人工智能项目为什么大部分都失败了，可能是这 5 个原因

大多数企业都在增加人工智能方面的投资，因为疫情爆发。一些组织正在加速采用人工智能，以确保他们的业务不受当前疫情的影响。

但组织也需要认识到采用人工智能的挑战。构建人工智能系统并非一项简单的工作，每一个阶段都伴随着挑战。

即便你建立了一个人工智能项目，在部署时也会有很高的失败率，这可以归结为很多原因。本文将介绍人工智能项目失败的五个主要原因，并提到了成功实施人工智能项目的解决方案。

一、战略方针不当

战略方针有两个方面：一是好高骛远，二是缺乏商业方法。

当谈到采用人工智能项目时，大多数组织通常都是从大规模的问题开始。主要原因之一是人们对人工智能的错误认识。

当前，人工智能被过分炒作，但并没有得到足够的应用。大部分人认为人工智能是一种先进的技术，不亚于魔法。虽然人工智能足以成为一项这样的技术，但它还处于非常初级的阶段。

而且，当一个组织采用人工智能，是对时间、金钱、资源和人力的巨大投资。因为公司投入了如此巨大的资金，他们也期待更高的回报。

但是，正如前面所提到的，人工智能还是太狭隘，不可能一蹴而就地推动这样的回报。那就意味着你得不到正的投资回报率了吗？完全不是这样。

人工智能的采用是一个循序渐进的过程。你构建的每个人工智能项目都是让人工智能成为你业务核心的一步。所以从一些小的项目开始，比如测量你的产品需求，预测信用评分，个性化营销等等。当你构建更多的项目时，你的人工智能会更好地理解你的需求（有了所有的数据），你就会看到更好的投资回报率。

接下来是问题的第二个方面：当公司决定构建一个人工智能项目的时候，他们总是从技术的角度来看问题陈述。这一做法让他们不能衡量其真正的商业成功。

公司必须从商业角度来考虑问题。自问一下问题：

• 你想解决什么商业问题？

• 界定成功的衡量标准是什么？

回答完这些问题后，再决定用哪种技术来解决问题。请记住，人工智能包含了很多技术，比如机器学习、神经网络、深度学习、计算机视觉等。

要知道哪些技术最适合当前的问题，然后开始构建人工智能解决方案。

二、缺乏优秀人才

很多人都忘了人工智能是人类创造的工具。数据当然是一个关键因素，但是人类是用数据开发人工智能的人。而目前，缺乏能够构建高效人工智能系统的天才专业人员。

LinkedIn 在其《2020 年新兴工作》（Emerging Jobs 2020）报告中，将人工智能专家放在了首位。但是，供应似乎还不能满足需求。

从质量和经验两个方面考虑，短缺将进一步减少。要精通或成为人工智能专家需要很多年的时间。要成为人工智能专家，人们必须具备各种各样的基本技能，例如统计学、数学和编程。而且，因为人工智能是一个不断发展的领域，人工智能从业者必须不断更新自身。

据 Gartner 的数据，56% 的被调查组织认为缺乏技能是没有成功发展人工智能项目的主要原因。

组织可以从两个方面解决这个问题。

首先，他们需要从员工队伍中发现人才，并对他们进行技能提升。他们可以逐渐地将这一过程扩展到组织的其他部分。

其次，组织需要与大学合作，架设学术与产业之间的桥梁。如果清楚地了解所需的技能并拥有合适的资源，大学可以训练学生掌握行业所需的技能。

尽管教学改革将推动人工智能的发展，但这仍是一种长期的方法。那么现在呢？第三个吸引人的方法就是专业的人工智能公司，有合适的人才来构建人工智能模型，以及提供人工智能即服务。

三、数据质量与数量

在讨论了创造人工智能的人的问题之后，现在让我们来谈谈使这项技术成为可能的要素：数据。

在 1950 年第一次提出了人工智能这个概念。但是在那时，研究人员还没有足够的数据来实现这一技术。但是，近十年来，情况发生了巨大的变化。

当技术和小工具成为人类的亲密伙伴时，大多数小工具和软件都具备了收集海量数据的能力。由于这些数据的收集越来越多，人工智能开始引起注意。

但是，新的问题随之而来：数据的质量。

在构建有效的人工智能系统方面，数据是两个最关键的需求之一。尽管企业已经开始收集大量数据，但是不需要的数据、非结构化数据等问题仍然存在。

收集数据的方式一般有很多种：结构化、非结构化、半结构化。这通常是无组织的，包含了各种各样的参数，这些参数可能对于你的人工智能项目尤其重要，也许没有。

举例来说，如果你要构建一个推荐系统，你就不需要手机收集不必要的数据，比如邮件 ID、客户图片、电话号码等等。这些数据并不能帮助你解决客户偏好问题。甚至更糟的是，在存在大量不必要的数据时，你可能会遇到过拟合的问题。

