人工智能项目失败的6个原因

人工智能项目面临的另一个问题是企业依赖历史数据而不是活动交易数据来进行训练。埃森哲公司董事总经理安德里Andreas Braun表示，在许多情况下，在转换为实时数据时，对单个静态历史快照进行过培训的系统表现不佳。

埃森哲公司负责欧洲数据和人工智能业务的Braun说，“企业可以卸载一些数据，训练一些模型，并在实验室中获得相当好的模型提升，但是一旦把它重新融入组织，就开始出现问题。”

历史数据样本和通过实时系统传输的数据之间可能存在显著差异，例如，实时检测欺诈或发现洗钱行为，因为这些模型没有经过训练，无法识别其行为的微小变化。

他说：“如果某个用户在某个时间点(可能是晚上、周六或周日)复制数据，那么这种情况将会冻结数据。这使得实验室的分析非常容易。但是，当机器学习模型重新融入到实时系统中时，其情况会更糟。”

Braun说，解决方案是将数据科学家从生产技术方面放入一个单独的孤岛中。特别是，当使用实时数据构建模型时，将模型集成到生产环境中要快得多。

他说：“而且成功的情况要好得多。它完全改变了游戏规则。”

未经处理的非结构化数据

根据咨询机构德勤公司最近的一项调查，62%的公司处理非结构化数据仍然依赖电子表格，只有18%的公司在分析工作中利用了产品图片、客户音频文件或社交媒体评论等非结构化数据。

此外，德勤公司零售和消费产品战略和分析实践负责人Ben Stiller表示，该公司收集的大量历史数据缺乏对人工智能有用的背景，或者以摘要形式存储。

“数据限制当然可以从一开始就为失败做好准备。”他说。

Stiller说，“然而，根据调查显示，像Cooper这样利用非结构化数据的公司，其业务超出其业务目标的可能性要高出24%。这真的需要企业对数据的看法发生根本性的转变。”

例如，Cooper公司以大约15亿个客户文档的形式拥有大量非结构化数据。因此，客户服务代理会花费太多时间查找帮助客户所需的文档，有时还需要与客户沟通回访。

因此，该公司使用机器学习技术扫描了所有15亿份文件，并仔细分析了第一批1.5亿份文件，这些文件属于200种最常用的文件。

Cooper公司的Sharma说，“现在我们有一个机器学习项目，它带来了价值，并且现在正在实施中。”

当企业重返以前问题缠身的人工智能客户服务项目时，除了加快客户服务呼叫的速度，文档分析还帮助创建一个更好的语言字典，供将来使用。

文化挑战

除了数据外，组织问题对人工智能的成功提出了重大挑战。

Sharma说，如果回到过去，他最初会专注于客户在详细解决问题时使用的语言，并让主题专家与人工智能开发人员配合工作。

Sharma说，“必须让客户与我们的技术团队一起合作，这样的场景始终是最重要的，你必须让他们一起共事，并使其成为一份全职工作。”

除非企业能从这些错误中吸取教训，否则实现人工智能承诺的机会可能会减少，因为失败的人工智能项目可能会让投资团队不再提供融资，并可能对员工和客户满意度产生负面影响。

Stiller说，“围绕人工智能的早期失败项目可能让执行团队放弃在这个领域的重大投资。这可能会导致企业落后于竞争对手。”

这一切都从企业管理层开始。正如德勤公司的调查显示，企业高层对于人工智能项目的支持至关重要。Stiller说，“如果企业首席执行官提供支持，那么其业务目标的成功率可能会超过77%。”

因此，不要让挫折破坏企业对人工智能的组织承诺，因为人工智能的长期方法会得到回报，他说，“随着时间的推移，企业实施的项目越多，投资回报率就会越高。”

（编辑：核心网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!