來源：計算機世界
AI計劃的成敗更多取決於人，而不是技術。如果你想將AI付諸實踐，改善業務成果，你必須避免這6個錯誤。
根據Gartner最近兩份報告顯示，85%的AI和機器學習專案未能交付，只有53%的專案能夠完成從原型到生產的過程。然而，同樣的報告表明，對於AI的投資幾乎沒有放緩的跡象，許多企業反而計劃增加投資。
只要有一些常識性的商業思維，許多失敗是可以避免的。但是，投資具有強大的驅動力，比如：FOMO（害怕錯過）；在有龐大營銷預算的AI公司中，存在誇張不實的風險投資泡沫；以及在某種程度上認識到，利用AI驅動的決策和向資料驅動企業邁進，投資是非常必要的。
與其將AI或機器學習專案視為一次性成功，例如，升級資料庫或採用新的CRM系統。不如將AI視為一種老式的資本投資，類似於製造商會評判投資購買一臺昂貴的機器是否合理。
製造商不會像許多企業看待AI和機器學習那樣，將機器視為新奇的新玩具。每個採購決策都會考慮到新產品或改進產品的佔地面積、備件、維護、員工培訓、產品設計以及營銷和分銷渠道。在企業採用新的AI或機器學習系統時，也應該有同樣的考量。
以下是企業在投資AI和機器學習時常犯的六個錯誤。
本末倒置
在不知道要回答的問題是什麼的情況下，就分析計劃方案會令人失望。特別是在有眾多幹擾的情況下，你的注意力很容易從關鍵問題上移開。自動駕駛汽車、人臉識別、無人駕駛飛機等都是現代化的奇蹟，人們想要嘗試做這些新奇的事物是很自然的，但是不要忽視AI和機器學習帶來的核心商業價值，這樣才能做出更好的決策。
藉助資料做決策並不新鮮。R.A. Fischer 可以說是世界上第一位“資料科學家”，1926 年，他在論文《現場實驗的安排》（PDF）中用10頁短篇概述了制定資料驅動決策的要點。運籌學、六西格瑪管理法以及像Edwards Deming 等統計學家的工作說明了，參照利用統計計算的限值作為量化變數的方法去分析資料的重要性。
簡而言之，你應該從開始就將AI和機器學習視為改進現有業務流程的一種方式，而不是一個新商機。首先分析流程中的決策點，並問自己：“如果我們可以將這個決策改進x %，它會對我們的結果產生什麼影響？”
忽視組織上的變革
實施變革管理的困難是造成AI專案整體失敗的一個重要原因。不少研究都表明，大多數轉型專案失敗，技術、模型和資料只是一部分原因，同樣重要的是資料優先的員工心態，事實上，員工心態的轉變可能比AI本身更重要。具有資料驅動思維的企業使用電子製表也可以同樣有效率。
AI計劃邁向成功的第一步是建立信任，即資料驅動的決策優於直覺或傳統。因為，業務線經理或高管人員固守己見，缺乏對資料的信任，或拒絕將決策權交給資料分析過程，導致平民資料分析師的努力大多以失敗告終。結果，相比業務轉型，人們反而對一些很基礎的分析活動以及許多自上而下的計劃進行了更多涉獵，產生了好奇和重建的想法。
我們仍然有一線希望，那就是企業變革和其中涉及的問題已經得到了廣泛研究。企業變革是對執行團隊奮鬥精神的考驗。它不能透過從上面下達命令來實現。它需要人們溫和地、巧妙地、甚至是緩慢地改變思想和態度，並且認識到每個人在推動目標行動時都會做出不同的反應。一般來說，溝通、以身作則、參與和持續改進這四點很關鍵，它們與決策管理過程直接相關。
鑑於資料驅動的決策通常違反直覺，所以改變AI領域的企業文化非常具有挑戰性。建立資料驅動決策優於直覺或傳統的信任，需要一種被稱為“生理安全”的要素，只有最具前瞻性的領導團隊才能掌握。有一個首字母縮寫詞——ITAAP被人反覆提及，意思是“一切都與人有關”。一個成功的專案通常會將超過 50% 的預算用於變革管理，我認為它應該接近 60%。因為，還有額外的10%給到首席人力資源官辦公室去做專案特定人員的分析計劃。
預告
本期微信提到了邁向AI計劃的第一步是建立對於資料驅動的信任，那麼要想更好的實施AI計劃，還有哪些坑不能踩？請持續關注《計算機世界》的乾貨分享！
本文來自【計算機世界】，僅代表作者觀點。全國黨媒資訊公共平臺提供資訊釋出傳播服務。
ID：jrtt
