但不幸的现实是，85%的AI和ML项目从未完全交付，只有53%的项目从原型到生产。尽管如此，根据最新的IDC支出指南，到2025年，美国在AI上的支出将增长到1200亿美元，增幅达20%或更多。因此，重要的是要避免经常导致AI和ML项目失败的五个常见错误。1.了解训练ML算法所需的资源，尤其是数据资源虽然说AI和ML正在用于革新公司的流程听起来不错，但事实是80%的公司发现这些项目比预期的要难。为了使这些项目取得成功，需要清楚地了解在资源和人员方面需要什么。最常见的错误之一是不了解如何获得正确的训练数据——这不仅对此类项目的成功至关重要，而且还需要大量的努力和专业知识才能成功。大多数希望采用AI/ML项目的公司都无法获得确保高质量、公正结果所需的大量或多样化的数据。然而，如果不这样做，往往会成为成功的巨大障碍，导致项目成本飙升和项目信心直线下降。不乏企业可以购买的训练数据，也有很多第三方数据公司可以提供服务。问题在于，一家公司可以很容易地以低廉的价格购买大量数据并不意味着它是高质量的训练数据，而这正是成功的AI和ML项目所需要的。公司需要特定于项目的数据，而不是简单地购买一刀切的数据。因此，为减少偏差，确保数据代表广泛和多样化的受众非常重要。还需要为您的算法准确标记数据，并且应始终检查数据是否符合数据标准、数据隐私法和安全措施。2、不要指望人工智能的发展一帆风顺。机器学习算法的训练不是一个单一的过程。一旦开始训练并且更好地理解了数据模型，就必须不断地对收集到的数据进行更改。在算法训练过程开始之前，要知道您实际需要哪些数据并不容易。例如，您可能意识到您的训练集或您的数据收集方式存在问题。就像传统的软件开发一样，人工智能本质上是由软件组成的，需要持续稳定的投入，逐渐产生效益。并且在这个过程中，千万不要掉以轻心。3.始终集成质量保证(QA)测试通常，QA测试被认为是确保产品正常工作的附加组件或形式，而不是被视为在所有迭代中优化产品的必要工具。事实上，QA测试是成功开发AI的重要组成部分。应将结果验证纳入AI开发过程的每个阶段，以降低成本、加快开发时间表并确保资源的有效分配。4.安排频繁的应用程序反馈尽管看起来令人生畏，但现实是AI项目永远不会真正完成。即使项目超出了准确性和性能预期，您仍然有成长和完善的空间。此外，算法根据不断变化的事物（意见、对话、图像等）做出决策。为了让AI体验在现在和未来取得成功，必须对其进行滚动再培训，以适应新的社会环境、技术发展和其他影响数据的变化。事实上，那些看到AI采用带来最积极影响的公司遵循核心和AI最佳实践，并比同行更有效地投资AI。这包括在部署前测试AI模型的性能，跟踪性能以查看结果是否会随着时间的推移而改善，以及开发良好的协议以确保数据质量。通过开发用于开发AI程序的稳健方法，公司可以避免这些常见错误并确保其AI和ML计划的长期成功。
