根据最近的两份Gartner报告，85%的人工智能和机器学习项目未能交付，只有53%的项目从原型到生产。然而，同一份报告显示，对人工智能的投资几乎没有放缓的迹象，许多公司反而计划增加投资。凭借一些常识性的商业思维，许多失败是可以避免的。然而，有强大的投资驱动因素，例如：FOMO（害怕错过）；拥有大量营销预算的人工智能公司夸大了风险投资泡沫；而要走向数据驱动型企业，投资是必要的。与其将人工智能或机器学习项目视为一次性成功，不如升级数据库或采用新的CRM系统。将人工智能视为一种老式的资本投资，类似于制造商判断投资昂贵机器是否合理。制造商不会像许多企业看待人工智能和机器学习那样，将机器视为花哨的新玩具。每个采购决策都会考虑新的或改进的产品足迹、备件、维护、员工培训、产品设计以及营销和分销渠道。当公司采用新的人工智能或机器学习系统时，也应考虑同样的问题。以下是企业在投资人工智能和机器学习时经常犯的六个错误。本末倒置在不知道要回答什么问题的情况下分析程序可能会令人失望。尤其是有这么多分心的事情，很容易分散你对关键问题的注意力。自动驾驶汽车、人脸识别、无人驾驶飞机等都是现代奇迹。人们很自然地尝试做这些新奇的事情，但不要忽视人工智能和机器学习带来的核心商业价值。做出更好的决定。使用数据做出决策并不新鲜。RAFischer可以说是世界上第一位“数据科学家”，他在1926年的一篇10页短文中概述了做出数据驱动决策的要点，《现场实验的安排》(PDF)。运筹学、六西格码和爱德华兹戴明等统计学家的工作说明了使用统计计算的限制作为定量变量来分析数据的重要性。简而言之，您应该开始将AI和机器学习视为改进现有业务流程的一种方式，而不是一种新的商机。首先分析流程中的决策点并问自己：“如果我们可以将此决策改进x%，它将如何影响我们的结果？”忽视组织变革实施变革管理的难度是AI项目全面失败的一个重要原因。许多研究表明，技术、模型和数据只是大多数转型项目失败的部分原因。同样重要的是数据优先的员工心态。事实上，员工心态的改变可能比AI本身更重要。具有数据驱动思维模式的企业使用电子表格也可以同样高效。人工智能计划取得成功的第一步是建立信任，即数据驱动的决策优于直觉或传统。文职数据分析师的努力大多失败，因为业务线经理或高管固执己见，对数据缺乏信任，或拒绝将决策权委托给数据分析过程。因此，人们更多地涉足一些非常基本的分析活动和许多自上而下的举措，而不是业务转型，从而产生了好奇和重构的想法。企业变革和涉及的问题已经得到广泛研究，仍有一线希望。企业变革是对高管团队斗志的考验。它不能通过上面的法令来完成。它需要人们的思想和态度发生温和、微妙甚至缓慢的变化，并认识到每个人在推动行动时的反应不同。一般来说，沟通、以身作则、参与和持续改进四点是关键，它们直接关系到决策管理过程。鉴于数据驱动的决策通常是违反直觉的，因此改变AI领域的企业文化具有挑战性。建立数据驱动决策优于直觉或惯例的信任需要一个被称为“生理安全”的要素，只有最具前瞻性思维的领导团队才能掌握。有一个反复出现的首字母缩略词，ITAAP，意思是“一切以人为本”。一个成功的项目通常会将超过50%的预算花在变革管理上，我认为应该接近60%。因为，还有另外10%到首席人力资源官办公室做项目具体的人事分析计划。作者：SteveNunez原文网址：https://www.infoworld.com/article/3639028/why-ai-investments-fail-to-deliver.html
