该报告指出，许多公司未能将数据科学工作和AI实施转化为实际经济价值。对2500名科技领袖的调查发现，尽管对AI技术抱有很高的期望，但只有四分之一的受访者表示对AI的表现非常满意。ITSPInfosys在报告中称，所有接受调查的公司都缺少这些价值，相当于4600亿美元的利润。这些公司将从人工智能中获益最多，专注于确保将数据科学整合到业务中，而不仅仅是一个副项目。该公司总裁莫希特·乔希(MohitJoshi)表示：“至关重要的是，企业不要将数据和人工智能与业务分开看待，而是要以不同的方式看待它们。”该报告的主要发现是，解决方案应侧重于三个领域：数据共享、对高级人工智能的信任、业务优先级。该报告显示，尽管在首次启动AI项目时寄予厚望，但大多数组织未能在其中一个或多个关键领域采取行动。总体而言，63%的AI模型只是基础功能，由人驱动，在数据验证、数据实践、数据策略等方面往往存在不足。只有26%的受访者表示他们对他们的数据和人工智能工具非常满意。“虽然人工智能的应用很吸引人，但显然还缺少一些东西，”乔希说。英国对AI的总体满意度最高，尽管数据共享率最低，并且普遍倾向于本地AI应用程序而不是迁移到云计算解决方案，这可能会导致后续问题。他解释说，“对于业务问题和人工智能系统，企业需要控制和掌握最有效、最有用的数据。所以对人工智能的信任也很重要。我们的研究发现，高级AI需要信任AI才能实现最佳性能。如果与AI打交道的人不信任AI，那么该模型就有被闲置的风险。数据伦理和偏见管理的最佳实践是推进人工智能的核心。”该调查还包括，四分之三的企业希望在其业务中运行AI，但大多数企业是AI的新手，并且在扩展应用程序方面面临艰巨的挑战，这在很大程度上是由于缺乏技能和招聘困难。“数据+AI雷达”研究由ITSPInfosys知识研究院进行。该研究所发现，所谓的“高绩效者”对人工智能和数据的看法不同，那些将数据视为货币（共享并让其流通）的人获得了最高回报。研究团队发现，当数据被视为货币并通过中心辐射型数据管理模型流通时，企业可能会获得1050亿美元的增量价值，而那些以低延迟更新数据的企业会产生更多的利润、收入和其他价值衡量标准。该调查报告称，除了收入增长外，对使用AI非常满意的企业始终拥有值得信赖、合乎道德和负责任的数据实践，这些实践克服了数据验证和偏见的挑战，建立了信任，并使从业者能够使用深度学习和其他高级算法。将数据科学应用于实际需求的企业还创造了额外的价值、提高了效率，并额外产生了450亿美元的利润增长。当被问及企业是否难以跟上人工智能的快速发展时，Joshi表示，“问题是企业在应用人工智能时能否取得良好的效果。转向何处。虽然机器学习和人工智能正在快速推进，我们看到，正是企业重新定义了他们的数据处理方法，以便从机器学习和人工智能中获得最大价值。其中一部分是将数据用于人工智能工具，并以适合业务的方式进行准备，其中包括识别需要将这些数据与鼓励通过中心辐射型数据管理系统进行共享的做法相结合。Joshi说：“我们相信数据是一种新的货币。数据就像货币，流通就会增值。许多企业认识到新兴的数据经济具有巨大潜力，并与合作伙伴和同行建立数据经济。共享生态系统可以带来比孤立运行更大的好处，”这与需要数据集中化的传统思维背道而驰。Joshi表示，他们发现一个系统将数据集中组织起来，然后依靠将数据辐射给团队自由操作和灵活使用是最好的方法。例如，从第三方导入数据和高水平的数据共享是比任何其他数据或人工智能计划更大的利润驱动因素。“模型操作”可以帮助扩展AI系统Joshi表示，如果企业现在不采取行动并以不同的方式思考AI和机器学习，他们将面临局限性、对AI系统的不满以及在新数据经济中的挣扎。麻烦。他补充说：“企业需要采用一种AI部署框架，该框架不仅允许进行实验，而且还可以以可预测的方式扩展AI。‘模型操作’等概念可以为组织提供构建可扩展平台驱动程序以提高灵活性的视角在推出期间，确保流程标准化，并使用支持作为基准模型性能的衡量标准。乔希说，另一个重要方面是确保企业遵守道德和法律惯例，尤其是在政府颁布立法以防止数据滥用和不道德行为的过渡时期。他说，必须以可持续和深思熟虑的方式采用人工智能，以便它可以与我们的社会结构共存，以实现更大的利益。因此，科技行业必须促进行业、社区和监管机构内部和之间的讨论，并在任何人工智能技术在公共领域发布之前讨论其收益、成本和后果。“
