为了在市场上获得竞争优势，许多企业都渴望采用新兴技术。但在仓促实施的情况下，部分企业因基础不扎实，在应用上陷入僵局。分析决策平台提供商FICO的首席分析官ScottZoldi表示：“许多公司希望采用AI技术来解决问题，只是因为它是人工智能，而不是因为它是更好的解决方案。因此，这些公司必须从治理的角度发展人工智能，即从项目角度和伦理角度讨论数据、成功标准和风险的治理过程。”一些企业人工智能计划失败是因为它们没有经过深思熟虑和不够聪明。例如：人工智能计划是与业务战略分开创建的，因此没有战略影响。成功的标准过于宽泛，因为它们没有包括具体的指标成功（例如，“希望更具竞争力”而不是“希望减少15%的欺诈，同时减少30%的误报”）。未考虑变更管理方面，因此其计划面临阻力。“共享功能或共享数据哈佛商学院工商管理教授MarcoIansiti表示：“跨业务部门变得比单个部门的自治更重要。这给传统企业带来了各种困难。人工智能的使用已经成为首席执行官们的战略问题。需要参与制定公司的AI战略。ArnabChakraborty，咨询公司Accenture北美应用智能主管，说：“早些时候，我们看到的是CIO、CTO和一些CEO参与制定公司的AI战略，但现在CEO们意识到这将重新定义他们所在行业和他们公司的未来。他们认为这是在人工智能走向未来的背景下重塑他们的业务。”如果更多的人能够从各个方面进行思考，包括机会、风险、潜在影响、成功因素、数据要求、合规性问题、治理等，就可以避免或减少常见的陷阱。其他成功因素将随之而来。1.了解为什么需要AI许多企业面临采用AI的竞争压力。但更好的方法是退后一步，详细了解企业试图完成的工作，并考虑实际需要完成的工作。专注于数据智能和自动化的全球IT咨询公司NTTDATAServices的高级总裁TheresaKushner表示：“企业需要了解为什么他们需要采用AI技术。在没有计划如何使用的情况下创建人工智能或机器学习“无论是否有预期的目标，算法都会浪费金钱和人才。使用AI解决问题是第一步。事实证明，大约六分之一的项目会带来投资回报。”库什纳说，需要记住的是，人工智能用于不同的目的，例如降低成本、增加收入、预测结果或优化流程。即使得出结论认为人工智能技术可以解决此类问题，解决这些问题所需的数据也可能2.在高质量数据上进行训练永远不要低估数据的力量。如果数据杂乱无章，那么企业收集的数据往往不一致、不准确、不完整或重复是一种自然状态。当使用未清理的数据作为训练数据，可能会导致糟糕的建议和错误的结论等不良结果。移动和Web应用程序平台提供商ISBX总裁ArthurIinuma表示，“AI具有强大的能力，但任何AI解决方案都只是不如它的源数据。在任何AI实施之前，必须采取措施确保数据质量和可用性，并定义清晰且可衡量的关键绩效指标。全面和干净的数据集对于e确保最佳结果。”3.认识到实验室结果和真实世界的结果可能不同它在房间里运行良好，但在现实世界中表现不佳，现实世界更加复杂和随机。同样，一个成功的用例并不能保证当人工智能应用于另一个用例时，它会表现良好。人工智能开发商BeyondMinds的首席执行官RotemAlaluf表示：“现实世界中的人工智能与实验室中的人工智能并不完全相同。它的解决方案应该更加完整、稳定和适应性强。这就像一个职业球员。区别与业余玩家相同。尽管使用相同的游戏规则，但应对和适应意外情况的技巧和能力却不同。我们需要了解人工智能技术在实验室的局限性，了解如何在现实世界中从中创造价值，并以可扩展的方式在整个企业中使用。”4.AI的成功需要团队的努力AI技术总是需要数据科学家的参与。人工智能项目实际上是一项团队活动，需要企业高管的支持和跨职能业务部门的协作。“让相关的业务和产品决策者、数据所有者和管理者、工程团队和数据科学家一起工作至关重要，”Betsy说。“如果没有一些利益相关者的支持，成功的机会就很小。”在大型企业中，尤其是那些具有不同业务职能的企业，可能很难建立所需的跨职能团队。企业需要确保每个领域都在报告链中得到支持。”例如，如果数据科学团队是如果智能计划的产品团队位于企业的不同部分，那么明智的做法是争取管理数据科学家的经理的支持，以避免优先级排序或资源冲突。