导致85%的人工智能项目都失败了的原因是什么
如今，人工智能(AI)已经广泛应用于人力资源、供应链、多层次营销等各个领域。很多企业在数据科学家身上投入了大量资金，以引领数据团队实现业务增长。风险和混乱都是人工智能项目失败的常见原因和主要因素。这是因为替换已经熟悉工作流程的员工是一个非常困难的决定。资金、培训、时间的投入是很多企业不容易接受的一大风险。
即使在选择了人工智能之后，由于缺乏合适的数据，问题也没有得到解决，算法无法正确处理不好的数据。所以，企业团队的很多时间都被浪费了。此外，人工智能并不是一个单一的过程或技术，而技术熟练的员工需要更高薪酬，但如果企业预算不多，那么在没有人工智能专家的情况下，客户就不会对企业的人工智能服务感兴趣。这些是大多数移动应用开发公司中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、知识表达、感知、运动、操作的系统。它在某种程度上也可能具有社会智力和创造力。如今，人工智能能够推荐购买物品，检测信用卡欺诈，甚至识别图片中的人脸。到目前为止，人工智能分为两类：狭义人工智能和通用人工智能。狭义人工智能的例子可以是苹果的Siri或微软的Cortana，而通用人工智能的例子可以是电影《终结者》中的Skynet(之后尚未成为现实)。在未来几年，人工智能可能会撰写论文，驾驶车辆，甚至实施手术。
人工智能在实施的各个项目中都取得了巨大的成功。某些数据咨询公司还将人工智能集成到他们的项目中，这将有助于广告和媒体机构进一步开展他们的活动。然而，人们一致认为，并非所有实施人工智能的公司都取得了成功。高达85%的人表示人工智能并不成功。一些调查显示，这些障碍来自于高层管理人员的阻力，以及未能给他们留下深刻印象。管理层首先看到的是投资回报。这是一个很大的障碍。有时看起来很好的项目往往会遇到麻烦。
来自DimensionalResearch的一份报告指出，10个人工智能项目中有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。作为这一失败的另一个例子，来自Facebook、Amazon、微软和Adobe等公司的代表都选择使用名为神经机器翻译的人工智能工具，因为它能够非常快速地以72种语言使内容实现本地化。23%的人表示正在使用该技术(以及该工具)。这些项目失败的部分原因可能是：
1.干扰：在人工智能项目的实施时，往往会出现一些干扰，例如提出“我们可以实施另一个项目，其成本也要低得多”等问题，如果企业更加关注项目的投资回报率(ROI)，那么需要怎么办?确保企业第一个基于人工智能的项目是面向业务的，实现了关键绩效指标，并且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企业都有很大的意义。
2.沟通障碍：当数据科学家使用技术术语与其企业管理层沟通时，这个障碍必然会显现出来。企业管理层与数据科学家在项目的沟通中，管理层更加关注企业管理，数据科学家并不能通过人工智能技术打动他们，告诉他们业务将如何发展。此外，企业的优先事项必须与其项目保持一致。管理层会很高兴听到这些内容，并且提供更多机会。
3.开始之前就失败：人们会遇到一些可能不想做的事情，但它可以有利于项目的开展。想象一下，一家企业在一个项目上花了大量的资金或精力，而在实施之后，其客户却表示这不是他想要的结果，那么将注定失败。所以，在真正开始其项目之前，企业需要准备一些输出和报告，可以向其客户展示，并让他们认同看到的内容。即使客户可能不认同，企业也没有太大损失。而企业现在知道客户想要什么的结果，因此可以从客户的需求开始。
4.缺乏数据专业人才：组织通常更愿意给新手、毕业生或几乎没有任何工作经验的员工机会。其原因很简单，可以节省成本，但这是最大的错误。他们实际上在是浪费资金。没有经验的员工会找一些没有完成项目(甚至没有开始)的借口。该组织需要的是开发过一些人工智能项目的丰富经验的专业人才，并将其提交给一些客户。
5.内部人才/软件：在企业内部培养人才是一个不错的选择，但如果每次使用相同的人才，如何确保内部人才掌握最新知识。内部人才是否与其他技术社区有着更多的交流?如果没有交流，企业需要从外部使用开发人员。
6.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，但对于那些不了解的人员来说，人工智能可以做工作人员可以做的事情。从执行物理任务到做出逻辑决策，人工智能可以处理所有事情。这在其最高级的阶段可能会对实施组织的员工构成威胁。因此，可能会有人阻碍人工智能的实施，否则他们将会失去工作。
7.简单开始：在缺乏简单规则实现的情况下，企业的人工智能项目将毫无价值。有传言说，复杂的项目会取得成功，但过于复杂的项目会耗费很多时间。所以，项目应该以一种简单的方式开始。
