2019年推动人工智能发展的力量有哪些？研究公司ForresterResearch细化了企业CIO对来年人工智能的5大预测。很多企业希望在2018年获得一个能够应对外部压力和变化的IT环境，但在成本、资源匮乏、文化阻力、数字化转型实现难度等方面存在着严酷的现实。根据研究公司ForresterResearch的一系列报告，这些报告指出了IT团队在2018年实施人工智能技术时的雄心和执行力之间的差距，并预测了2019年将会发生什么。IT团队的风险仍然很高，但Forrester认为，随着企业CIO对数字化转型采取更务实的方法，并专注于为创新和扩展运营构建更持久、更有效的基础，2019年情况将有所改善。实用AI这对企业AI之旅意味着什么？Forrester预测，具有增强、自动化和个性化三大特征的PragmaticAI将在2019年开始实施，因为许多企业CIO放弃了宏大、长期的AI发展目标，并意识到必须与AI可以做什么相结合今天，不是它将来能做什么。这将帮助公司摆脱更广泛的“人工智能清洗”问题，即声称公司的品牌和产品涉及人工智能，而这种联系可能微弱或不存在。“将AI算法替换为遗留算法只能提供有限的短期改进，”该报告的分析师兼合著者MicheleGoetz说。Forrester的2019年人工智能预测报告基于2018年客户就人工智能提出的数千个问题以及公司的深入研究，重点关注以下五个顶级预测：(1)数据质量仍将是一个挑战根据Forrester的说法，人工智能采用者面临的第一大挑战是获取高质量数据。该公司预测，“数据下滑”将继续影响大多数在2019年开始采用人工智能的公司。因此，Forrester表示，对于大多数已经涉足人工智能的公司来说，这将把人工智能(AI)转向信息架构(IA)).因为他们意识到使用人工智能需要一个配得上人工智能的数据环境。人力资源咨询公司O.C.副总裁兼首席技术官NielNickolaisen表示：“在可预见的未来，数据下滑将持续存在。”皮匠。“数据杂乱无章，清理起来需要时间和精力。我预计数据质量仍然是一个挑战。”Goetz将数据质量命名为与企业CIO最相关的AI方面，并且在Forrester的AI预测中名列前茅。“数据是业务的数字双胞胎，而不是数字排放，”她说，并解释说企业CIO必须以新的方式处理人工智能中的数据。简单地将数据迁移到云端供数据科学家使用，忽略了允许AI深入了解业务和客户的语义设计原则。“数据需要在其来源的数据库、文件或表格之外进行解释，并代表背景、影响、意图、行为、决策、行动和结果，”Goetz说。(2)企业将人类带回圈子Forrester预测，到2019年，利用AI的企业中有10%将把人类带回圈子。机器学习非常适合分析数据以创建模型来进行预测、识别模式和自动化决策-报告指出，但它缺乏人类推理。“就像我们对员工的管理和治理监督一样，人工智能也应该受到保护，”Goetz说。和经理。”“凭借商业智能、GRC和人机协作能力，机器人可以被视为虚拟团队成员并进行管理，降低AI行动的风险，同时确保AI可以不断向团队成员和管理者学习，避免道德问题和错误决策，”她说。然而，Nickolaisen认为，将人类带入这个圈子有可能影响AI的某些动态和驱动力。他说：“我一直认为AI的力量在于能够快速处理大量数据数据和变量，并提供人类可以做的事情，但速度要快得多。有时数据中会存在差距，因此人工智能可能会做出最佳决策，并通过直觉缺失数据可能意味着什么来让人类更了解这些决策，这会产生风险。”(3)企业将在AI人才争夺战中使用AIAI人才短缺的不仅仅是数据科学家和机器学习架构师，还包括训练和管理AI系统所需的法律、客户体验和运营专业知识。根据Forrester的研究，三分之二的AI决策者难以找到和获得AI人才，83%的公司难以留住人才。该公司预计，2019年，我们将看到企业开始将人工智能应用于招聘，以解决传统招聘方式无法解决的人工智能人才短缺问题。Nickolaisen说人工智能驱动的招聘听起来很有吸引力，但他不确定算法会在哪里收集数据来建议招聘选项。“我认为更有可能解决人才需求的方法是能够创造更多可用人工智能工具的公司。这也意味着这些工具将更加垂直，”他说。（4）机器人流程自动化（RPA）和人工智能技术Forrester预测，机器人流程自动化（RPA）和人工智能将为40%以上的企业共同打造数字化员工。企业一直在明确解决这些技术，例如用于自动化的机器人过程自动化(RPA)和用于智能控制的人工智能，但要真正创新并创造突破性机会，需要将两者结合起来。该报告提供了一些用例：解决服务平台问题的分析、RPA机器人的聊天机器人、触发数字工作者的物联网事件，以及将非结构化数据组织到机器人过程自动化(RPA)任务中的文本分析。后者在实际部署方面领先于四个机器人过程自动化(RPA)类别。(5)对“可解释的人工智能”的兴趣增加根据Forrester的说法，一些机器学习算法是透明且易于理解的，而另一些（如神经网络）则是不透明的。在2019年，情况不会永远如此。在其AI预测报告中，该研究公司预计像GDPR这样的法规，它规定自动决策主体有权对所做出的决定进行解释，这将激发企业和供应商对“可解释性”的兴趣，从而创造一个新兴的供应边市场。Forrester列举了对AI需求不断增长的例子：DARPA对其进行投资，以及Equifax、IBM和Pegasystems等供应商引入实用的AI服务和功能。Nickolaisen对采用务实的AI也有些犹豫。他说，“我同意这些算法需要有一定的透明度，但这是否会削弱机器学习测试不同模型和创建最佳链接因果关系的整体能力？”
