应避免的三个企业AI错误

从建立新的业务线到保护现有业务，越来越多的业务领导者正在寻求人工智能（AI）来实现其目标。如果做得正确，成功的AI项目的好处可能会为企业带来可观的回报。但是，新进入者最好避免这三个常见的陷阱，这是我在与多家AI公司合作时所观察到的。

陷阱一：误解人工智能的能力

人工智能的能力通常被误解。这部分是由于媒体大肆宣传，部分是由于科幻小说。在当前状态下，AI可以以前所未有的效率处理高度特定的问题。从人工智能中脱颖而出，识别供应链效率低下并承认口头命令是所有领域中的佼佼者。

当要求“任务灵活”时，当前的技术水平会遇到麻烦。这意味着，当被要求传递其经验时，同一软件不一定运行良好。例如，在航运业中固定供应链，然后在航空业中尝试同样的做法。

这可能很难掌握。毕竟，训练有素的供应链专业人员可能会成功完成这些类似的任务。为运输问题选择的建模技术可能是最新技术。是什么赋予了？

数据。更具体地说，是不同数据的分布和质量。该算法可能已经了解到，数据集特有的特定模式表示某种行为。第二个问题在表面上看起来相似，但是在向下钻取时有很大差异。目标事件的分布可能是均匀的，而不是高斯的。也许数据报告的频率太低，以至于算法方法无法使用。这个特定的数据集可能有更多不可预测的“一次性”事件。无论是什么，都意味着您的企业需要更多的投资来开发可行的解决方案。

陷阱二：低估数据成本

最近，我收到一位同事的询问，询问有关Google开源的一款软件。事实证明，他们发布了这个新的预测框架真是太好了。他们什么时候发布其背后的数据？”

我的回答是：“从不。我认为他们不太可能这样做。” 这引起了混乱。那就是当我意识到人们通常不知道价值在于数据和系统而不是模型时。一个警告是尖端的建模研究可以对现有结果进行改进。这存在于大多数项目的范围之外。绝大多数将现有框架应用于新的业务问题。因此，建模成本主要是时间和材料。

同时，数据需要大量开销。原始数据Feed通常需要收取订阅费用。传感器数据需要维护和处理。大量数据会导致存储成本。必须丢弃错误的数据。所有数据都必须清理和格式化。

此外，不同的团队成员将以不同的方式访问数据。这必须考虑在内。数据科学家可能会喜欢编写SQL，但在GUI之外可能会感到不舒服。您的管理团队需要可读的报告。您的工程师可能更喜欢RAPIDS，而不是PySpark。最终，这些与数据相关的费用会累积，可能会使数据成为项目中最昂贵，最有价值的部分。确保相应分配预算。

陷阱三：投资回报率时间表和期望管理不当

最后一个陷阱是为您的项目制定适当的投资回报（ROI）时间表。由于技术是新技术并且案例研究有限，高管们经常难以适当地对自己的AI项目进行基准测试。

了解如何在AI系统中创造价值是评估ROI的严格框架的关键。在开始新的AI项目时，我总是寻求构建复合数据集。这意味着我希望产品具有良好的初始价值。更重要的是，随着产品变得越来越智能，我期望产品的价值会急剧增加。

因此，我建议设置两个ROI目标。首先，证明项目合理性。这是保守的视线回报。第二个是投资回报率较高的项目，该项目捕获了部分项目复合价值。此方法设置了较高的地板，并留出了较大的上升空间。

一位了解AI擅长，能够准确计算数据成本并管理ROI期望的高管更有可能成功。因此，这些课程可以为您的成功提供宝贵的帮助。