聘请合适的技术人才仍然是企业组织采用人工智能(AI)的重要障碍。根据O'Reilly最近的一项调查，略超过六分之一的受访者表示，难以聘用和留住具备AI技能的专业人士是其组织采用AI的重大障碍。
虽然人才缺口仍然是对话的很大一部分，但这一数字比前一年有所减少，这表明其他挑战正在成为探索和部署人工智能项目的企业的首要考虑因素。
尽管如此，技术技能差距并不是人工智能采用的最大障碍，也不是许多人工智能项目失败的原因。事实上，根据O'Reilly的同一项调查，受访者认为缺乏机构支持是最大的问题，其次是难以确定合适的业务用例。
当然，这是一颗难以下咽的药丸：这意味着真正的挑战在于我们，而不是有限数量的专业人员来完成这项工作。
人工智能项目成功的3个支柱
那么组织如何才能避免人工智能项目的常见陷阱呢?与其他技术实施一样，这一切都归结为适当的公司范围内的培训、生产环境以及正确的基础。有了这三个支柱，您就可以更早地开始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件事：
- 数据科学家必须具备高效的工具、具有领域专业知识并能够访问相关数据。尽管AI技术正变得越来越容易理解——从处理偏见预防、可解释性、概念漂移和类似要求——许多团队在这方面仍然存在不足。
- 组织必须学习如何在生产中部署和操作AI模型。这需要部署DevOps、SecOps和新兴的AIOps工具和流程，以便模型随着时间的推移继续在生产中准确工作。
- 产品经理和业务领导者必须从一开始就参与进来，以便重新设计新的技术能力并决定如何应用它们来让客户满意。
尽管在过去几年中教育和工具有了显着改善，但在实际操作生产中的AI模型方面仍有很大的改进空间。在这种情况下，产品管理和用户交互设计正在成为人工智能成功的常见障碍。
这些问题可以通过投资实践教育来解决。在教室和会议厅之外，来自整个组织的专业人士必须获得实际从事AI项目的经验，了解他们可以做什么以及该技术如何推动您的业务向前发展
2.公司范围内的协作和培训
当然，人才是问题的一部分，但需要的不仅仅是数据科学人才。问题的根源通常在于业务和产品专业知识。与技术人才一样重要的是，了解人工智能将如何在产品中发挥作用以及它如何转化为更好的客户体验和新收入同样重要——而且这一责任不仅仅落在研发团队身上。
例如，我们的算法可以像人类一样准确地读取X射线，但我们现在才刚刚开始将这种能力集成到临床工作流程中。如果医生和护士没有接受过如何使用这项技术来简化他们的工作流程的培训，那么它对他们或他们的病人就没有任何价值。
能够训练和部署准确的AI模型并不能解决如何最有效地使用它们来帮助您的客户的问题。要做到这一点，需要对所有组织学科(销售、营销、产品、设计、法律、客户成功、财务)进行教育，让他们了解技术为何有用以及它将如何影响他们的工作职能。
做得好，新的人工智能功能使产品团队能够完全重新思考用户体验。
做得好，新的人工智能功能使产品团队能够完全重新思考用户体验。这是Netflix或Spotify添加推荐作为辅助功能与围绕内容发现设计用户界面之间的区别。这有很大的不同，但也需要一个村庄才能实现。这就是为什么由执行团队带头的全公司支持对于人工智能的成功至关重要。
3.合适的生产环境
并非所有生产环境都相同，因此并非所有结果都相同。根据您拥有的人才、基础设施和数据了解AI项目的局限性并从一开始就设定明确的期望非常重要。
例如，最近的一篇研究论文(为ACM计算系统中的人为因素会议(CHI)系列学术会议完成)探索了一种新的深度学习模型，用于从患者的眼睛图像中检测糖尿病视网膜病变。科学家们训练了一个深度学习模型，以从过去几年眼科检查的角膜图片中识别患者糖尿病视网膜病变的早期阶段。目标是减少失明，这是一种未经治疗的疾病症状。
该论文描述了在泰国农村的诊所中使用同样准确、有效的模型时发生的情况：用于拍摄患者眼睛图像的机器不如用于训练模型的机器复杂。正如训练模型所假设的那样，使用的检查室并不完全黑暗。对于一些患者来说，再休息一天进行随访或额外测试并不是一个可行的选择。首先，并不是所有的医生和护士都接受过培训来解释为什么这项新测试是必要的。
缺乏适当的基础设施和对医院工作人员的凝聚力教育，加上对实际限制的理解，是人工智能项目失败的一个典型例子。
随着教育赶上工业，人工智能人才缺口在未来几年仍将是一个挑战。但与此同时，组织可以采取一些措施来确保他们的人工智能项目取得成功。
仅仅训练你的模型是不够的——还要训练你的组织。花时间对您的业务的各个方面进行教育，了解您为什么要处理某个AI项目，它将如何影响他们的角色和客户体验，以及期望是什么。
组织准备好使用它了吗?
