人工智能项目失败的6个原因

数据问题是企业的人工智能项目没有达到预期目标的主要原因。但是，如果企业能从错误中吸取教训并长期坚持，那么在人工智能方面的努力将会得到回报。

18个月前，Cooper公司为其客户服务代理商推出了智能推荐系统，以便为客户问题提供解决方案。该公司前身为Nationstar公司，是美国最大的非银行抵押贷款提供商，拥有380万客户，因此该项目被视为该公司一个令人关注的节省成本的项目。该公司首席信息官Sridhar Sharma说，该公司花费九个月的时间才发现代理商没有使用它，又花了六个月的时间来弄清楚原因。

Sharma发现，智能推荐系统提供的建议与客户并不相关，但问题不在于机器学习算法。相反，该公司依赖于基于客户问题的技术术语描述训练数据，而不是使用客户自己的语言描述这些问题。

他说：“我们没有很好地确保客户提出问题的根源是没有采用客户使用的术语，这是因为是用我们内部使用的技术术语编写的。”

Sharma说，此外，智能推荐系统的反馈机制(代理记录通话结果)有重叠的类别，这使得问题更加严重。他拒绝透露这个项目给该公司造成了多大的损失。

Cooper公司陷入人工智能的困境并不是异常现象。根据调研机构IDC公司最近的一项调查，只有约30%的受访者表示其人工智能项目的成功率为90%，大多数受访者表示其失败率为10%到49%，而3%的受访者表示一半以上的人工智能项目已经失败。

超过四分之一的受访者认为，缺乏员工以及人工智能技术具有不切实际的期望是面临的主要挑战。另有23%的人表示他们的人工智能项目因为缺乏必要的数据而失败。

Sharma说：“失败的第一个征兆是有些人想退出这个项目。但如果这样做，就注定要失败。”

Cooper公司计划明年将重新回到客户服务项目，作为其客户关系管理(CRM)系统改革的一部分，企业将继续致力于人工智能技术的开发。其最新的机器学习项目涉及分析非结构化数据，已经具有积极的商业利益，并有助于为未来创建更好的语言训练数据。

他补充说，“这些措施的成本并不低，当事情不顺利时，需要企业首席执行官和首席财务官的支持。”

缺乏数据

数据问题是人工智能项目达不到预期目标的主要原因。根据麦肯锡公司去年秋天发布的一份调查报告，限制人工智能技术应用的两大挑战与数据有关。

首先，与Cooper公司一样，许多公司很难获得适当标记的数据来训练他们的机器学习算法。如果数据没有正确分类，工作人员必须花费大量时间标记，这可能会延迟项目或导致项目失败。第二个数据问题是没有项目的正确数据。

普华永道公司合伙人兼全球人工智能领导人Anand Rao表示，“企业通常没有合适的数据，如果无法使用未标注的数据建立模型，就会感到沮丧。这就是企业实施人工智能项目一直失败的地方。”

美国奥杜邦协会正在使用人工智能来帮助保护野生鸟类。例如，该组织在7月份发布了一项关于气候变化如何影响38种草原鸟类的人工智能分析结果。

奥杜邦协会保护科学副总裁Chad Wilsey说，“如果我们不采取任何措施来减缓气候变化的速度，那么42%的草原鸟类可能面临灭绝，但如果我们能够采取行动，那么可以将其比例降低到8%。”

并非所有奥杜邦协会的人工智能项目都取得了成功。去年夏天，该组织试图利用机器学习来计算海滩上的褐鹈鹕和剪嘴鸥的数量。该试点项目基于一组志愿者收集的图像，这些志愿者通过无人机在德克萨斯州海岸附近的一个岛上进行调查。

Wilsey说，“我们有兴趣了解通过的飓风如何影响鸟类种群。”

例如，大多数可用的鸟类图片都是由地面上的工作人员拍摄的，而不是无人机直接拍摄。Wilsey说，由于这是一项试点研究，奥杜邦协会没有资源拍摄更多的照片。

训练数据偏差

另一个人工智能项目因缺乏数据而受阻的例子是弗里茨实验室试图创建一个模型来识别照片中人们的头发。弗里茨实验室帮助移动开发者构建可以直接在手机上运行的人工智能模型，而无需将数据发送回中央服务器进行处理。

该公司首席技术官Jameson Toole说，“我们希望建立一个能够在实时视频中检测头发并实时改变颜色的功能。”

他说，起初一切看起来都很好，但算法中存在一个重大缺陷，如果系统公开上市的话，其问题会非常严重。

Toole说，“值得庆幸的是，我们在办公室和我们招募的人员之间进行了大量的人工测试，我们意识到对于某些种族人群来说，这并不是一件好事，我们重新筛选了数据集，以确定数据集中没有人是这些种族人群的一部分。”

他说，有很多图像数据集可供训练，包括免费的和商业的数据集。但是企业必须检查是否有他们需要的特定类型的足够数据。

他说：“企业首先要花费一定的时间，努力构建自己的代表用户群的测试用例。”

弗里茨实验室最终收集了丢失的图像，并通过工作人员的处理对它们进行注释。Toole说，“这无疑凸显了这样一个事实，即当受到可用数据的限制时，将偏见引入这样的系统并不困难。”

根据普华永道公司最近的一项调查，一半以上的公司没有评估人工智能偏见的正式流程。更糟糕的是，只有25%的受访者表示他们会在实施之前优先考虑人工智能解决方案的道德含义。

数据集成问题

有时，问题不在于缺乏数据，而在于数据太多。普华永道公司零售业务方面的人工智能和数据的常务董事表示，一家全球性大型银行就面临这种情况。

他表示，如果能够回到过去，这家银行就会更早地开始将不同的数据渠道汇集在一起​​。他说，“这是我们没有做的事情，这是一个很大的错误。我们收集了数据，其结果是我们没有获得完全的全方位的客户视图。”

他补充说，该数据整合​​问题损害了这家银行创建有效营销信息的能力，导致收入损失，该银行现在正转向多渠道客户数据视图，包括在线、移动和面对面互动。

他说，“我们仍然不在那里，孤立的数据是我们拥有并仍然存在的最大挑战之一。这个挑战不是技术问题，而是商业问题，第一个问题是合规性。我们不允许混合某些类型的数据。”

他说，“另一个问题与企业优先事项有关。还有很多其他项目正在运行。谁会为将数据混杂一起而支付费用?这本身并不是银行的增值业务。”他表示，这是每个银行都必须面对的挑战。

他说，“如果再次开展这个项目，应该在银行首次开始处理人工智能用例时启动数据集成过程。我不认为我们真的会做到这一点，因为有太多的数据来源，我不认为都能完全完成。”

他表示，该银行预计在未来18至24个月内将连接其主要数据源。他说，现在该银行只有10%到15%左右。

数据漂移

（编辑：上饶站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!