我们已经看到COVID-19如何给企业施加压力，使其数字化转型进程加速数月，在某些情况下甚至数年。大流行病的到来让他们重新思考触手可及的技术——尤其是人工智能(AI)——并利用它们来提高生产力、解决供应链问题以及无缝交付产品和服务。组织已经意识到需要将AI集成到他们的数字战略中，本文将重点解决常见的AI采用挑战。人工智能是一项革命性的技术，可以节省时间、精力和金钱。它不再局限于科学教科书或科幻小说；它有无数的实际应用。企业现在认识到实施这种未来技术的重要性。事实上，机器智能的高度渗透可以解决根本问题。根据麦肯锡的一项调查，人工智能的采用率在2021年呈上升趋势，并将继续上升。它指出，“56%的受访者表示至少在一项职能中采用了人工智能，高于2020年的50%。”虽然企业已经意识到采用人工智能是前进的方向，但它并不总是那么容易。那么，阻碍公司实现这种下一代技术的巨大潜力的主要障碍是什么？让我们逐一讨论这些AI采用挑战。道德考量采用人工智能的第一个挑战是，随着组织将人工智能集成到更多流程中，道德如何成为一个紧迫的问题。人工智能为人类偏见带来了合理的科学依据，并倾向于放大这些偏见，从而质疑其决策潜力。幸运的是，我们有一个解决方案。一个有希望的迹象是人们越来越意识到这个问题，承认AI存在偏见的可能性是第一步。当企业训练他们的AI/ML模型时，他们必须积极对抗有偏见的数据，并专门对其AI进行编程以使其不带偏见。此外，注释者必须在将训练数据输入算法之前对其进行仔细分析。这样，它不会导致有偏见的结论。数据质量低下采用人工智能实现盈利的最关键障碍之一是所用数据质量低下。任何AI应用程序的智能程度取决于它可以访问的信息。不相关或标记不准确的数据集会阻止应用程序正常工作。许多组织收集了太多数据。它可能充满不一致和冗余，导致数据衰减。可以通过简化收集过程来提高数据质量。利益相关者必须更加关注数据清理、标签和仓储。这些工作流变化可以为企业提供高质量的数据。数据治理面对日益增多的网络犯罪，负责任的数据治理比以往任何时候都更加重要。人们担心公司如何访问和使用他们的机密信息，因此利用面向客户的AI的组织在部署应用程序时要对自己负责，这一点很重要。这里的关键是细分和可见性。组织必须确保他们能够监控和限制他们的人工智能算法在所有阶段如何使用数据。分段减轻了违规的影响，并尽可能保证用户信息的安全。同样，透明的数据收集政策有助于缓解与人工智能相关的担忧。流程缺陷公司通常使用内部工具和管道进行AI部署和监控。从头开始构建高效的AI模型需要大量时间和金钱。因此，如果您刚刚起步，采用AI可能会让您付出高昂的代价。此外，您的工具可能包含不适当的算法和有偏见的数据。在这种情况下，采用第三方工具进行AI集成或者使用经过市场验证的工具是更明智的选择。网络安全AI实施会带来网络安全风险。为了收集人工智能计划的数据，发生了许多数据泄露事件。因此，保护??存储的数据免受恶意软件和黑客攻击应该是公司的首要任务。强大的网络安全防御方法可以帮助防止此类攻击。此外，人工智能采用领导者需要认识到复杂威胁的威胁越来越大，并从被动策略转变为主动策略。存储限制训练AI/ML模型需要恒定数量的高质量标记数据集。因此，组织需要将大量数据输入机器学习算法，以便它们能够执行所需的活动并提供可靠的结果。这已变得具有挑战性，因为传统存储技术价格昂贵且存在空间限制。然而，最近的技术突破（例如闪存）似乎提供了解决方案。与昂贵的传统硬盘驱动器不同，闪存更可靠、更实惠。合规性人工智能和其他以数据为中心的操作越来越受到法律法规的关注。组织必须遵守这些限制，特别是如果它们在金融和医疗保健等受到高度监管的行业中运营。采取灵活的方法来维护高隐私和治理标准可以帮助这些公司变得更加合规。由于法规的增加，第三方审计师的需求量更大。人工智能正在改变游戏规则，其潜力值得一试。根据普华永道的一项研究，“到2030年，人工智能可为全球经济贡献高达15.7万亿美元，超过中国和印度目前的产出总和。其中，6.6万亿美元可能来自生产力的提高，9.1万亿美元可能来自消费者的副作用。”但是什么能让人工智能为公司服务呢？预测人工智能采用的障碍并采取战略实施方法可以帮助组织实现转型增长和最大化回报。
