人工智能计划的成败更多地与人有关，而不是与技术有关。如果您想以改善业务成果的方式将 AI 付诸实践，您必须避免这 6 个错误。
根据 Gartner 最近的两份报告，85% 的人工智能和机器学习项目未能交付，只有 53% 的项目从原型到生产。然而，同样的报告表明人工智能投资几乎没有放缓的迹象。许多组织计划增加这些投资。
通过一些常识性的商业思维，这些失败中的许多是可以避免的。投资的驱动力是强大的：FOMO（害怕错过）、在营销预算庞大的人工智能公司中的泡沫风险投资泡沫，以及在某种程度上承认真正需要利用人工智能驱动的决策和行动走向数据驱动的企业。
与其将 AI 或机器学习项目视为一次性的奇迹，例如升级数据库或采用新的 CRM 系统，不如将 AI 视为一种老式的资本投资，类似于制造商如何证明其合理性购买昂贵的机器。
制造商不会像许多组织看待 AI 和机器学习一样，将机器视为闪亮的新玩具。采购决策将考虑新产品或改进产品的占地面积、备件、维护、员工培训、产品设计以及营销和分销渠道。在将新的 AI 或机器学习系统引入组织时，应该考虑平等。
以下是组织在投资人工智能和机器学习时常犯的六个错误。
把车放在马前
在不知道您要回答什么问题的情况下开始分析计划是令人失望的秘诀。当有这么多干扰时，很容易将注意力从球上移开。自动驾驶汽车、面部识别、自动无人机等都是现代奇迹，想要玩这些玩具是很自然的。不要忽视人工智能和机器学习带来的核心业务价值：做出更好的决策。
数据驱动的决策并不新鲜。RA Fischer 可以说是世界上第一个“数据科学家”，他在 1926 年的论文“现场实验的安排”[PDF]中用 10 页短页概述了制定数据驱动决策的要点。运筹学、6 Sigma 以及 Edwards Deming 等统计学家的工作说明了根据统计计算的限制分析数据作为量化过程变化的一种方式的重要性。
简而言之，您应该首先将 AI 和机器学习视为改进现有业务流程的一种方式，而不是一种新的商机。首先分析流程中的决策点并询问：“如果我们可以将这个决策改进x %，它会对我们的底线产生什么影响？”
忽视组织变革
实施变革管理的困难是导致人工智能项目整体失败的一个重要原因。不乏研究表明大多数转型失败，技术、模型和数据只是故事的一部分。同样重要的是数据优先的员工心态。事实上，员工心态的转变可能比人工智能本身更重要。具有数据驱动思维的组织可以同样有效地使用电子表格。
迈向成功 AI 计划的第一步是建立对数据驱动决策优于直觉或传统的信任。公民数据科学家的努力大多以失败告终，因为业务线经理或高管人员固执己见，缺乏对数据的信任，或拒绝将决策权交给分析过程。结果是“草根”分析活动以及许多自上而下的计划比业务转型产生了更多的涉猎、好奇心和简历建设。
如果有任何一线希望的话，那就是组织变革和所涉及的问题已经得到广泛研究。组织变革是一个考验最佳执行团队勇气的领域。不能通过从上面下达命令来实现；它需要温和地、巧妙地、通常是缓慢地改变思想和态度，认识到每个人都会对推动所期望的行为做出不同的反应。一般来说，出现了四个重点领域：沟通、以身作则、参与和持续改进，所有这些都与决策管理过程直接相关。
鉴于数据驱动的决策通常违反直觉，改变人工智能领域的组织文化尤其具有挑战性。建立对数据驱动决策优于直觉或传统的信任需要一种所谓的“生理安全”要素，只有最先进的领导组织才能掌握这一要素。已经说过很多次了，它有一个首字母缩写词：ITAAP，意思是“一切都与人有关”。成功的项目通常将超过 50% 的预算用于变革管理。我认为它应该接近 60%，额外的 10% 用于首席人力资源官办公室的特定于项目的人员分析计划。
在游戏早期投掷冰雹玛丽传球
正如您无法在一夜之间建立数据文化一样，您也不应该期望分析项目会立即取得转型胜利。成功的 AI 或机器学习计划需要人员、流程和技术方面的经验以及良好的支持基础设施。获得这种经验不会很快发生。在IBM 的 Watson 赢得 Jeopardy或DeepMind 的 AlphaGo 击败人类围棋冠军之前，需要多年的共同努力。
许多人工智能项目之所以失败，是因为它们超出了公司的能力范围。在尝试推出基于 AI 的新产品或业务线时尤其如此。从头开始构建某些东西涉及太多的活动部分，因此成功的机会不大。
正如 Dirty Harry 在Magnum Force 中所说，“一个人必须知道他的局限性”，这也适用于公司。大型企业每天都会做出无数可以通过人工智能和数据自动化的业务决策。总的来说，利用人工智能来改进小决策可以提供更好的投资回报。与其押注远景，公司最好从不那么迷人、风险较低的人工智能和机器学习投资开始，以改进其现有流程。新闻发布室可能不会注意到，但会计师会注意到。
即使您已经成功地使用人工智能做出数据驱动的决策，改进现有模型也可能是比着手新程序更好的投资。一份 2018 年麦肯锡报告，“更好的模型的价值是什么？” , 表明即使预测能力的小幅提高也能引发经济价值的巨大增长。