对于上面的例子，如果你有网页浏览历史、以前的购买行为、兴趣、位置等数据，那么你的人工智能系统会给你更好的结果。

要解决数据问题，请考虑在启动人工智能项目前，让所有的利益相关方都参与进来，包括业务主管、数据分析师、数据科学家、机器学习工程师、IT 分析师和 DevOps 工程师。这样你就能清楚地理解建立人工智能模型所需的数据、数量和形式。当你了解它之后，你可以根据需要清理并转换数据。

此外，当你准备好数据时，要确定你用来测试数据的一部分，以确保你构建的人工智能符合你的意图。

四、员工缺乏人工智能意识

很多人认为人工智能将取代他们的工作。不过，情况显然并非如此。

当企业采用人工智能时，他们也必须同时对其员工进行教育，使其了解人工智能是如何“增强”的。若要你的组织在企业范围内采用人工智能，这种被称为“数据素养”的教育是至关重要的。

需要优先考虑数据素养的原因有两个：

1. 确定你的员工（特别是非技术人员）理解人工智能的作用及其帮助他们的能力。

2. 为保证教育的成功，他们不会盲目依赖人工智能的决策。

曾有一种情景是，即使公司将人工智能部署到日常运营中，员工还是拒绝了。它显示了员工对这项技术的信任问题。

同样，你也不想让你的员工盲目地接受所有由人工智能作出的决策。你需要确保这些决策是合理和有意义的。

出于这些原因，并且你的组织开始采用人工智能的方法，你也必须开始培养你的员工的技术知识。促进人工智能的普及，把它当作一项任务而非工作。要让你的员工理解人工智能的唯一目的就是释放人类的时间，使他们能够专注于复杂的问题。有一点很重要，人工智能不只是人工智能，而是增强智能的认知。

五、 部署后的管理和监测

只要你买了一辆车，它具有你所需要的所有必需功能。这款车辆行驶平稳，帮助你在几分钟内到达工作地点，甚至根据你的喜好定制环境。那是不是说它不需要你的关注和维护呢？绝对不是。

类似的，为了简单起见，构建和部署人工智能就像拥有一辆汽车。在部署之后，还需要维护人工智能。不过，维护人工智能是一项远比汽车维护更大的工程。

人工智能系统会根据提供给它们的数据来作出无数的决策。假如人们不能理解一个人工智能是如何做出某一决策的，那么这个人工智能系统就被称为“黑盒人工智能”。

确定你的人工智能不会变成黑盒是至关重要的，尤其是在做决策的时候，例如处理贷款、建议医疗方法、接受大学申请等等。很多政府都意识到了黑盒问题，并且考虑规范这些技术。即便没有法律的约束，确保人工智能的公平与公正也成为了开发者的道德责任。

另一个挑战是数据和业务场景的动态特性。数据不太可能在人工智能项目的整个生命周期中保持静态。当数据改变时，人工智能也需要重新校准以确保不会偏离其性能。

对人工智能系统进行重新校准的过程与构建一个全新的模型相似。正如其他人工智能项目一样，这需要时间和资源。为了达到这个目的，大多数公司都在很长一段时间内延伸自己的模型，而没有“维护”或适应模型中的业务变更。但你不能等到模型开始“漂移”而引起不必要的影响。

要解决这些问题，组织必须持续监控他们的人工智能系统。当数据和业务场景发生变化时，人工智能需要定期更新。要减少这一过程的难度，你可以使用人工智能观察工具，帮助你监控模型和报告不必要的“漂移”。

企业和组织应逐步采用人工智能

人工智能是一项强大的技术，它正在改变我们今天的商业方式。但是，正如一些美好的事物一样，它也需要时间和精力去发掘并发挥它的最好能力。

身为人工智能的推动者，我们建议组织

作为人工智能的推动者，我们建议组织逐步采用人工智能。人工智能投资的回报并不是线性的——当你开始在你的组织中使用它的时候，这就会变得复杂。当你拥有了特定的人工智能用例后，你就可以在企业范围内扩展人工智能系统的采用。

作者简介：

Jaimin Dave，市场营销专家，与 Attri 合作。Attri 是业界第一个可互操作的端到端企业人工智能与机器学习平台，帮助企业构建、部署和监控模型。喜欢在 LinkedIn 上与大家分享有关人工智能、机器学习、数据科学、MLOps 等方面的最新技术文章。

原文链接：

https://www.datasciencecentral.com/profiles/blogs/the-top-5-reasons-why-most-ai-projects-fail