问题出在哪里？)和其他新兴技术具有为个人、企业甚至政府解决复杂问题的巨大潜力。然而，尽管过去两年AI的采用越来越多，但只有一小部分公司承认AI技术的引入为其业务进步贡献了重要价值。那么，问题出在哪里呢？企业在应用AI技术时犯了哪些错误？有什么办法可以避免这些错误吗？不要解决错误的问题。在决定在哪里应用人工智能来解决问题时，要通过透视情况并让企业的业务和IT部门都参与设计过程。因为业务部门和IT部门都没有办法给出所有的意见。商业部门的领导者知道可以拉动哪些杠杆来获得竞争优势，而技术部门的领导者知道如何使用技术来实现这些目标。两者一起可以帮助全面了解问题、需求和预期结果，并可以确定哪些变更将产生最大的运营和财务影响的优先级。例如，一家平均发票处理时间为36小时的消费品零售公司希望帮助加快处理速度，同时降低成本并提高效率。据测算，应用AI/ML解决方案可将发票处理时间缩短至30分钟，效率提升720%。从表面上看，改进很好，但公司的每周计费流程意味着处理时间的改进微不足道，解决方案从未实施过。在考虑要解决的问题时，重要的是将其与三个关键的底线业务驱动因素联系起来——增加收入、提高利润率或降低风险。在上述案例中，节省时间并不一定意味着增加收入或降低成本。数据质量是成功的关键今天，大多数人不会质疑数据在AI项目中的关键性和重要性。干净、可靠且可访问的数据是获得准确结果的关键。对于一个人工智能系统来说，算法是好的，模型是有效的，但是如果数据质量不好或者不好采集或者不可行，那就意味着整体的失败。因此，企业必须确定他们需要收集哪些数据，他们是否真的可以收集这些数据，收集这些数据的难度和成本有多大，以及它是否提供了所需的信息。例如，一家金融机构希望使用AI/ML来自动化贷款处理，但源记录中缺少数据元素导致错误率很高，因此解决方案失败了。为此，需要创建第二个ML模型来审查每条记录。那些满足所需置信区间的记录在自动化过程中被推进，而那些不符合要求的置信区间的记录被拉出进行人工干预以解决数据质量问题。这个多阶段过程大大减少了所需的人机交互，使该机构的效率提高了85%。如果没有额外的ML模型来解决数据质量问题，即使使用自动化解决方案，该机构也永远不会取得有意义的结果。内部构建还是请求第三方？企业在构建人工智能系统时，往往面临自主研发还是引入第三方的矛盾选择。一般来说，自建的解决方案具有很高的“可控性”，因为算法开发、数据清洗、模型测试验证等工作都在自己手中。但是，构建您自己的AI解决方案很复杂，除非您使用开源代码，否则您将面临所用工具的许可费用以及与前期解决方案开发和维护相关的成本。那么引入第三方解决方案就够了吗？不一定，第三方解决方案也有自己的挑战，包括：无法访问模型或它的工作原理；无法知道模型是否在做它应该做的事情；如果解决方案是基于SaaS的，则您无权访问数据；您无法进行回归测试或理解错误接受度或错误率。在受到严格监管的行业中，随着监管机构的质疑，这些问题变得更具挑战性。例如，一家金融服务公司正在验证使用人工智能识别可疑活动的SaaS解决方案。因为它引入了第三方，所以该公司无法访问底层模型或数据，也没有关于该模型如何确定哪些活动是可疑的细节。那么，公司如何进行尽职调查并验证该工具是否有效？在这种情况下，该公司发现其唯一的选择是对它试图检测的可疑或恶意活动进行模拟。但即使是这种验证方法也存在挑战，例如确保测试不会产生负面影响、造成拒绝服务条件或影响服务的可用性。该公司决定在测试环境中运行模拟，以最大限度地降低影响生产的风险。如果公司选择利用这种验证方法，他们应该审查他们的服务协议以验证他们是否有权进行此类测试，并且应该考虑是否需要获得其他可能受影响的第三方的许可。收集所有相关声音在考虑开发AI解决方案时，重要的是要预先召集所有相关决策者，包括业务利益相关者、IT、合规性和内部审计。这可确保在计划和工作开始之前收集有关需求的所有关键信息。例如，一家酒店管理公司希望按照欧洲严格的数据保护法《通用数据保护条例》(GDPR)的要求，自动化其响应数据主体访问请求(DSAR)的流程。DSAR要求企业根据要求提供公司代表请求者持有的任何个人数据的副本，以及这些数据的使用目的。为此，该公司聘请了一家外部供应商来开发人工智能解决方案，以实现DSAR流程要素的自动化，但并未让IT部门参与该流程。由此产生的需求定义未能与公司支持的技术解决方案保持一致。虽然概念验证表明该解决方案可将速度和效率提高200%以上，但该解决方案并未投入生产，因为IT部门担心维护该新解决方案的长期成本会超过节省的成本。在一个类似的例子中，一家金融服务机构没有让其合规团队参与制定需求定义。这导致正在开发的AI解决方案不符合公司的合规性标准，没有记录认证过程，并且该解决方案没有使用公司要求的相同身份和访问管理(IAM)标准。当解决方案仅部分通过概念验证阶段时，合规性也会“杀死”解决方案。在开发或实施AI/ML解决方案时，尽早提出所有相关声音非常重要。这将确保需求定义正确完整，解决方案满足要求的标准，并实现预期的业务目标。结论在考虑人工智能或其他新兴技术时，企业需要尽早采取正确的行动以确保成功。最重要的是，他们必须确保：1)他们寻求的解决方案满足三个关键目标之一——增加收入、提高盈利能力或降低风险；2)他们有适当的流程来获取必要的数据；3)他们的构建与购买决策是有充分根据的；4)他们尽早让所有利益相关者参与进来。
