当AI计划失败时，通常会归咎于技能缺口。但还有更多。您的组织是否优先考虑这三个基础AI支柱？雇用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，略多于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谈话的主要部分，但这一数字比去年有所下降，这表明其他挑战正在成为探索和部署人工智能项目的公司的首要考虑因素。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O'Reilly的调查，受访者认为缺乏制度支持是最大的问题，其次是难以确定合适的业务用例。当然，这是一颗更难下咽的药丸：这意味着真正的挑战在于我们，而不仅仅是有限数量的专业人员在做这项工作。AI项目成功的三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，这完全取决于适当的全公司培训、生产环境和适当的基础。有了这三大支柱，您就可以更早地实现人工智能的商业价值。1.正确的基础一个成功的AI项目需要三样东西：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。虽然AI技术在处理偏见预防、可解释性、概念漂移和类似要求方面得到了很好的理解，但许多团队在这方面仍然存在不足。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。产品经理和业务主管必须从一开始就参与进来，重新设计新的技术特性，并决定如何应用它们来让客户满意。尽管教育和工具在过去几年中有了显着改善，但在实际生产中运行AI模型仍有很大的改进空间。因此，产品管理和用户交互设计已成为AI成功的常见障碍。这些问题可以通过实践教育来解决。在课堂和会议厅之外，来自您组织各个部门的专业人士必须获得从事真实世界AI项目的经验，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人才当然是问题的一部分，但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AI在产品中的工作原理以及如何将AI转化为更好的客户体验和新收入也同样重要——责任不仅仅在于研发团队。例如，我们拥有可以像人类一样准确读取X射线的算法，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这项技术来简化他们的工作流程的培训，那么他们就没有价值。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。为此，需要接受所有组织学科的培训，包括销售、营销、产品、设计、法律、客户成功、财务等，以了解该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功能使产品团队能够彻底重新思考用户体验。干得好，新的AI功能使产品团队能够彻底重新思考用户体验。Netflix或Spotify添加推荐作为辅助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，但需要一个村庄才能实现。因此，由执行团队牵头的全公司范围内的收购对于AI的成功至关重要。3.适当的生产环境并非所有的生产环境都是相同的，因此并非所有的结果都是相同的。重要的是要了解基于组织拥有的人才、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计算机系统人为因素会议(CHI)会议系列完成）探索了一种新的深度学习模型，用于检测患者眼部病变图像中的糖尿病视网膜。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。目的是减少失明，这是一种未经治疗的疾病的症状。该论文描述了在泰国农村的一家诊所使用同样准确且高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。对一些患者来说，请假一天进行随访或其他测试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。仅仅训练你的模型是不够的，你还需要训练你的组织。花时间对你的业务的各个方面进行教育，了解你为什么要进行某个人工智能项目，它将如何影响他们的角色和客户体验，以及预期的结果。合适的人才会来，组织准备好使用它了吗？
