原创： LEANWORK LeanView

时代在进步，科技在发展，人工智能这项先进技术 已经渗透到了人力资源、供应链、多层次营销等各个领域。

引发争议：

说到人工智能，小编立马就想起了多年前看过的威尔史密斯主演的一部电影——《我，机器人》。 记忆最深刻的就是片中拥有人工智能的机器人开始不受控制，学会了独立思考，并向人类做出反抗。 这不禁引发人们深思，人工智能到底好还是不好？ 应不应该开发？

人工智能的利与弊：

下面这一图标比较了人工智能的利弊：

为什么85％的人工智能项目失败？

下文是小编看了Krunal Vyas(iQlance Solutions Pvt的IT顾问)的一篇文章Why 85% of the Artificial Intelligence Projects Fail?整理出了为什么如此之多的人工智能项目失败的原因：

风险和混乱是人工智能项目失败的常见因素和主要因素。由于员工已经熟悉工作流程，要替换现有流程是一个非常困难的决定。 资金、培训和时间的投入是公司难以承担的巨大风险。

即使在选择人工智能之后，由于缺乏相应的数据，问题仍然没有得到解决。算法不能正确处理数据。因此，团队就浪费了大量和资源。

此外，人工智能不是一个单一的过程或技术。如果预算不够，那么在缺少人工智能专家的情况下，客户就不会对你公司的人工智能服务感兴趣。这些都是大多数移动应用开发公司人工智能失败的常见原因。

人工智能是一个能够 规划、学习、推理、解决问题、知识表示、感知、运动和操作 的系统。在某种程度上，人工智能可能具有 社会智力 和 创造力 。今天， 人工智能能够推荐购买的商品、娱乐用户、发现信用卡上的欺诈行为，甚至能够识别图片中的面孔。

到目前为止，人工智能被分为两类——狭义人工智能和普通人工智能。狭义人工智能方面，比如苹果的Siri、微软的Cortana；而一般人工智能则类似于《终结者》中的SKYNET(后者尚未成为现实)。 在未来几年里，也许可以通过人工智能编写文章、驾驶汽车，甚至可以达到做手术的程度。

目前，人工智能在各种项目中取得了巨大的成功。某些数据咨询公司还将人工智能纳入其项目，以帮助广告和媒体机构进一步开展活动。 然而，并非所有使用人工智能的公司都取得了成功，这是一个公认的事实。

高达85% 的公司都失败了。 根据一些调查结果，人工智能发展的障碍主要来自高级管理层的抵制，以及对人工智能缺乏认识和了解。 管理层首先要求高投资回报，这是一个的巨大障碍。因此，那些看起来很有希望的项目有时候会落空。

来自 dimensional Research 的一份报告指出，10个人工智能项目中就有8个失败了，而96% 的项目在数据质量、数据标签和建立模型信心方面遇到了问题。

另一个失败案例是，Facebook、亚马逊、微软和 Adobe 的代表都选择使用名为神经机器翻译（NMT）的人工智能，因为它能够非常迅速地将72种语言的内容本地化。然而，这项技术(还有这个工具)仅被23% 的人使用。

这些项目失败的一些原因可能是:

1. 行家

2. 沟通失败

3. 还未开始就已失败

4. 缺少数据专家

5. 内部人才 / 软件

6. 害怕失业

7. 简单开始

具体分析：

行家

当提到人工智能项目的实施时，首先会有行家在周围扰乱，比如“让我们继续(不同项目的名称)”。它的成本也低得多。” 问题不在于项目的类型，而在于项目最能吸引投资回报率(ROI)。那该怎么办？确保您的第一个基于AI的项目面向业务，实现KPI，并与组织的愿景和使命声明保持一致。相信这样一个项目的成功对你和企业来说意义重大。

沟通障碍

当你是一个数据科学家，并且正在使用技术术语与管理层沟通，就会出现沟通障碍。管理层根本无暇管你如何进行项目，因为他们已经有很多事情需要处理了。不要教他们人工智能，只需要告诉他们如何发展公司。此外，公司的优先级必须与你的项目一致。他们会很高兴听到你的建议，然后给你一个机会。

还未开始就已失败

一些你可能不想做的事情，但是它可以发挥极大的作用。想象一下，你在项目上投入了大量资金，但是客户告诉你，这些规范并不是他想要的。那么，你就死定了。所以，在真正开始项目之前，做好充分准备，比如准备一些演示和报告，展示给客户，并引导客户同意他所看到的内容。即使客户不同意，你也不会遭受任何损失。知道了客户的需求后，你就可以从客户规范开始了。

缺乏数据专家

组织通常倾向于给那些应届毕业生或者没有工作经验的新手一个机会。原因很简单——节省开支。而这就是最大的错误。以节约成本为名义，聘用职场新手，实际上公司是在浪费资源。届时，项目没有完成，他们就会想出一个又一个的借口来推脱自己的责任。组织需要的是一个经验丰富的员工，来开发人工智能项目，并将其推送给客户。

内部人才 / 软件

培养内部人才是一个不错的选择，但是如果公司每次都使用同样的人才，他们如何确保内部人才拥有最新的知识。公司是否具备内部人才？如果没有，公司需要聘用海外开发人员。

害怕失业

虽然人工智能可以给组织带来巨大的变化和利润，但对于那些不知道的人来说，人工智能能够做到我们今天人类所做的事情。从执行物理任务到做出逻辑决策，人工智能可以处理所有的事情。这在其最后阶段可能对执行该计划的组织的雇员构成威胁。因此，可能会有人阻碍人工智能的实现，否则他们就会失去工作。