5.使AI计划与产品路线图保持一致全球专业信息、软件解决方案和服务提供商WoltersKluwer的数据科学总监JohnLangton指出，AI计划本身并不是AI战略。企业管理者必须明白，人工智能不是产品，而是新产品的推动者。然而，产品经理往往不太了解这些。Langton表示，“一项成功的AI计划需要以产品开发团队、业务经理和技术领导者之间的持续对话为中心，以开发功能齐全的AI工具。优秀的数据科学家可以为产品团队提供技术方面的可行性，而产品团队可以将市场对市场和客户的专业知识带到市场，以确保真正的问题得到解决。这也使两个团队能够将AI检查点纳入产品路线图，而不必将它们视为单独的研发产品。数据科学家和产品团队紧密合作使企业能够对人工智能应用的结果设定预期。”6.监测漂移模型随着大量新数据的出现，人工智能模型往往会漂移，随着时间的推移变得不准确，因此可能需要调整或重新训练。“要构建成功的AI计划，IT团队必须拥抱AI模型的动态特性，并投入时间和精力对其进行培训，就像有经验的员工必须培训新员工一样。在这个过程中，企业必须有经验丰富的技术团队来分析性能人工智能模型和提供的结果。通过提供持续的反馈，人工智能模型将调整它们的逻辑，以更准确、更有效地解决问题。”7.不道德的AI会影响公司的品牌和声誉AI错误会导致各种问题，包括法律问题、监管罚款和声誉损害。在MicrosoftCorp.的Tay机器人变得满嘴脏话、Amazon.comInc.的人力资源智能机器人成为性别歧视多年后，这些引人注目的例子仍然被用作当AI不严格时会发生什么的典型例子监控或培训。数据是有偏见的，多年后事情仍然可能出错。LivePerson的首席技术官亚历克斯·斯皮内利(AlexSpinelli)表示：“人工智能会做出各种决定，但它能做出正确的决定吗？通常，它充满了人类产生的混乱数据的无意识偏见。”仅仅帮助我们变得更聪明、更快和更有效率是不够的。无论做什么，人工智能技术都需要成为世界上向善的力量。如果企业采用了不健全的商业策略，他们很可能会发现自己在未来面临法律问题。”8.人工智能在学习的同时，人类也应该学习。今天，职场人要想成功，就必须成为终身学习者.与此同时，人工智能系统正在“学习”如何做各种各样的事情，无论是向客户推荐一部新电影，还是在高峰时段识别地铁乘客的可疑行为。随着人工智能的能力不断增强工作，帮助人们更有效地完成工作，两者应该串联学习。人类需要学习如何更有效地使用人工智能，同时，人工智能系统通过学习用户偏好和行为来学习如何更有效地与人类合作。两者都需要不断学习，才能更有效地适应变化。专业服务公司德勤联盟关系副总裁AnthonyCiarlo表示：“原因之一就是如此。我的程序未能交付投资回报率是技能差距，或者在公司的工具和流程更新和升级后对人工智能系统和人工智能系统缺乏了解。人员培训。人工智能在不断变化，它需要企业承诺投资于员工的学习和培训。”9.以渐进的方式实施人工智能程序成功的人工智能程序是渐进式开发的，也就是说，如果企业试图在开发和使用过程的早期解决太多问题，结果可能很差，投资回报很少或没有。ChidaSadayappan，德勤云计算，人工智能/机器学习实践负责人。“要在AI计划中取得成功，企业需要做的一件事就是逐步采用AI。确定AI/ML用例后，必须逐步实施，因为在初始部署中可能无法达到预期的结果。即使在初始部署之后，要为AI/ML建模的数据的收集和准备也必须经过一些迭代过程。因此，以渐进方式实施AI计划通常是一个成功因素。10.AI不仅仅是算法和模型当AI的好处和成功也取决于人和过程时，通常只从技术术语（如模型和算法）来看待AI。在企业中实施人工智能的目的应该是推进业务目标。IBM全球首席人工智能官SethDobrin表示：“组织必须首先明确定义人工智能项目的意图，然后定义该技术的具体用例，这将有助于确定需要哪些类型的人工智能解决方案。解决方案以及如何将它们集成到企业基础架构中。从那里，评估输入AI模型的数据源，并使用意图作为技术实施的指南，为AI设置特定的动作。通过这个过程，公司可以通过在他们的人工智能战略中应用每个解决方案来在他们的业务中实施人工智能。“
