編者注:本文由Trust Insights公司授權轉載，該公司幫助營銷人員解決/解決收集數據和衡量數字營銷努力的問題。
簡介
人們反複認為人工智能(AI)具有某種魔力，可以從無到有，創造出一些東西，這導致許多項目誤入歧途。
這也是為什麼2019年普華永道首席執行官調查顯示，隻有不到一半的美國公司開始實施戰略人工智能計劃的部分原因——失敗的風險很大。在本係列中，我們將分析AI項目在公司人工智能之旅的初期最常見的失敗方式。
在你自己的人工智能計劃中，留意這些失敗，以及補救或防止它們的方法。
第二部分:戰略失敗
在討論失敗之前，讓我們回顧一下什麼是AI項目生命周期，以理解應該發生什麼。獲取生命周期的完整頁PDF從我們的即時洞察的話題，並跟隨。
業務需求的失敗
毫無疑問，AI項目中最常見的失敗是業務需求的失敗。通常情況下，業務利益相關者要求AI並不是因為它解決了非常適合AI能力的問題，而隻是因為他們希望能夠說，“我們的產品/服務/公司使用了AI!”為技術而技術幾乎注定會導致災難。
當我們考慮AI能夠解決的問題時，有多少AI項目能夠滿足這些業務需求?IBM定義六個AI的主要用例:
- 加速研究和發現
- 豐富你的互動
- 預測和先發製人的破壞
- 推薦有信心
- 規模專業知識和學習
- 發現負債，降低風險
我們將其簡化為三個更廣泛的方麵:
- 節省時間(減少低效)
- 節省資金(讓人才去解決更難的問題)
- 賺錢(更快/更好的結果)
我們必須問的問題是:人工智能是解決眼前問題的正確技術嗎?
需求收集不一定是一項龐大的工作;對於小型項目和概念證明，通常你可以簡單地根據以下問題編製文檔:
- 誰是項目的最終用戶?
- 項目的目標是什麼?終端用戶的目標是什麼?
- 為什麼企業要承擔這個項目?
- 項目將在哪裏進行?在人工智能中，這可以是私有係統、內部係統和雲係統的組合。
- 什麼時候需要展示業務結果/影響?
AI項目經常失敗的地方是完全缺乏業務需求收集。您是如何收集需求的?你做其他項目的過程是怎樣的?一般來說，AI隻是一種軟件，所以如果您的組織在為更傳統的軟件項目收集需求方麵已經非常熟練，那麼AI就沒有什麼額外的學習曲線。
分析方法的失敗
為了有效地部署AI和機器學習，你需要在稍微更技術的層麵上理解你正在解決的問題。廣義上講，機器學習項目可分為兩類問題和兩類數據。
我們在機器學習中解決的兩類問題是:
- 分類我們需要在混亂中恢複秩序，進行標記、分類和分類。這種類型的機器學習通常被稱為無監督學習。
- 預測我們需要了解是什麼導致了事情的發生，並建立一個模型來預測可能發生的事情。這種類型的機器學習通常被稱為監督學習。
我們在機器學習中解決的兩種數據是:
- 連續數據:數值數據，可以用數字表示的數據。
- 分類數據:任何不是數字的東西。
在生命周期的這個階段，AI項目出錯的地方是對你要解決的問題的誤解。您可能認為您遇到了一個本質上非數字的問題(例如分析書麵內容)，但一旦您提取並清理了數據，它實際上可能是一個數字問題。情感分析和預測等問題就屬於這一類;您經常將分類數據轉換為連續數據，然後解決連續數據問題。
在這一點上，另一個經典錯誤是假設一個問題是一種機器學習，而它可能是一個多步驟的集成方法。再次回到情緒分析的例子，假設我們需要將一堆推文轉換為預測哪種推文最能吸引用戶。我們認為我們正在解決一個預測，這可能是問題的最後一步，但在我們解決推特吸引人的原因之前，我們必須解決將文本轉化為數字的問題。這是一個分類問題。
機器學習的大多數商業應用都是集成問題，有時問題解決方法有很多很多階段和迭代。隻有通過時間和經驗，您才能學會如何評估不同類型的技術，將它們疊加在一起，您將需要為您正在處理的問題構建一個解決方案。
下一篇:數據會出什麼問題?
既然我們已經確定了業務策略部分中最常見的錯誤，接下來我們將把目光轉向生命周期的數據部分中最可能出錯的事情。請繼續關注!