在獲得市場競爭優勢的過程中，很多企業急于采用新興技術。然而在匆忙實施的情況下，一些企業由于缺乏扎實的基礎而在應用中陷入困境。
分析決策平臺提供商FICO公司首席分析官Scott Zoldi說：“很多企業想采用人工智能技術解決問題，只是因為它是人工智能，而不是因為它是一種更好的解決方案。因此，這些企業必須從治理的角度開發人工智能，也就是從項目角度和道德角度討論數據、成功標準和風險的治理過程。”
一些企業的人工智能計劃之所以失敗，是因為他們的想法不夠充分和明智。例如：
•人工智能計劃是與業務戰略分開創建的，因此不會產生戰略影響。
•成功的標準過于寬泛，因為它們沒有包含具體的成功指標(例如，“希望更具競爭力”，而不是“希望將欺詐減少15%，同時減少30%的誤報率”)。
•未考慮變更管理方面，因此其計劃面臨阻力。
哈佛商學院工商管理學教授Marco Iansiti說：“跨業務部門的共享功能或共享數據變得比單個部門的自治更為重要。這給傳統企業帶來了各種困難。”
人工智能的使用已成為一個戰略問題，以至于首席執行官需要參與定義其公司的人工智能戰略。
咨詢機構埃森哲公司北美地區應用智能業務主管Arnab Chakraborty說：“早些時候，我們看到的是首席信息官、首席技術官和一些首席執行官參與制定公司的人工智能戰略，但現在首席執行官們意識到，這將重新定義他們所在行業和所在公司的未來。他們認為這是在人工智能走向未來的背景下對他們業務的重塑。”
通過以整體方式對計劃進行思考，并讓價值流中的人員能夠從各個方面進行思考，這樣可以避免或減少一些常見的失誤，這些方面包括機會、風險、潛在影響、成功因素、數據要求、合規性問題、治理等。其他成功因素也會隨之而來。
1.了解為什么需要人工智能
許多企業面臨采用人工智能的競爭壓力。但是，更好的方法是退后一步，詳細了解企業要完成的工作，然后考慮實際需要做些什么。
關注數據智能和自動化的全球IT咨詢機構NTT DATA Services公司高級總裁Theresa Kushner說：“企業需要了解為什么需要采用人工智能技術。在沒有計劃如何使用它或沒有期望目標的情況下創建人工智能或機器學習算法將會浪費資金和人才。采用人工智能解決問題才是第一步。事實表明，大約有六分之一的項目能夠帶來投資回報。”
Kushner表示，需要記住的是，人工智能用于不同目的，例如降低成本、增加收入、預測結果或優化流程。即使斷定人工智能技術可以解決此類問題，但可能仍缺少解決這些問題所需的數據。
2.訓練優質數據
永遠不要低估數據的力量。如果它很雜亂，那么這是一種自然狀態，企業收集的數據通常是不一致、不準確、不完整或重復的。當使用沒有清理過的數據作為訓練數據時，可能會導致不良結果，例如較差的建議和錯誤的結論。
移動和網絡應用平臺提供商ISBX公司總裁Arthur Iinuma說，“人工智能具有強大的能力，但任何人工智能解決方案都只能與其源數據一樣好。在任何人工智能實施之前，必須采取措施確保數據質量和可用性，并定義清晰和可衡量的關鍵績效指標。全面清潔的數據集對于確保最佳結果至關重要。”
3.認識到實驗室結果和現實世界的結果可能不同
一些人工智能試點項目在實驗室中工作良好，但在現實世界中卻表現不佳，因為現實世界要復雜得多且隨機得多。同樣，一個成功的用例并不能保證人工智能應用于另一種用例時也會表現良好。
人工智能開發商BeyondMinds公司首席執行官Rotem Alaluf說：“現實世界中的人工智能與實驗室中的人工智能并不完全相同，其解決方案應該更加完整、穩定以及適應性強。這就像專業選手和業余選手的區別一樣。雖然采用的是相同的游戲規則，但是反應和適應意外的技能和能力不同。我們需要了解實驗室人工智能技術的局限性，了解在現實世界中如何從中創造價值，并在企業中以可擴展的方式使用。”
4.人工智能獲得成功需要團隊的努力
人工智能技術總是離不開數據科學家的參與。人工智能項目實際上是一項團隊活動，它需要獲得企業管理人員的支持和跨職能業務部門的協作。
Betsy說：“讓相關的業務和產品決策者、數據所有者和經理、工程團隊和數據科學家協同工作是至關重要的。如果缺少一些利益相關者的支持，成功的可能性就很小。在大型企業中，尤其是那些業務職能分工分明的企業，建立所需的跨職能團隊可能很困難。企業需要確保在每個區域的報告鏈中都得到支持。”
例如，如果數據科學團隊與領導人工智能計劃的產品團隊位于企業的不同部門，那么明智的做法是獲得管理數據科學家的管理者的支持，以避免優先排序或資源沖突。
5.使人工智能計劃與產品路線圖保持一致
