出于各种原因，各个垂直行业中各种规模的公司都在继续拥抱人工智能(AI)和机器学习(ML)。他们渴望利用人工智能进行大数据分析，以识别业务趋势并在改进服务和产品的同时变得更具创新性。公司还使用人工智能来实现销售流程、营销计划和客户服务计划的自动化，以实现增加收入的共同目标。但不幸的现实是，85%的AI和ML项目未能交付，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人工智能和机器学习项目失败的五个常见错误。1.了解训练机器学习算法所需的资源虽然说你正在用人工智能和机器学习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，您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——这不仅对此类计划的成功至关重要，而且还需要大量的努力和专业知识才能成功。大多数希望开展AI/ML项目的公司无法获得确保高质量、公正结果所需的参与者数量或群体多样性。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。2.不要依赖数据经纪人来获得一刀切的训练数据企业可以购买的训练数据并不缺乏。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，而这正是成功的人工智能和机器学习项目所需要的。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。数据还需要为您的算法进行很好的注释，并且应始终检查是否符合数据标准、数据隐私法和安全措施。3、不要误解人工智能发展的曲折之路机器学习算法的训练并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。但是，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。这是许多公司在使用数据代理时遇到的另一个问题：他们经常严格限制修改策略或根本不允许修改。唯一的办法就是购买额外的训练集来满足新的要求。然而，在这样做的过程中，一个恶性循环开始了，使预算不堪重负，延误了进度并降低了效率。4.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。5.安排频繁的审查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，用于这样做的数据也反映了过去的一点。此外，该算法学习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，以适应新的社会态度、技术发展和其他影响数据的变化。最终，失败的原因是公司低估了在项目开始时确保顶级资源、最佳实践和最高质量所需的努力和规划方法。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。通过开发一种强大的程序化方法来开发AI，组织可以避免这些常见错误，并确保其AI和ML计划的长期成功。
