采用人工智能面临的挑战

“糟糕的推理”是人工智能错误的另一个常见原因。随着人工智能系统越来越先进，人们也越来越难以理解网络中的流程。因此，当人工智能系统出错时，可能很难确定出问题的确切位置。如果决定是自动驾驶汽车急转弯还是撞倒行人呢?幸运的是，科学家为深度学习系统开发了白盒测试。它用大量的输入来测试神经网络，并告诉它的响应哪里是错误的，这样它们就可以被修正。

但是人工智能犯的错误总是那么危险吗?当然，不总是这样。这完全取决于人工智能系统的使用。如果人工智能被用于网络安全、军事用途、驾驶车辆，那么更多的问题就会更加危险。如果人工智能系统选择男性而不是同样技术熟练的女性员工，这是一个道德问题。但有时这些错误只是愚蠢的——正如2015年《连线》杂志上的一篇文章所说，他们描述的人工智能显示了一个黑色和黄色条纹的图像。人工智能却判断为是校车，但这是错误的。

为了确保人工智能产生的错误无关紧要，必须确保高质量的输入和适当的测试。

7. 非技术人员对人工智能缺乏了解

人工智能的实现需要企业管理层对当前的人工智能技术、它们的可能性和局限性有更深入的了解。不幸的是，人们被一大堆关于人工智能的神话和误解所包围，从需要雇佣内部数据科学团队(人们应该知道，他们只为Facebook、亚马逊、谷歌工作，以及如何工作)到科幻幻想中的机器人，以及机器人最终终结人类。

人工智能技术的缺乏阻碍了人工智能在许多领域的应用。由于缺乏理解而导致的另一个常见错误是努力实现不可能实现的目标。

那么如何解决这个问题?从教育开始。这可能听起来令人沮丧，但并不是说技术人员必须成为一名数据科学家。只需浏览一下其行业，了解一些重要的参与者，看看他们部署了哪些用例，并了解人工智能的当前可能性。技术人员可以自己解决，也可以请求专家帮助。一旦掌握了一些知识，就可以更轻松地管理自己的期望，因为将了解人工智能能为企业做些什么，不能做什么。

8. 缺乏实地专家

为了开发一个成功的人工智能解决方案，需要技术知识和业务理解。不幸的是，这往往是其中之一。首席执行官和管理者缺乏采用人工智能所必需的技术知识，而许多数据科学家对他们开发的模型如何在现实生活中使用并不十分感兴趣。

知道如何将这项技术应用于某一特定业务问题的人工智能专家数量非常有限。总的来说，优秀数据科学家的数量也是如此。

FAMGA(Facebook、苹果、微软、谷歌、亚马逊)以外的公司正在努力吸引顶尖人才。即使他们试图建立一支内部团队，他们也不确定自己是否能找到合适的人才。如果缺乏技术知识，无法真正了解他们是否提供高质量的解决方案。由于预算有限，中小型企业可能无法采用人工智能。但是，外包数据团队现在也是一种选择。

9. 缺乏业务一致性

正如O'Reilly公司在图表中所示，企业文化不承认人工智能的需求以及识别业务用例的困难是人工智能实施的最大障碍。识别人工智能业务案例需要管理人员深入了解人工智能技术、它们的可能性和局限性。缺乏人工智能技术可能会阻碍许多组织的采用。

但这里还有一个问题。一些企业抱着过于乐观的态度，没有明确的战略，进入了人工智能的潮流。人工智能的实现需要一种战略方法，设定目标，确定关键绩效指标，跟踪投资回报率。否则，企业将无法评估人工智能带来的结果，并将其与企业的假设进行比较，以衡量这项投资的成功(或失败)。

10.难以评估供应商

正如招聘数据科学家的情况一样，当企业缺乏技术知识时，很容易被愚弄。人工智能是一个新兴领域，它特别脆弱，因为很多企业夸大他们的经验，而在现实中，他们可能不知道如何使用人工智能来解决实际的商业问题。

这里的一个想法是使用像Clutch这样的网站来识别人工智能开发中的领导者。看看正在考虑的企业在他们的投资组合中有什么好处。另一种方法是迈出一小步，例如与人们认为具有前途的供应商的研讨会。通过这种方式，将了解他们是否了解业务，拥有合适的技能，以及是否解决问题。

11.整合挑战

将人工智能集成到现有系统中是一个比在浏览器中添加插件更复杂的过程。必须设置满足业务需求的接口和元素。有些规则是硬编码的。人们需要考虑数据基础设施需求、数据存储、标记，以及将数据输入系统。

然后，进行模型培训，测试开发的人工智能的有效性，创建一个反馈循环，根据人们的行为不断改进模型，并进行数据采样，以减少存储的数据量，更快地运行模型，同时仍能产生准确的结果。怎么知道它有效?怎么知道具有价值?

为了克服可能的集成挑战，企业必须与供应商共同努力，以确保每个人都清楚地了解流程。它还要求供应商拥有更广泛的专业知识，而不仅限于建立模型。当人工智能以战略方式实施并逐步实施时，可以减轻失败的风险。

在企业成功地将人工智能集成到其系统中之后，仍然需要训练人们使用这个模型。他们如何接受模型产生的结果?他们如何解释结果?企业的供应商应该建议每天使用其模型，并建议如何进一步发展人工智能。

12.法律问题

一些文章描述了企业实施人工智能之前需要考虑的一些法律问题。法律规章跟不上技术的进步，将会出现问题。如果人工智能造成损害怎么办?如果由于人工智能的原因，某些东西被损坏或有人受伤，谁将对此承担责任?订购方还是开发人工智能的公司?

目前没有规则明确说明在这种情况下必须采取的措施。另一个问题是采用GDPR法规，数据已成为必须谨慎处理的商品，这可能是数据收集方面的挑战：可以收集哪些数据以及以何种方式收集数据?如何以符合GDPR法规的方式处理大数据?

敏感数据也存在明显不敏感的问题。虽然它可能不会构成法律问题，但它仍然是一个可能会伤害企业的问题。一般而言，任何泄漏威胁到企业的地位或其形象的信息都应被视为敏感信息。

想象一下，当企业员工培训和课程数据泄漏时，就会出现这种情况。这些信息可能被误解并传播，将会损害企业的业务。

如何应对人工智能采用的挑战?

人们必须记住，自己无法处理所有问题。首先要做的是熟悉人工智能——这样，就更容易理解这个过程。然后，当企业创建人工智能策略时，就必须认识到需要注意的问题。

通过战略性和循序渐进的方法，企业将能够更顺利地完成人工智能实施过程。没有错误是否可以实现?没有什么是百分之百完美的，但企业需要为今后可能发生的问题做好准备。

（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!