全球專業信息、軟件解決方案和服務提供商Wolters Kluwer公司數據科學總監John Langton指出，人工智能計劃本身并不是人工智能戰略。企業的管理人員必須明白，人工智能不是一種產品，而是新產品的推動者。然而，產品經理往往不能很好地理解這些。
Langton說，“一個成功的人工智能計劃需要以產品開發團隊、企業管理者和技術領導者之間不斷進行的對話為中心，以開發功能完善的人工智能工具。優秀的數據科學家可以向產品團隊提供技術方面的可行性，而產品團隊可以將市場推向市場和客戶專業知識來確保解決實際問題。這還使兩個團隊都能將人工智能檢查點納入產品路線圖中，而不必將其視為一個單獨的研發產品。數據科學家和產品團隊緊密配合，可以使企業對人工智能應用的結果設定期望。”
6.監測漂移模型
隨著新數據的大量出現，人工智能的模型往往會漂移，隨著時間的推移變得越來越不準確，因此它們可能需要調整或重新訓練。
網絡服務和網絡安全解決方案提供商Juniper Networks公司人工智能驅動業務副總裁兼首席技術官Bob Friday說：“要構建成功的人工智能計劃，IT團隊必須接受人工智能模型的動態特性，并投入時間和精力對其進行訓練，就像經驗豐富的員工必須培訓新員工一樣。在這一過程中，企業必須擁有經驗豐富的技術團隊，以分析人工智能模型的性能和提供的結果。通過提供持續的反饋，人工智能模型將調整它們的邏輯，進而更準確、更有效地解決問題。”
7.不道德的人工智能可能會影響企業的品牌和聲譽
人工智能出錯會導致各種問題，其中包括法律問題、監管罰款和聲譽受損。在微軟公司的Tay機器人變得滿嘴臟話以及亞馬遜公司人力資源智能機器人產生性別歧視的數年之后，這些引人注目的例子仍被作為典型示例，用來說明如果未對人工智能進行嚴格監控或訓練數據有偏見，幾年后仍可能會出問題。
LivePerson公司首席技術官Alex Spinelli說：“人工智能會做出各種各樣的決定，但它能做出正確的決定嗎?通常情況下，它充滿了人類產生的雜亂數據的無意識偏見。人工智能還不足以幫助我們變得更聰明、更快、更有效率，無論做了些什么，人工智能技術需要成為造福世界的力量。如果企業采用不健全的業務策略，他們很可能會發現自己在未來面臨法律問題。”
8.在人工智能學習的同時，人類也應該學習
如今有職場人士想獲得成功，就必須成為終身學習者。與此同時，人工智能系統正在“學習”如何做各種各樣的事情，無論是向顧客推薦一部新電影，還是在高峰時段識別地鐵中乘客的可疑行為。隨著人工智能的功能在工作中不斷增強，幫助人們更有效地完成工作，兩者應該同時學習。人類需要學習如何更有效地使用人工智能，與此同時，人工智能系統學習用戶的偏好和行為，從而學習如何更有效地與人類合作。兩者都需要持續的學習，以便他們能夠更有效地適應變化。
專業服務商德勤公司聯盟關系副總裁Anthony Ciarlo表示：“某些計劃未能提供投資回報率的原因之一是技能差距，或者在企業的工具和流程經過更新和升級之后，缺乏對人工智能系統和人員的培訓。人工智能是不斷變化的，它需要企業的承諾來投資于員工的學習和培訓。”
9.以漸進方式實施人工智能計劃
成功的人工智能計劃是逐步發展完善的，也就是說，如果企業嘗試在開發和使用過程之前過早解決過多的問題，可能從而導致效果不佳、投資回報率低或沒有回報。
德勤公司云計算、人工智能/機器學習業務負責人Chida Sadayappan說。“企業要想在人工智能計劃中取得成功，要做的一件事就是逐步漸進地采用人工智能。在確定了人工智能/機器學習用例之后，必須以增量方式實施，因為在最初的部署中可能無法達到預期的結果。即使在最初部署之后，要為人工智能/機器學習建模的數據的收集和準備也必須經過一些反復的過程。因此，以漸進方式實施人工智能計劃往往是成功的因素。”
10.人工智能不僅僅是算法和模型
當人工智能的收益和成功還取決于人員和流程時，人工智能通常只以技術術語(如模型和算法)來看待。企業實施人工智能的目的應該是推進業務目標。
IBM公司全球首席人工智能官Seth Dobrin表示：“企業首先要明確定義人工智能項目的意圖，然后為該技術定義特定的用例，這將有助于確定需要哪種類型的人工智能解決方案以及如何將它們集成到企業的基礎設施。在此基礎上，評估輸入到人工智能模型中的數據源，并使用意圖作為技術實施的指導，為人工智能設置具體的行動。通過這個過程，企業可以通過將每個解決方案應用在人工智能策略中，并在企業的業務中實現人工智能。”
版權聲明：本文為企業網D1Net編譯，轉載需注明出處為：企業網D1Net，如果不注明出處，企業網D1Net將保留追究其法律責任的權利。
京公網安備 11010502049343號