提高AI项目成功率的3种方法

根据 Infosys 的一份报告，全球公司在 AI 系统上花费了数十亿美元，但他们的投资并没有产生他们想要的结果。

根据 Infosys 知识研究所题为“数据 + AI 雷达”的首份报告，全球 AI 支出预计到 2022 年将超过 1180 亿美元，到 2026 年将超过 3000 亿美元。它调查了来自美国、英国、法国、德国、澳大利亚和新西兰年收入超过 5 亿美元的公司的 2,500 名人工智能从业者。

根据调查，81% 的受访者在过去四年中部署了他们的第一个人工智能系统。但是这个群体中有 85% 的人还没有达到高级 AI 能力，63% 的 AI 模型“仍然由人类驱动”。结果也很平庸：用户表示他们对他们的数据和 AI 结果非常满意，只有大约四分之一的时间。

“公司已经具备了基本的人工智能能力，”调查称。然而，“这不是他们想要的。在我们的调查中，四分之三的公司希望在企业规模上运营人工智能。”

由于大多数人仍在使用基础人工智能，用户对结果不满意：85% 的人工智能从业者没有实现预测分析等顶级能力。

该报告称，这些人工智能项目在“高涨”的期望中“未能交付”，并建议在三个方面进行改进：开发鼓励共享的数据实践，将解释绑定到高级人工智能中，以及将人工智能团队专注于业务。

#1 正确获取数据并共享。

该报告敦促用户改变他们对数据的看法，认为数据是一种新的石油，意味着一种难以提取和耗尽的矿物。相反，数据应该被视为货币，它在流通时获得价值。

“精明的企业知道，与合作伙伴和同行建立数据共享生态系统比单独的数据湖或仓库带来更大的好处，”报告说。例如，一家公司的企业客户可以选择共享他们的数据以接收更多定制化的人工智能模型。

数据共享有好处。共享数据的公司，无论是在内部还是与外部各方，“更有可能获得更高的收入并更好地使用人工智能。”

此外，几乎实时或至少每六个月更新一次数据的公司也看到了利润和收入的增加。

共享数据的关键是信任；一个人不能分享一个人不信任的东西。报告称，这意味着要解决往往阻碍公司发展的数据验证、数据实践和数据策略方面的缺陷。

#2 建立人类对高级人工智能的信任

如果人类不信任它，也不相信它有效、公平和适应性强，那么最好的人工智能模型也会失败。该模型最终将被闲置。

例如，该报告引用了一家杂货店的例子，该杂货店希望为员工实现工作时间表自动化，每年可节省超过 400 万美元。但这意味着计算机将从人类手中接过这项任务。业务部门的领导犹豫不决，员工工会的规定进一步使其采用复杂化。杂货商从未使用过该工具。

一种解决方案是让人类参与涉及 AI 模型的决策。此外，培养强大的道德和偏见管理能力。报告称，对人工智能在整个企业中的使用进行分类，并将其与其他“广泛使用和采用的流程挂钩，例如隐私风险评估或信息安全审查”。

Infosys 指出了五项偏差管理措施：抽样偏差；参与偏见；趋同偏差；测量偏差；过度拟合模型的偏差。

它还提到了人工智能伦理的七项衡量标准：可理解的模型；清晰、有用的输出；可解释的算法；旨在系统地检测偏差的流程；人类报告偏见的积极努力；清晰的数据来源；数据管理，包括日常道德、合规和隐私审查。

#3 人工智能团队需要对商业价值有偏见

人工智能团队需要包括这三类人：数据科学家、手头业务问题专家和高级管理人员。

业务专家很重要，因为他们对要解决的问题有深入的了解。它们是构建 AI 模型和识别最相关数据的关键。这会产生两个好处：AI 模型将得到适当的训练，并且让业务专家参与有助于在组织内建立信任。

高级管理人员在这个过程中也很重要，因为他们让 AI 计划专注于核心战略。由于这一战略概述，它们对于扩展 AI 也很重要。

“当老板不在 AI 团队时，成本可能会很高，”报告称。将高级管理人员排除在人工智能团队之外的公司报告称，利润和收入增长“显着降低”。

最重要的是，优秀的 AI 团队必须涉及多个学科，以提供更强大的 AI 模型，从而提高其成功的可能性。