聘请合适的技术人才仍然是组织采用人工智能(AI)的重大障碍。根据O'Reilly最近的一项调查，超过六分之一的受访者表示，难以雇用和留住具有AI技能的专业人员是其组织采用AI的重大障碍。虽然人才缺口仍然是讨论的主要内容，但这个数字比上一年有所下降，这表明其他挑战正成为企业探索和部署人工智能项目的首要考虑因素。尽管如此，技术技能差距并不是采用人工智能的最大障碍，也不是许多人工智能项目失败的原因。事实上，根据同一份O'Reilly调查，受访者认为缺乏机构支持是最大的问题，其次是难以确定合适的业务用例。当然，这是一颗难以下咽的药丸：这意味着真正的挑战在于我们，而不是有限的专业人员来完成这项工作。AI项目成功的3大支柱那么组织如何避免AI项目的常见陷阱呢？与其他技术实施一样，这一切都归结为适当的全公司培训、生产环境和正确的基础。有了这三大支柱，您就可以更早地开始实现AI的商业价值。1.正确的基础一个成功的AI项目需要三件事：数据科学家必须拥有高效的工具、具有领域专业知识并能够访问相关数据。尽管AI技术变得更容易理解——从处理偏见预防、可解释性、概念漂移和类似要求——许多团队在这个领域仍然存在不足。组织必须学习如何在生产中部署和操作人工智能模型。这需要部署DevOps、SecOps和新兴的AIOps工具和流程，以便模型随着时间的推移继续在生产中准确运行。产品经理和业务负责人必须从一开始就参与进来，重新设计新技术功能，并决定如何应用它们来取悦客户。尽管教育和工具在过去几年中有了显着改善，但在生产中动手实践AI模型方面仍有很大的改进空间。在这种情况下，产品管理和用户交互设计正成为AI成功的常见障碍。这些问题可以通过投资实践教育来解决。除了教室和会议厅，来自整个组织的专业人员必须获得从事AI项目的实践经验，了解他们可以做什么以及该技术如何推动您的业务发展2.全公司范围内的协作和培训当然，人才是一部分的问题，但这需要的不仅仅是数据科学人才。问题的根源往往在于业务和产品专业知识。与技术人才一样重要的是，了解人工智能将如何在产品中发挥作用以及它如何转化为更好的客户体验和新收入同样重要——而且这一责任不仅仅落在研发团队身上。例如，我们的算法可以像人类一样准确地读取X射线，但我们现在才开始将此功能集成到临床工作流程中。如果医生和护士没有接受过如何使用该技术来简化他们的工作流程的培训，那么这对他们或他们的病人就没有任何价值。能够训练和部署准确的AI模型并不能解决如何最有效地使用它们来帮助客户的问题。这样做需要对所有组织学科（销售、营销、产品、设计、法律、客户成功、财务）进行教育，让他们了解技术为何有用以及它将如何影响他们的工作职能。干得好，新的AI功能让产品团队能够彻底重新思考用户体验。干得好，新的AI功能让产品团队能够彻底重新思考用户体验。这是Netflix或Spotify将推荐添加为可访问性功能与围绕内容发现设计用户界面之间的区别。这有很大的不同，但也需要一个村庄才能实现。这就是为什么由执行团队带头的全公司范围的支持对于AI的成功至关重要。3.适合的生产环境并不是所有的生产环境都是一样的，所以并不是所有的结果都是一样的。重要的是要了解基于您拥有的人才、基础设施和数据的AI项目的局限性，并从一开始就设定明确的期望。例如，最近的一篇研究论文（为ACM计算系统人为因素会议(CHI)会议系列所做）探索了一种新的深度学习模型，用于从患者眼睛的图像中检测糖尿病性视网膜病变。科学家们训练了一个深度学习模型，以根据过去几年眼科检查中拍摄的角膜照片来识别患者糖尿病视网膜病变的早期阶段。目标是减少失明，失明是未经治疗的疾病的一种症状。该论文描述了在泰国农村的一家诊所使用同样准确、有效的模型时发生的情况：用于拍摄患者眼睛图像的机器不如用于训练模型的机器复杂。使用的检查室并不像训练有素的模型所假设的那样完全黑暗。对于一些患者来说，再请一天假进行随访或额外检测并不是一个可行的选择。首先，并非所有医生和护士都接受过解释为什么需要这项新测试的培训。缺乏适当的基础设施和对医院工作人员的凝聚力教育，再加上对实际局限性的理解，是人工智能项目失败的典型例子。随着教育赶上工业，人工智能人才缺口在未来几年仍将是一个挑战。但与此同时，组织可以采取一些措施来确保其AI项目的成功。仅仅训练您的模型是不够的——还要训练您的组织。花时间对您的业务的各个方面进行教育，了解您为什么要从事某个AI项目，它将如何影响他们的角色和客户体验，以及会发生什么。组织准备好使用它了吗？