用于分析的组织结构不足
人工智能不是一种即插即用的技术，可以立即获得投资回报。它需要在整个组织范围内改变思维方式，并在内部机构上进行相应的改变。通常，人们过度关注人才、工具和基础设施，而很少关注组织结构应该如何改变。
一些正式的组织结构在高层的支持下，对于实现将传统的非分析型企业转变为数据驱动型组织所需的临界质量、动力和文化变革是必要的。这将需要新的角色和职责以及“卓越中心”。卓越中心 (COE) 应采取的形式取决于组织的具体情况。
一般来说，两院制模式似乎效果最好，其中人工智能职责的核心集中处理，而嵌入在各个业务部门中的 COE 的“卫星”负责协调交付。这种结构通常会增加业务部门之间的协调和同步，并导致 AI 转型的更大共享所有权。
由首席分析官领导的 COE 最适合处理诸如开发教育和培训计划、创建 AI 流程库（数据科学方法）、生成数据目录、构建成熟度模型和评估项目绩效等职责。COE 主要处理受益于规模经济的职责。这些还将包括培养 AI 人才、与第三方数据提供商谈判、制定治理和技术标准以及培育内部 AI 社区。
COE 在各个业务部门的代表能够更好地提供培训、促进采用、帮助确定由 AI 增强的决策、维护实施、激励计划，并通常决定在何处、何时以及如何将 AI 计划引入业务。来自 COE 的“SWAT 团队”可以在项目的基础上增加业务部门代表。
未在业务流程中嵌入智能
从 AI 计划中获取价值的最常见障碍之一是将数据洞察纳入现有业务流程。这种“最后一英里”挑战也是使用业务规则管理系统 (BRMS) 最容易解决的挑战之一。BRMS 是一项成熟的技术，自 2000 年代初以来已大量安装，并且作为部署预测模型的工具获得了新的生命。BRMS 是可管理且可靠的自动化业务流程中的理想决策点。如果您的企业没有使用 BPM（业务流程管理）系统来自动化（并简化和合理化）核心业务流程，那么就到此为止。您不需要 AI，您首先需要基础知识，即 BPM 和 BRMS。
大多数现代业务规则管理系统包括模型管理和基于云的部署选项。在云场景中，公民数据科学家可以使用 Azure 机器学习工作室和 InRule BRMS 等工具创建模型，并将模型通过 REST 端点直接部署到业务流程。像这样的基于云的组合允许以比成熟的人工智能程序更合理的成本轻松地对决策过程进行实验。
实验失败
现在我们来到硬币的另一面。您如何使用 AI 来创建新的商业模式、扰乱市尝创造新产品、创新，并大胆地去往前所未见的地方？风险投资的初创企业的失败率约为 75%，它们处于人工智能商业模式的前沿。如果您的基于 AI 的新产品或业务计划的失败率较低，那么您就击败了一些最好的投资者。
即使是最精英的技术专家也会失败，有时经常失败。谷歌前 CEO 埃里克施密特 (Eric Schmidt) 在 2011 年参议院证词中披露了该公司的一些方法：
为了让您了解 Google 考虑的更改规模，我们在 2010 年进行了 13,311 次精度评估，以查看提议的算法更改是否提高了其搜索结果的质量，并进行了 8,157 次并排实验，其中展示了两组搜索将结果提交给一组人类测试人员，并让评估人员对哪组结果更好进行排名，并进行 2,800 次点击评估，以了解一小部分真实生活中的 Google 用户对变化的反应。最终，该过程产生了 516 项更改，根据数据确定这些更改对用户有用，因此对 Google 的算法进行了更改。大多数这些更改对用户来说是无法察觉的，并且会影响很小一部分网站，但只有在我们相信这些更改将使我们的用户受益的情况下，才会实施每一项更改。
结果表明，提议的更改有 96% 的失败率。
这里的关键是失败会发生。不可避免。谷歌与大多数其他公司的不同之处在于，谷歌的数据驱动文化让他们能够从错误中吸取教训。还要注意施密特证词中的关键词：实验。实验是谷歌以及苹果、Netflix、亚马逊和其他领先的科技公司成功地从人工智能中大规模受益的方式。
公司创建和改进其流程、产品、客户体验和商业模式的能力与其试验能力直接相关。
接下来是什么？
就像工业革命席卷了那些未能采用机器制造而不是手工制作产品的公司一样，人工智能和机器学习的巨变将消灭无法适应新环境的公司。尽管人们很容易认为人工智能的挑战主要是技术上的，并将失败归咎于技术，但现实是人工智能项目的大多数失败都是战略和执行上的失败。
从很多方面来说，这对公司来说都是个好消息。人工智能项目失败背后的“老式”商业挑战是众所周知的。虽然您无法避免在文化、组织结构和业务流程方面进行必要的改变，但知道路线已经规划好了，还是会感到些许安慰；挑战在于操纵船并避开岩石。从将 AI 应用于现有流程的小而简单的实验开始，将有助于您在开始更长时间的 AI 旅程之前获得宝贵的经验。
