断发展的生态系统”。这需要更多的迭代循环。4.硬件/基础设施：CPU、TPU、GPU、边缘计算，以及任何新的选择，每个都有不同的优势和挑战。5.绩效指标：没有适用于每个人甚至很多人的标准指标集。误区6：AI只是另一种需要考虑的“技术”就好像过去的事情又在发生一样。AllCloud数据和人工智能副总裁GuyErnest表示，这可能会导致IT团队简单地将人工智能视为另一个技术周期。不是这样。“人工智能更像是人类的大脑或身体：你使用它的次数越多，它就会变得越强大、越聪明，”他说。他还强调，大多数技术都是“脆弱的”。您使用它们的次数越多，它们就会变得越复杂和易碎。误区7：人工智能只适用于科技公司。AI并不是所有业务问题的解决方案。SigOpt的McCourt说，在最坏的情况下，一家公司可以选择退出人工智能革命，如果目前的趋势继续下去，公司将不得不跟随而不是引领。他说，这个神话渗透到商业世界，导致人们认为人工智能的早期开发者和采用者是技术最精明、最先进的公司。误区八：人工智能取代人类智能的需要人工智能之所以神秘，部分原因是人工智能超越了人类智能。就在这时，“机器人统治”的叙事开始走向高潮。Sikander说：“机器可以像它们输入的数据和它们被编程采取的行动一样聪明。”“人工智能和机器学习可以帮助我们识别海量数据中的模式并自动执行操作，几乎不需要人工干预。用于决策的算法和模型仍然必须由人类提供。”LexisNexis首席数据官McFarlane表示，认为人工智能学习“就像人类一样”是一种误解。“人类在学习或解决问题方面具有先天优势。就像无聊一样，”McFarlane说，“人工智能模型永远不会感到无聊，也不会发现自己的方式是愚蠢的。他们从近乎无限的可能性中寻求最佳答案，甚至追逐到一个可能永远也出不来的“兔子洞”。相比之下，人类厌倦了追逐无限的可能性，重新考虑现状，积极追求不同的道路。“
