人工智能项目失败不再归咎于人才缺口

当人工智能项目未能实现预期目标时，责任往往被归结为技能差距。然而，问题远不止于此。您的组织是否在优先考虑三大基础人工智能支柱？

尽管聘请合适的技术人才仍是企业在采用人工智能（AI）过程中面临的重要障碍，但根据O’Reilly最近的调查，超过六分之一的受访者表示，雇佣和留住具备人工智能技能的专业人员是一大挑战，这被视为组织实施人工智能的主要障碍。

虽然人才缺口依旧是讨论的焦点，但这一比例相比去年已有所下降，表明其他挑战正在成为企业探索和部署人工智能项目时的主要考虑因素。

实际上，技术技能的缺乏并非是人工智能项目失败的最大原因。根据O’Reilly的调查，受访者认为缺乏组织支持是最大的障碍，而在确定合适的业务用例时遇到困难也是一大挑战。

这意味着，真正的挑战在于企业内部的能力，而不仅仅是数量有限的专业人员。

人工智能项目成功的三大支柱

那么，组织该如何避免人工智能项目常见的陷阱呢？与其他技术实施一样，关键在于公司范围内的适当培训、生产环境和基础设施的建设。拥有这三大支柱，您可以更早地实现人工智能的商业价值。

1. 正确的基础

成功的人工智能项目需要三项基本要素：

• 数据科学家需具备高效的工具，拥有专业领域知识，并能够访问相关数据。尽管在处理偏见预防、可解释性和概念漂移等方面已有较好理解，许多团队仍然存在不足。组织必须学习如何在生产中有效地部署和运营人工智能模型，这需要引入DevOps、SecOps以及新兴的人工智能Ops工具与流程，以保证模型在生产环境中持续准确运行。
• 产品经理和业务主管必须自项目初期便参与进来，以重新设计技术功能，并决定如何将这些技术应用于提升客户满意度。

尽管教育和工具在过去几年中得到了显著改善，但在实际生产中运行的人工智能模型仍有较大的提升空间。因此，产品管理和用户交互设计成为人工智能成功的常见障碍。

通过动手实践的教育可以解决这些问题。来自各部门的专业人员必须获得参与人工智能项目的实际经验，了解他们能做什么，以及这些技术如何推动业务发展。

2. 全公司范围内的合作与培训

当然，人才问题确实存在，但不仅仅是数据科学人才的问题。许多根本问题往往出现在业务和产品的专业知识上。了解人工智能如何在产品中发挥作用，以及如何将其转化为更好的客户体验和新收入同样重要，而这并不仅仅是研发团队的责任。

例如，我们的算法可以准确读取X射线，但我们仍在努力将这一功能集成到临床工作流程中。如果不对医生和护士进行使用培训，这项技术对他们或患者将毫无价值。

能够训练和部署准确的人工智能模型并不能解决如何最有效地使用这些模型来提升客户体验的问题。为此，所有组织学科都需接受培训，包括销售、营销、产品、设计、法律、客户成功和财务等，以了解该技术的价值及其对各自职能的影响。

做得好时，新的人工智能支持功能可以使产品团队完全重新考虑用户体验。Netflix或Spotify在推荐功能的设计与围绕内容发现的用户界面之间存在显著区别，而实现这一目标需要全公司的共同努力。因此，执行团队的全公司范围收购对于人工智能的成功至关重要。

3. 适当的生产环境

并非所有生产环境都相同，因此，结果也会有所不同。了解基于组织所拥有的人才、基础设施和数据的人工智能项目的局限性，并从一开始就设定明确期望非常重要。

例如，最近的一项研究针对ACM计算机系统人为因素会议（CHi）探讨了一种新型深度学习模型，该模型用于从患者眼部图像中检测糖尿病性视网膜病变。研究者们训练了模型，以便从过去几年的眼科检查中识别患者早期的糖尿病性视网膜病变，旨在减少因未得到治疗而导致的失明。

研究中描述了在泰国农村地区的诊所中使用相同有效模型所遇到的挑战：用于拍摄患者眼部图像的机器并没有那么复杂，检查室也未必完全黑暗。此外，部分患者无法请假进行后续检查，而并非所有医生和护士都接受过如何使用这项新技术的培训。

缺乏适当的基础设施和医院工作人员的凝聚力教育，加上对实际局限性的理解，往往是人工智能项目失败的典型原因。

随着教育与行业发展相匹配，人工智能人才的缺口在未来几年仍将是一个挑战。然而，组织可以采取一些措施，确保其人工智能项目的成功。

仅仅训练模型是不够的，还需要对组织进行培训。应花时间教育业务各个方面，了解为什么要执行某个人工智能项目，该项目将如何影响他们的角色、客户体验及期望。

合适的人才将会到来，关键在于组织是否准备好利用这些人才。

[[[IMG_1]]]

[[[IMG_2]]]

[[[IMG_3]]]