此外，上述原因项目也可能由于预期与项目在实际时间范围内的实际情况不一致而失败。尽管人工智能技术有很多光环，但某些情况也可能会出错。例如，优步公司试点运营的自动驾驶车辆在撞人时遇到了问题，可以提到人工智能算法或程序没有正确编码。在其他情况下，它可能是作为人工智能的某些查询的答案而提供的不正确数据。
人工智能系统失败的另一个原因可能是不完整的数据集。每当人工智能系统需要接管时，必须对所有问题进行训练，并将其答案存在于数据集中。如果在培训期间数据集不完整，人工智能将无法实时响应情况。
此外，算法可能会出错。这是因为它们是由一些开发人员开发的。开发算法的人员很可能偏向某个特定的门派。在工作选择过程中，如果算法偏向某个特定部门，招聘公司可能会找不到合适的候选人。
有时传感器的错误可能导致人工智能出现问题。在这种情况下，人工智能将保持原始状态(完全回滚)。需要对人工智能系统进行全面培训，以了解可能遇到的任何情况。请记住，如果开发人员在设计上偷工减料，或者缺少正确的信息，都必然会导致失败。
原文来自：http://www.d1net.com/ai/industry/560200.html
本文地址：https://www.linuxprobe.com/percent-85-ai.html编辑：public，审核员：张文祥
Linux命令大全：https://www.linuxcool.com/
Linux系统大全：https://www.linuxdown.com/
红帽认证RHCE考试心得：https://www.rhce.net/
为您推荐一些与本文相关的文章：《爬虫逆向进阶实战》pdf电子书免费下载Linux更改SSH远程登录端口教程《Spring2.0技术手册》pdf电子书免费下载一起学习在Ubuntu上授予和移除sudo权限Linux管道和grep命令使用指南无服务器计算的本质与未来新一代超低功耗存储器曝光：将带来历史性进步《分布式数据库原理、架构与实践》pdf电子书免费下载捷讯：刘俊4月25日北京顺利通过RHCE认证。捷讯：李伊波10月26日北京顺利通过RHCE认证。相关文章[点此投稿]大数据和人工智能发展2019-01-090个评论Edge比Chrome快29%？外媒：你的标准过时了2018-08-200个评论SaaS入门门槛和技术鸿沟是什么？2019-03-250个评论ONAP社区首个版本成功落地2017-10-220个评论海尔成立全球首个“衣联网”生态平台2018-09-090个评论转载必需保留本文链接:https://www.linuxprobe.com/percent-85-ai.html
红帽RHCE认证：https://www.rhce.net
Linux命令大全：https://www.linuxcool.com
Linux系统大全：https://www.linuxdown.com
本文依据CC-BY-NC-SA3.0协议发布,竭诚为读者提供Linux视频教程、Linux学习资料以及红帽考试资料等优质学习资源。
对话业界大咖：人工智能高速发展背后的原因到底是什么
第三，为GPU、云计算领域技术的快速发展，促进了计算力的明显提升。在这样的时代背景下，人人都可以做这件事。我们早年开始做图像处理的时候内存就只有几兆，图像就只能一点点读，很多事情做不了，但是现在都可以做了。
第四，就是人力。有人说，人工智能是有多少人工就有多少智能，这个事情其实一点都不假。一方面，研究人员多了，比如人脸检测，很多人在做，数据集是开放的，大家都可以不停地刷数据。另一方面，就是标数据的人力数量的提升。比如，你有个想法要做一个手势识别，会有几十个人专门来标数据，一星期就标出很多数据，然后拿去训练，就可以很快实现。
我认为，是以上四个原因让人工智能飞速发展。上述原因主要是基于计算机视觉这个领域来分析，其实语音也是一样的，都是先标数据，然后经过大量的机器训练，最后到功能的实现。
提问：
您认为AI技术已经相对成熟，可以在工业界逐步走向商用了吗？
罗教授：
我先讲视觉领域，无论看国内还是美国，国内其实更明显，真正成熟的技术主要是围绕从检测到识别的人脸相关技术。为什么成熟呢？因为人脸技术虽然不是刚体，但是接近于刚体，变化比较小，不同的人种差异不大，即使带有表情也都可以识别。另一个我觉得比较成熟的AI技术是车辆识别，车辆虽然每年在更新，其实外观都差的不多。
因为有了斯坦福大学公开的图像识别数据集ImageNet，才有了深度学习，其实一般物体的检测准确率已经大大提升。拿椅子举例，我们当年认为椅子是不可解的，是找不出来的。因为椅子不是一个视觉概念而是一个功能概念（人可以坐），椅子的形状材质各种各样，视觉上变数太大。现在为什么可以找出来呢，还是因为数据量大了，把所有椅子，从各种角度看的椅子都拿来训练，最终识别率就提升了。
工业界在应用AI时有几点要注意。关于AI技术从工业界到商用，我有一个70-90-99.5的经验公式。分为三个阶段：
第一个阶段的门槛是70%。如果一个技术方向在实验室，在适量的数据集上能达到70%准确，那么证明这个方向是可行的。
