近年來企業對人工智能的商業熱情一直有增無減。IDC的最新預測顯示，全球企業在認知和人工智能系統(從聊天機器人到深度學習，再加上為這些系統提供動力的基礎設施)上的支出將從今年的240億美元增至2022年的776億美元，增長將達到兩倍以上。

 

更為明顯的是，人工智能已經從早期的采用者變成了主流的商業用例，幾乎每個行業都有廣泛的組織在探索試點項目，并將人工智能投入生產。但這并不意味著在這過程中是萬無一失，毫無風險的。如果你不想浪費你將要花在人工智能上的資金，這里有一些常見的錯誤需要避免。

 

 

“不要試圖在第一天就把海洋煮沸，”微軟云人工智能團隊的負責人Lance Olsen告訴CIO.com。你不可能在一夜之間就能用人工智能來改變你的整個商業決策過程，所以最好從小處著手，在你獲得專業知識的同時采取漸進的步驟。

 

尋找你容易摘到的果實。在處理最重要的系統之前，你需要開發一個系統先用于實驗和驗證實驗結果。他警告稱:“不要一開始就進行最大的投資。”

 

 

構建一個一次性的人工智能系統并不能幫助你創建人工智能的整體流程，也不是你現有數據管道的一部分，無法讓你向前走得很遠。你需要為每個項目創建一個可持續的AI資產。在這里，可持續性意味著一個能夠產生足夠投資回報率的系統，你可以持續投資該系統以實現進一步的開發和擴展。每次你這樣做的時候，都將有助于為整個業務創建AI功能，而不僅僅是一個特定團隊的新工具。

 

在你已經在做的商業分析的基礎上，將這些歷史系統轉化為預測能力。Olsen說:“從投資優化開始，利用你現有的管道，在你已經做的事情上進行優化。”然后你就可以繼續進行更革命性的項目，對你的流程工作方式做出更大的改變。

 

 

根據麥肯錫最近的一份報告，在開始人工智能之前，你需要投資核心的和更先進的數字技術。已經在云計算、移動和網絡開發、大數據和分析領域擁有專業知識的公司采用人工智能工具的可能性是其他公司的三倍。四分之三采用人工智能的組織表示，他們依賴于從現有的數字能力中學到的東西。換句話說:如果你的企業還沒有準備好利用云計算和數據分析，那么你可能也還沒有準備好接受人工智能。

 

 

絕大多數人工智能系統——包括企業自行構建的——都是機器學習系統，而機器學習需要數據。正如微軟公司副總裁Julia White在公司最近的商業AI活動上所說的，“我們新的機器人會在哪里?或者說，新的機器人會從哪里學習呢?”事實上，如果沒有好的數據，AI會傷害你而不是幫助你，因為你實際上是在對一些沒有實際證據的事情充滿信心。

 

此外，如果你只有和你的競爭對手一樣的公共數據，你只會得到和你的競爭對手一樣的洞察力，所以你需要使用你組織自己的獨特數據。假設你已經收集了正確的數據，這些數據也還需要進行清理和標準化。

 

不要低估在這方面所需的投資;收集和清理數據通常占了數據科學家工作的80%左右。從你已經用于商業智能和分析的數據開始，還可以更容易地確保你的人工智能系統將支持關鍵的業務流程，從而使其更有可能發揮作用。這也將有助于你定義數據準備的工具和流程，你可以使用這些工具和流程來處理尚未使用的數據。

 

 

數據科學就是科學。你需要有一個關于如何改進商業決策、銷售、客戶支持或其他任何你想用AI做的事情的假設，你必須在行動中測試并評估結果。

 

這意味著你需要設計如何衡量一個項目是成功的——無論是在采用還是結果方面。這可以轉化為使項目與員工的業績截止日期保持一致，比如銷售和營銷團隊的90天前景，或者聯系中心的小時配額。這也意味著擁有一個不使用新系統的控制組，因為如果你在開發新系統上投入了大量資金，可能會得到一個過于主觀的結論。你需要確保人們在做數據驅動的決定，而不是依靠直覺;如果他們習慣性地忽略數據，那么即使讓人工智能工具向他們展示數據也將無濟于事。你還需要提前決定成功是什么樣子的，因為這是你正在測試的假設。你想要更多的客戶訂單還是更大的訂單?你想減少客戶支持電話，還是需要更少的時間來解決打電話的客戶?

 

 

“人工智能”這個詞的問題在于，它能讓人覺得一切皆有可能。在過去的幾年里，人工智能行業已經取得了巨大的進步，但是你仍然需要知道人工智能可以實際提供什么，以及它將如何集成到你現有的系統和業務流程中。然后你需要知道你的組織有什么問題，人工智能可以幫助你解決什么問題。你不能因為其他公司都在采用人工智能，就采用它。

 

“高管們在求助于人工智能之前需要考慮兩件事，”Cheetah Digital的分析服務高級總監Jacob Davis告訴CIO.com。“第一，我們真正想要解決的是什么?我們現在如何解決這個問題并掌握手頭的數據?如果你不能想出一些東西，即使是理論上的，那么可能在你目前狀態的可能性范圍內，AI也無法幫到你。第二:我考慮人工智能是因為我聽到了很多關于它的炒作嗎?你必須真正評估你對這類解決方案的渴望，否則，你可能會在一些無法增加真正價值的東西上投入大量資金。”

 

 

你將需要數據科學專業的知識，如果您沒有專門的數據科學團隊，那么這些專業知識通常會在IT團隊中建立起來。無論它在哪里，重要的是不要把它孤立在一個卓越的中心。Ovum最近為數據科學軟件供應商Dataiku所做的一項針對全球2000個生產人工智能項目的組織的研究表明，要使項目成功，這些專家需要參與他們正在解決的問題所在的業務團隊，以及項目管理和開發團隊中去。因為中央團隊可能會錯過當地業務部門的一些文化差異。

 

“一次又一次，我們看到世界各地的公司和跨行業的團隊無法開始他們的數據工作，因為他們無法幫助不同地區的這些人共同合作——更不用說擁有不同技能以及不同類型的人了，“Dataiku的首席執行官Florian Douetteau說。如果你不能讓數據科學專家永久駐扎在關鍵位置，可以利用中央專家的協作和知識轉移來幫助培養當地的數據科學技能。

 

 

雖然IBM Watson廣為人知，但即使是預先構建的人工智能服務也需要時間和專業知識來與你自己的系統和流程集成，并且必須仔細評估，但是很少有企業具備從頭開始構建一切的專業知識。如今，AI工具越來越多地內置于SaaS產品中，例如Salesforce、Dynamics和Adobe的營銷云，盡管它們很可能是你需要額外付費的插件。Azure、AWS和Google也提供了云計算機器學習服務，這些服務可以提供特定的“認知服務”，例如機器視覺和語音識別，你可以定制并構建到自己的工具和服務中，你也可以提供你自己需要和可以適應的通用解決方案庫。利用這些工具快速起步，然后考慮需要從頭構建哪些其他模型和工具，因為員工對人工智能所能帶來的生產率優勢會更加適應。

 

 

像自動化一樣，人工智能將在人類和人工智能系統協同工作時給你帶來最大的性能和生產力提升。《哈佛商業評論》最近的一項研究顯示，隨著企業采用越來越多的人機協作，績效提高了4到7倍。為了獲得這種協作，業務團隊需要參與評估人工智能系統究竟能夠為他們實際做些什么。能夠為專家提供建議、多種選擇、決策支持和升級的人工智能工具，顯然比那些在沒有任何人工參與的情況下僅僅給出簡單的yes/no答案的工具來說更加有用。