2021 年，Spiceworks 报告的调查结果显示，“近三分之一 (31%) 的受访专业人士表示，他们的组织现在正在使用人工智能 (AI)，43% 的人正在探索该技术。 大约 34% 的人表示他们的公司尚未部署任何人工智能项目。”
这项调查和其他调查表明，大多数公司都处于人工智能采用的早期阶段——他们很可能还没有考虑过人工智能系统的变革管理，以及如何保持人工智能系统的正常运行和相关性。
人工智能维护和调整策略有多重要？
2016年，微软开发了一款名为Tay的聊天机器人。 Tay 旨在从社交媒体上的人类互动中学习。 部署后不久，Tay 就开始从社交媒体中学习，并开始发表种族主义和仇恨言论。 Tay 是最早涉足人工智能学习模型和社交媒体的人之一，但最终以灾难告终。
泰伊事件并非孤立事件。
通过处理被恶意注入到人工智能学习数据中的“有毒”数据（例如深度伪造数据），人工智能系统很容易被破坏并失去有效性。 人工智能系统还可以处理来自有限数量的数据源的数据，随着时间的推移，这些数据开始失去有效性，因为更新、更相关的数据源上线。
BCG 亨德森研究所全球总监 Francois Candelon 表示：“后人工智能部署风险源于对行为边界的不完全理解、未经测试的故障模式以及对部署环境中敌对因素操纵的敏感性。” 随着数据和环境的变化，人工智能系统必须随之发展和适应。
问题是，有多少组织考虑过如何验证、维护和调整人工智能系统以保持相关性？
确保人工智能系统维持其功能的方法
公司可以使用以下五种策略来确保其人工智能保持相关性，并且不会随着时间的推移失去人工智能投资的价值：
1. 聘请多元化的人工智能评估团队
Candelon 表示：“创建有效的人工智能+人类系统需要领导者让开发人员、管理者、用户、消费者和其他人参与进来，以了解人工智能的应用背景。”
如果没有多元化的人工智能合作者，您就有可能会错过人工智能的重要视角和元素。 随着人工智能系统的发展，这个多元化的团队应该保持在一起，以便您的系统能够保持其有效性和相关性。
如果组建人工智能架构师团队对您的组织来说是一个挑战，TechRepublic Premium 的专家提供的招聘工具包应该会有所帮助。 它包括帮助团队寻找和雇用合适人员的工具。
2. 根据外部基准检查 AI 准确性
如果人工智能预测开始显着偏离组织过去的经历，则需要提出以下问题：
条件真的改变了吗？
是否有某些数据源或人工输入尚未包含在人工智能数据存储库中？
是否制定了正确的算法和问题？
如果实际发生的物理现实（例如，生产线上的关键路径设备发生故障）与人工智能预测的失败情况不符，人工智能是否需要重新校准？
3.审查和更新数据源
现在是否有更全面、更准确的新数据源，而这些数据源在人工智能系统首次实施时还没有？ 如果是这样，那么 IT 和其他人工智能贡献者合并这些数据就有意义了，这样人工智能就可以处理尽可能完整的数据集。
4. 评估业务用例是否发生了偏差
人工智能最初构建的业务用例专注于客户获取，但时代（和业务案例）已经改变，现在的重点是客户保留。
当人工智能的业务用例发生变化时，人工智能也必须随之改变，否则人工智能就会过时，你可能会失去时间、精力和金钱投资的好处。
5. 评估风险
如果您的人工智能正在分析社交媒体上的人类互动，目的是对其做出响应或提取信息，则有责任评估人工智能处理的潜在风险。
Caldelon 表示：“利益相关者在整个人工智能生命周期的深入参与将有助于发现盲点，并确保有效监控数据、建模、权衡和概念漂移方面的风险。”
随着人工智能系统不断发展并从其处理的数据中学习，有效的治理和变革管理的最佳实践也将如此。
