调查发现AI项目失败的8个原因

这是一个令人震惊的统计数据：根据《 2019麻省理工学院SMR-BCG人工智能全球高管研究报告》，在公司对人工智能(AI)进行投资的10位高管中，有7位表示对他们影响很小或没有。

问题的核心可能是普遍缺乏对AI功能和需求的理解。Everest Group副总裁Anil Vijayan表示：“目前，许多企业对AI解决方案的期望都过高。”“这通常会在预期和可实现之间造成不匹配。”

但是，“更精通AI”并不是最细微的差别。实际上，AI项目失败的原因往往有一些更具体的反复出现的原因-IT领导者可以采取一些步骤来增加成功的机会。以下是八个最常见的错误和错误估计，它们可能预示着AI项目的失败。

AI项目失败的8个原因

1.发光物疾病

“大多数数字化之旅都是从技术至上的方向开始的，深入到解决方案的功能[例如]确认其使用的机器学习库，”业务转型和外包咨询公司Pace Harmon的JP Baritugo说。“相反，公司首先应简明扼要地阐明其要解决的关键业务需求。一旦确定目标，这些目标便会推动并告知要采取哪些数字和转型干预措施，包括人工智能。”

许多领导者可能不清楚在组织中最能利用AI的地方。与业务部门密切合作以确定AI可以解决现有问题的地方，或者着重于其他人认为AI有价值的领域(例如市场营销，财务计划或风险分析)，可以作为一个很好的起点。

2.培训数据不足

“人工智能解决方案需要有意义的，带有标签的训练数据集。”

Vijayan说：“人工智能解决方案确实需要有意义的，经过标记的培训数据集，以实现所需的结果。”“通常，缺乏用于培训的数据是失败的主要原因。”根据所应用AI的类型，这可能意味着数千到数百万个数据示例可以训练模型。

3.不良的数据治理

垃圾进，垃圾出仍然适用。“大多数企业都低估了质量数据对实现AI实施成功的重要性，” Baritugo说。“不幸的是，一些公司的数据治理不力，数据卫生习惯差，导致数据被怀疑，重复或在其他地方调用了其他内容。而且，这些公司拥有多个分散的系统，其中包含一些零碎的所需信息。”

偏斜的数据样本也可能带来风险。Vijayan说：“例如，这可能会导致诸如过度装配之类的问题，从而导致在生产中运行时输出不正确。”“人工智能系统只会学习它们所得到的东西。因此，始终存在通过机器学习和传播人为偏见的风险。”

[您如何防范AI偏见?另请阅读AI偏见：IT主管要问的9个问题。]

必须建立主数据管理和治理并开发中央数据存储库(数据参与平台或数据湖)。“要创建变革性的AI解决方案，我们需要一个完整，协同，同时集成的信息流，”《 AI驱动的企业：利用本体的力量使您的业务更智能，更快，更多》的作者Seth Earley说。有利可图。”Earley表示，能够为AI提供信息并增强其功能的数据和数据关系的一致表示是AI驱动的转换的“主要知识支架”。

4.低估相关的文化变化

“员工正在适应作为异常处理程序和培训师的新角色。”

根据Gartner的报告《2020年预测：人工智能–通往生产之路》：“将AI引入客户和员工的文化影响在很大程度上被低估了。人们意识到AI承担的是员工而不是工作的任务，因此人类与机器之间的新动态正在被研究。员工正在适应作为异常处理程序和培训师的新角色，通常在与AI系统协同工作的共生关系中被称为增强智能。”

考虑创建计划以提高员工的理解和技能，并提高接受度和参与度。Pace Harmon的Baritugo指出：“人工智能项目可以从根本上改变工作的执行方式和决策方式。”“如果没有经过深思熟虑的变更管理工作，业务用户可能不会接受AI结果(或怀疑地查看它们)并削弱AI的整体采用。”