简单开始

在没有试试简单规则之前，你的人工智能将不具有任何价值。人们说复杂的项目会成功，但是过于复杂的项目会消耗很多时间。因此，项目应该以一种简单的方式开始。

其他原因：

除了上述原因，也可能存在其他因素导致项目失败，因为在给定的时间期限内，你的期望可能会与实际有冲突。

尽管人工智能有很多光环，但有些问题可能会出现，或者已经出现了。举个例子，一辆试运营的Uber自动驾驶汽车在行驶时撞死了一名行人。你可能想到算法错误，或者程序没有被正确编码。换做其他情况，就可能是因为数据错误，以至于向人工智能提供了一些错误的指令。

人工智能系统失败的另一个原因很可能是数据库不完整。每当人工智能系统需要接管时，必须对数据库中所有的问题和解决方案进行测试和训练。如果在训练过程中遇到数据不完整，人工智能将无法实时响应这种情况。

此外，算法也可能出错。这是因为它们是由人类创建的。算法开发者可能偏向于某个特定的方向。在工作选择过程中，如果算法偏向于某个特定的方向，招聘公司可能无法找到最合适的候选人。

有时候传感器可能不会给人工智能响应问题。这种情况下，人工智能必将失败，仍保持原来的状态(完全回滚)。人工智能系统需要进行全面测试和训练，以找出它可能会遇到的任何情况。

#总结

如何避免人工智能项目失败，你需要做到：

1. 确保人工智能项目面向业务，实现KPI，并与组织的愿景和使命一致。

2. 向管理层阐述公司发展方向，并与公司优先事项保持一致。

3. 项目开始之前做足准备，了解客户需求，从客户规范开始。

4. 尽量避免为节省成本使用新手，要招用经验丰富的员工。

5. 定期培训员工，更新专业知识，必要时考虑聘用海外开发人员。

6. 开发人工智能项目初始阶段，要以简单为原则。

7. 确保数据库的完整性和准确性。

8. 不断补充数据库，尽量找出可能会出现的人和突发情况及其解决方案。

9. 确保算法的正确性，聘用适合的算法开发者。

---

延展阅读：

AI如何驱动商业决策？

LEANWORK LeanView

AI和商业决策，这二者看起来似乎毫无瓜葛，实则渊源至深。作为一种新兴技术，AI推动了商业决策的变革性转变。

AI将带来怎样的变革？

AI和商业决策有什么联系？

AI如何驱动商业决策？

关于AI和商业决策有什么渊源，你想要了解的，都在这里——

今天的内容来自Stitch Fix的首席算法官埃里克 · 科尔森（Eric Colson），他为大家分享了AI驱动商业决策的一些心得。

一、直觉驱动的时代

九十年代，依靠人类的直觉判断是做商业决策的主要方式。大多人做决策时会依赖于他们高度敏锐的直觉，这些直觉是来源于他们多年的经验(以及相对较少的数据)，比如，为广告活动挑选合适的创意，确定合适的库存水平，或批准合适的金融投资。经验和直觉是区分好与坏、高与低、风险与安全的主要依据。

随着时代的发展，人们渐渐发现直觉并不是理想的决策工具 。我们的大脑受到许多认知偏见的影响，而这些偏见以可预见的方式削弱了我们的判断力。

自2000年开始，人们日渐意识到数据的重要性， 大部分公司开始推行数据驱动决策，至今，许多公司都还在数字化转型的道路上砥砺前行。

二、 数据驱动决策

通过人与各个设备间的交互，企业可以获取大量数据: 每一笔交易，每一个客户手势，每一个微观和宏观经济指标等，所有这一切都为良好决策提供了有效信息。

IT部门使用机器(数据库、分布式文件系统等)支持信息流，将无法管理的数据量缩减至人类易于处理的数据摘要。然后，人类使用电子表格、仪表板和分析应用程序等工具对摘要进行下一步的处理。

最终，经过高度处理和可视化呈现，数据量已变得易于解读，这就是"数据驱动"的工作流。在这当中，人类仍担任分析数据的主要角色，这比纯粹依靠人类直觉要可靠的多。但还远远不够。

数据驱动决策就足够准确吗？不一定！

1. 我们不会运用所有的数据。

汇总的数据可能会丧失原始数据蕴含的关系和模式。为了适应人类大脑分析的吞吐量，数据摘要是必要的。

尽管我们善于消化周围的环境，毫不费力就能处理大量环境信息，但在处理数百万或数十亿条记录的结构化数据时，大脑会受到极大限制。

一旦你开始考虑价值的完全分配，以及数据元素与汇总时遗漏的信息之间的关系时，人脑就会发生混乱或者停止思考。 其他情况下，摘要的数据可能具有误导性，不具参考性。

混合因素可能引起混淆视听，它展现出“美丽”的外表，掩盖了“丑陋”的本质。而且一旦数据被汇总，可能就恢复不了部分有效因素，需要适当地控制它们。

最佳做法是采用随机对照试验，即A/B测试。如果不采取这项措施，即使人工智能也可能无法适当地控制混合因素。

简而言之，人工处理数据的准确性还需进一步提升。

2. 数据不足以使我们摆脱认知偏见。

数据摘要是人类以一种容易产生认知偏差的方式，也就是我们认为较直观的方式汇总数据。我们要求将数据汇总到具有代表性的片段。然而，我们有这样一种倾向思维，就是粗略地把不能充分解释其差异的主题归类为广泛的刻板印象。

人类很难将数据聚合和汇总。我们偏好元素之间的简单关系，倾向于认为这种关系是线性的，因为它更易于处理。即使事实表明并非如此，我们还是喜欢将价格与销售额、市场渗透率与换算率、信用风险与收入之间的关系假设为线性关系；即使数据通过自然或随机变化就能得到充分解释，我们还是喜欢通过大脑来分析数据的趋势和变化。

依靠人类大脑解读数据，就是在迁就偏见。

三、最佳方式