第二阶段是走出实验室到真实世界，用真实世界的数据把它推向更高的层次，目标是90%。当准确性达到90%大概率而且不出错时，可以去找一个垂直的场景，这个场景需要达到能够预估到剩下10%的错误不是灾难性的，或者让它在有限的范围内准确性高于90%，这样我们的产品就可以推广上市。
第三阶段的门槛我认为是99.5%。我认为100%可能性不大，但让机器做到99.5%，就能达到超过人的程度，这个时候说明它已经走向产业化了。
其实到了90%的时候就应该开始做，不要等到99.5%再做。你在做的同时可以考虑和你应用有关的东西，同时学术界也会继续把它往前推，等你把这边工作做好了，学术界的研究也跟上来了。
提问：
您认为工业界在应用AI技术时，除了AI自身还需要关注哪些问题，或者需要避免哪些误区？
罗教授：
谈到误区有几个事情我想说明一下。我以前在柯达的时候，他们有一个做事的理念：事情没有做到完美就不能拿到市场上去。其实AI用这种理念来做是会受到影响的，我们到了90%就可以推出去，这样我们就能在实践中找到缺陷在哪里。另外，是目前在中国看到的一个误区,事情还没有谱，就去大肆宣传，就去卖理念，最后造成大家很失望。因为之前AI好几次都是这样的，大家都认为AI要改变人类、改变生活，结果没有付诸行动实现，信心就撤掉了。要警惕这种过度承诺，要做到适度，既不要太激进也不要太保守，更不能被人忽悠。
还有一个注意要点跟安全、隐私有关，其中包括视觉和大数据用户画像，这个在一定程度上涉及了人的隐私边界。安全和隐私，企业还是要注意，哪些能用哪些不能用，要做到心中有数。用的时候，有一个方式就是把个体信息脱敏，聚合到群体信息中，这样没有针对某一个人，但是实际上是了解了一类人的行为，进而洞察出有价值的信息。
提问：
前些年，工业界大数据技术非常火爆，最近AI又在兴起，您怎么理解工业大数据和AI的关系？
罗教授：
这个事情我是比较有发言权，我发现有一些公司，他们经常把大数据和AI割裂开，或者成立两个部门管理，我认为这个做法是错误的。大数据如果不用AI，大数据的价值是出不来的，因为数据多了以后，人是没有能力去分析这么多数据的，必须靠AI。用AI去发现人不容易一眼就能看出来的东西，一个是数据量大，维度高的时候，人是没法想象的，这个东西只能靠AI来做，所以我认为大数据离不开AI。反过来AI也离不开大数据，特别是现在数据驱动的一些模型，没有大数据寸步难行。
我不是说，AI离开大数据什么都不能干。因为AI现在更多强调的也是如何运用数据来创造价值，AI还是非常需要大数据的。我认为在学术界只想研究大数据或只想研究AI是可行的，但是在工业界两边都要看，不能隔绝开。而且只有当两个放在一起的时候，你才能实现价值的最大化。
提问：
最后请您判断一下，未来几年AI技术的主要发展方向和趋势。
罗教授：
我先讲一个我不是太熟悉的方向，我觉得硬件上肯定是会继续发展的。NVIDIA现在其实也在推动一些把计算从云端往移动端或边缘端转移的事情，也有一些移动的芯片，我觉得端与云的协同会继续发展，这是一种趋势。
朱松纯的那篇《浅谈人工智能》内容很好，讲的就是大AI。最早AI是一个领域方向，后来细分为视觉、语音、文本理解、机器学习、机器人等等若干领域。这是因为每个小领域的人认为，我们其实可以在这个领域里面率先取得突破。
现在大家在各自领域发展一段时间，已经取得了一些成绩，分享的意识就提高了，希望得到更多的关注与聆听。实际上，应该是AI所有的子领域在一起汇合，才会产生聚合效应。所谓“大AI”，就是各个领域的成果互通，经验共享，这非常有意义。
拿机器人举例分析，实际上人和机器人最快捷的感知就是视觉，但是要给它命令需要语言，用语言去驱动它，而不是按个什么键。AI有一个领域被大家遗忘了，SchedulingPlanning（调度与规划）就是怎么去做一个计划。
SchedulingPlanning的典范就是导航GPS，我要从A去B有这么多条路，我该怎么找出最佳的路线，这就是规划的问题，搜索在有一个目标函数的情况下找出最佳的结果。目前这个变成冷门了，但实际上，在机器人这个领域里面是绝对有用的。机器人要做一个事情，它在想我的任务是从这搬到那，我怎么去越过这些障碍，这就是SchedulePlanning的问题，它得知道自己的位置，然后把这个环境映射到地图中。
机器人这个应用实际上会涉及到视觉、语音，然后你给他发号指令，并且不局限于简单的指令，NLP也得有，它自己还得有SchedulePlanning，而且好多东西都要机器去学习，所以在这个例子里，AI最后起作用的是，AI多分支整合产生的最大效应，这个我认为是接下来几年的发展方向。
实际上，特别是从工业界的角度，把这些最新的AI技术结合起来然后在一个场景下就可以爆发出最大的效应。客户不看你用的什么方法，无论是视觉还是语音，每一个领域都不是百分百对的，这个时候要采用多模态、多方式的思路，会让系统更加稳健。返回搜狐，查看更多