人工智能技术已达到令人印象深刻的采用水平，并被视为竞争优势。 但是当技术变得如此无处不在以至于它不再是一个竞争优势时，就会出现一个点——想想云。 展望未来，那些在 AI 方面取得成功的组织将是那些将人类创新和商业意识应用于其 AI 基础的组织。
这就是悦刻发布的一项研究发现的挑战，该研究发现，至少在美国，人工智能技术的使用已经达到 81% 的企业，比 2018 年悦刻上一次调查以来的 48% 上升了 33 个百分点。他们 还看好 AI 交付商品——93% 的人报告说 AI 使他们的业务更具竞争力。 这种普遍性可能是 95% 的人还报告说找到构建他们的 AI 系统的技能是一项挑战的原因。 此外，这些系统可能存在潜在缺陷：75% 的人担心人工智能系统可能会在工作场所引入偏见风险，而 65% 的人承认他们的系统存在偏见。
所以还有很多工作要做。 归根结底，是能够让 AI 发生并使其尽可能公平和准确的人。
Datatron 首席执行官 Harish Doddi 表示：“虽然许多 AI 和机器学习部署都失败了，但在大多数情况下，实际技术的问题较少，而更多的是其周围环境的问题。” 转向人工智能“需要合适的技能、资源和系统”。
需要对 AI 和 ML 有深入的了解才能为企业带来可见的好处。 虽然 AI 和 ML 已经存在多年，但“我们仍然只是在揭开它们真正能力的皮毛，”霍尼韦尔互联建筑总经理 Usman Shuja 说。 “也就是说，可以从其他人的失误中吸取许多宝贵的教训。虽然可以说人工智能可以为任何企业的几乎任何部门增加重要价值，但企业可能犯的最大错误之一就是为 在没有清楚地了解他们希望实现的商业价值的情况下实施人工智能。”
此外，人工智能需要熟练的变更管理，Shuja 继续说道。 “你可以安装最先进的人工智能解决方案，但如果你的员工不能或不愿改变他们的行为以适应新的做事方式，你将看不到任何价值。”
正如 RELX 调查中的许多高管所表达的那样，另一个挑战是偏见。 “基于编写算法的人和他们提供的数据，算法很容易变得有偏见，而 ML 更容易发生偏见，因为它可以构建在基本代码中，”Shuja 说。 “虽然大量数据可以确保准确性，但几乎不可能有足够的数据来模拟真实世界的用例。”
例如，他举例说，“如果我正在为我的专业长曲棍球队招募大学生运动员，我发现我听到的大多数球员都是德克萨斯长角牛队，这可能会让我得出结论，最好的长曲棍球队员会参加 德克萨斯大学。然而，这可能只是因为该算法从一所大学接收了太多数据，从而产生了偏差。”
Shuja 说，数据的设置方式和设置人员“可能会无意中将偏见带入算法中”。 “尚未考虑这些影响的公司需要将其置于其 AI 和 ML 技术工作的最前沿，以将完整性构建到他们的解决方案中。”
另一个问题是，AI 和 ML 模型过早地过时了，正如许多公司发现的那样，并且由于 Covid 和供应链问题而继续发现。 “拥有显示模型生命周期的良好文档会有所帮助，但当模型变得不可靠时，它仍然不够，”Doddi 说，“AI 模型治理通过让从业者提出诸如‘以前的版本是什么’之类的问题，有助于为机器学习模型带来问责制和可追溯性 喜欢？’ 和‘模型中有哪些输入变量？’”
治理是关键。 在开发过程中，Doddi 解释说，“ML 模型受某些假设、规则和期望的约束。一旦部署到生产环境中，结果可能与开发环境中的结果有很大不同。这就是模型运行后治理的关键所在。需要 成为跟踪各种模型和版本的一种方式。”
在某些人工智能案例中，“少即是多，”Shuja 说。 “当 AI 与成熟、格式良好的数据配对时，它往往最成功。这主要在 IT/企业数据领域，例如 CRM、ERP 和营销。但是，当我们进入数据所在的领域时 内聚性较低，例如与运营技术数据，这就是实现 AI 成功变得更具挑战性的地方。工业环境中对可扩展 AI 的巨大需求，例如使用 AI 来减少建筑物或工厂的能源消耗 — 人工智能具有巨大潜力的领域。不久的将来，整个企业——从工厂车间到董事会会议室——都将被连接起来；不断地从它正在处理的数据中学习和改进。这将是下一个重要的里程碑 用于企业中的 AI。”
