人工智能项目失败的三个常见原因

近日，IDC发布了一份由美国一家数据和AI管理及可视化公司Dataiku资助的研究简报——从组织数据中创造更多商业价值。针对组织在人工智能上的平均支出是多少?在哪些领域，针对哪些用例?员工和团队看到的ROI是什么?人工智能项目失败的比例是多少?这份IDC信息简报给出关于这类问题的一些答案。其中，在关注导致AI项目失败的一些最常见的问题时，更多聚焦在以下三点。

人才缺口

扩展人工智能的两个最大障碍是雇用具有分析和人工智能技能的人，以及确定好的商业案例。不幸的是，对于大多数组织来说，雇佣数百或数千名数据科学家是不现实的，能够同时解决这两个问题的人(既拥有人工智能又拥有商业技能的人)往往非常罕见，以至于他们需要寻求专业的独角兽来介入。

为了同时解决这两个问题，组织应该“建立独角兽团队，而不是雇佣独角兽人”。这意味着他们应该建立由数据和领域专家组成的团队，同时也要致力于随着时间的推移发展他们的人工智能运营模式(这将同时提高他们的人工智能成熟度)。

IDC的建议:“除了知识工作者和行业专家之外，还要考虑数据科学家的角色。赋予知识型员工权力将加快实现价值的时间。”

缺乏人工智能治理和监督机制

好消息是:分析和人工智能团队可以实施战略和最佳实践来安全地简化和扩展他们的人工智能工作，例如建立人工智能治理战略(包括MLOps等运营要素和负责任的人工智能等基于价值的要素)。

坏消息是:通常情况下，团队要么在部署之前没有设置这些流程(这可能导致许多复杂的问题)，要么没有办法明确地推进能够产生业务价值的正确项目，并弃用表现不佳的项目。

人工智能治理提供大规模的端到端模型管理，重点关注人工智能扩展中的风险调整价值交付和效率，所有这些都符合法规。团队需要区分概念验证(POC)、自助服务数据计划和工业化数据产品，以及围绕它们的治理需求。需要为探索和实验提供空间，但是团队还需要做出明确的决定，即自助服务项目或POC何时应该获得资金、测试和保证，以成为工业化的、可操作的解决方案。

IDC的建议:“为数据隐私、决策权、问责制和透明度制定明确的政策。由IT部门、业务部门和合规部门共同执行前瞻性和持续的风险管理和治理。”

缺乏平台思维

团队如何确定正确的技术和流程，以实现大规模使用人工智能?

在构建现代人工智能平台战略时，重要的是要考虑从数据准备到监控生产中的机器学习模型的一体化平台的价值。相反，为每个组件购买单独的工具可能具有极大的挑战性，因为在生命周期的不同领域存在多个拼图块。

为了通过人工智能项目进入长期文化转型阶段，确保IT从一开始就参与进来是很重要的。IT经理对于任何技术的有效、顺利推出都至关重要，而且从更哲学的角度来看，IT经理对于灌输一种数据访问与适当的治理和控制相平衡的文化至关重要。

来自IDC的建议:“与其执行不同的解决方案来处理小任务，不如采用平台方法来支持一致的体验和标准化。”