聘請合適的技術(shù)人才仍然是企業(yè)組織采用人工智能(AI)的重要障礙。根據(jù)O'Reilly最近的一項調(diào)查，略超過六分之一的受訪者表示，難以聘用和留住具備AI技能的專業(yè)人士是其組織采用AI的重大障礙。

雖然人才缺口仍然是對話的很大一部分，但這一數(shù)字比前一年有所減少，這表明其他挑戰(zhàn)正在成為探索和部署人工智能項目的企業(yè)的首要考慮因素。

盡管如此，技術(shù)技能差距并不是人工智能采用的最大障礙，也不是許多人工智能項目失敗的原因。事實上，根據(jù)O'Reilly的同一項調(diào)查，受訪者認(rèn)為缺乏機構(gòu)支持是最大的問題，其次是難以確定合適的業(yè)務(wù)用例。

當(dāng)然，這是一顆難以下咽的藥丸：這意味著真正的挑戰(zhàn)在于我們，而不是有限數(shù)量的專業(yè)人員來完成這項工作。

人工智能項目成功的3個支柱

那么組織如何才能避免人工智能項目的常見陷阱呢?與其他技術(shù)實施一樣，這一切都?xì)w結(jié)為適當(dāng)?shù)墓痉秶鷥?nèi)的培訓(xùn)、生產(chǎn)環(huán)境以及正確的基礎(chǔ)。有了這三個支柱，您就可以更早地開始實現(xiàn)人工智能的商業(yè)價值。

1.正確的基礎(chǔ)

成功的人工智能項目需要三件事：

• 數(shù)據(jù)科學(xué)家必須具備高效的工具、具有領(lǐng)域?qū)I(yè)知識并能夠訪問相關(guān)數(shù)據(jù)。盡管AI技術(shù)正變得越來越容易理解——從處理偏見預(yù)防、可解釋性、概念漂移和類似要求——許多團隊在這方面仍然存在不足。
• 組織必須學(xué)習(xí)如何在生產(chǎn)中部署和操作AI模型。這需要部署DevOps、SecOps和新興的AIOps工具和流程，以便模型隨著時間的推移繼續(xù)在生產(chǎn)中準(zhǔn)確工作。
• 產(chǎn)品經(jīng)理和業(yè)務(wù)領(lǐng)導(dǎo)者必須從一開始就參與進(jìn)來，以便重新設(shè)計新的技術(shù)能力并決定如何應(yīng)用它們來讓客戶滿意。

盡管在過去幾年中教育和工具有了顯著改善，但在實際操作生產(chǎn)中的AI模型方面仍有很大的改進(jìn)空間。在這種情況下，產(chǎn)品管理和用戶交互設(shè)計正在成為人工智能成功的常見障礙。

這些問題可以通過投資實踐教育來解決。在教室和會議廳之外，來自整個組織的專業(yè)人士必須獲得實際從事AI項目的經(jīng)驗，了解他們可以做什么以及該技術(shù)如何推動您的業(yè)務(wù)向前發(fā)展

2.公司范圍內(nèi)的協(xié)作和培訓(xùn)

當(dāng)然，人才是問題的一部分，但需要的不僅僅是數(shù)據(jù)科學(xué)人才。問題的根源通常在于業(yè)務(wù)和產(chǎn)品專業(yè)知識。與技術(shù)人才一樣重要的是，了解人工智能將如何在產(chǎn)品中發(fā)揮作用以及它如何轉(zhuǎn)化為更好的客戶體驗和新收入同樣重要——而且這一責(zé)任不僅僅落在研發(fā)團隊身上。

例如，我們的算法可以像人類一樣準(zhǔn)確地讀取X射線，但我們現(xiàn)在才剛剛開始將這種能力集成到臨床工作流程中。如果醫(yī)生和護(hù)士沒有接受過如何使用這項技術(shù)來簡化他們的工作流程的培訓(xùn)，那么它對他們或他們的病人就沒有任何價值。

能夠訓(xùn)練和部署準(zhǔn)確的AI模型并不能解決如何最有效地使用它們來幫助您的客戶的問題。要做到這一點，需要對所有組織學(xué)科(銷售、營銷、產(chǎn)品、設(shè)計、法律、客戶成功、財務(wù))進(jìn)行教育，讓他們了解技術(shù)為何有用以及它將如何影響他們的工作職能。

做得好，新的人工智能功能使產(chǎn)品團隊能夠完全重新思考用戶體驗。

做得好，新的人工智能功能使產(chǎn)品團隊能夠完全重新思考用戶體驗。這是Netflix或Spotify添加推薦作為輔助功能與圍繞內(nèi)容發(fā)現(xiàn)設(shè)計用戶界面之間的區(qū)別。這有很大的不同，但也需要一個村莊才能實現(xiàn)。這就是為什么由執(zhí)行團隊帶頭的全公司支持對于人工智能的成功至關(guān)重要。

3.合適的生產(chǎn)環(huán)境

并非所有生產(chǎn)環(huán)境都相同，因此并非所有結(jié)果都相同。根據(jù)您擁有的人才、基礎(chǔ)設(shè)施和數(shù)據(jù)了解AI項目的局限性并從一開始就設(shè)定明確的期望非常重要。

例如，最近的一篇研究論文(為ACM計算系統(tǒng)中的人為因素會議(CHI)系列學(xué)術(shù)會議完成)探索了一種新的深度學(xué)習(xí)模型，用于從患者的眼睛圖像中檢測糖尿病視網(wǎng)膜病變。科學(xué)家們訓(xùn)練了一個深度學(xué)習(xí)模型，以從過去幾年眼科檢查的角膜圖片中識別患者糖尿病視網(wǎng)膜病變的早期階段。目標(biāo)是減少失明，這是一種未經(jīng)治療的疾病癥狀。

該論文描述了在泰國農(nóng)村的診所中使用同樣準(zhǔn)確、有效的模型時發(fā)生的情況：用于拍攝患者眼睛圖像的機器不如用于訓(xùn)練模型的機器復(fù)雜。正如訓(xùn)練模型所假設(shè)的那樣，使用的檢查室并不完全黑暗。對于一些患者來說，再休息一天進(jìn)行隨訪或額外測試并不是一個可行的選擇。首先，并不是所有的醫(yī)生和護(hù)士都接受過培訓(xùn)來解釋為什么這項新測試是必要的。

缺乏適當(dāng)?shù)幕A(chǔ)設(shè)施和對醫(yī)院工作人員的凝聚力教育，加上對實際限制的理解，是人工智能項目失敗的一個典型例子。

隨著教育趕上工業(yè)，人工智能人才缺口在未來幾年仍將是一個挑戰(zhàn)。但與此同時，組織可以采取一些措施來確保他們的人工智能項目取得成功。

僅僅訓(xùn)練你的模型是不夠的——還要訓(xùn)練你的組織。花時間對您的業(yè)務(wù)的各個方面進(jìn)行教育，了解您為什么要處理某個AI項目，它將如何影響他們的角色和客戶體驗，以及期望是什么。

組織準(zhǔn)備好使用它了嗎?