一家大型咨詢公司去年展開的調(diào)查中，三分之二的首席執(zhí)行官表示他們將比以前更多地使用AI來創(chuàng)建新的勞動力模式。甚至更多的人計劃將運營、客戶互動、商業(yè)模式和收入流數(shù)字化。

　　這種巨大的加速和轉(zhuǎn)變可能會給企業(yè)帶來很大的風(fēng)險，使企業(yè)更容易遭受損失(在某些情況下甚至是關(guān)鍵的基礎(chǔ)設(shè)施)，因為將其關(guān)鍵決策移交給AI。

　　基于對AI的大肆宣傳，讓人們誤以為似乎可以通過篩選大量數(shù)據(jù)的復(fù)雜算法來改善一切。從簡化客戶服務(wù)到發(fā)明新的香水甚至是指導(dǎo)足球隊，AI看起來就像是競爭優(yōu)勢不可阻擋的供應(yīng)商，實際上公司高管要做的就是放開它，然后一邊吃午飯(由AI機器人廚師烹制)，一邊看著公司利潤攀升。

　　可悲的是，我們在執(zhí)行過程中看到的是一個完全不同的世界——從管理不當(dāng)?shù)钠谕綐O其昂貴的失敗和錯誤?，F(xiàn)實中，AI有時并不是通往公司光明未來的閃亮之光，而是在錯誤的道路上引領(lǐng)盲人，直到有人跌下懸崖。

　　在AI世界中負責(zé)炒作的大多數(shù)人從未編寫過任何代碼，更不用說將AI部署到實際生產(chǎn)中了。甚至沒有幾個開發(fā)人員能夠給您一些現(xiàn)實的應(yīng)用案例。作為一個在經(jīng)常使用AI建立平臺和工作的技術(shù)專家，我親眼目睹了當(dāng)一些世界上最大的公司應(yīng)用AI時出現(xiàn)了什么問題，以下是一些使用AI的最糟糕方法：

　　1 根據(jù)錯誤的數(shù)據(jù)做出決策

　　AI擅長在龐大的數(shù)據(jù)集中查找模式，并能有效地根據(jù)這些模式預(yù)測結(jié)果，并查找不相關(guān)的alpha(數(shù)據(jù)集中的隱藏模式)。但是，如果將錯誤的數(shù)據(jù)(或異常信息)提取到數(shù)據(jù)集中，則會出現(xiàn)大問題。

　　例如， 我們曾與一家專注于TMT行業(yè)(技術(shù)、媒體、電信)的客戶合作。創(chuàng)始人來自一家大型金融公司，并帶來了一些曾為REITS和能源部門的交易系統(tǒng)工作的程序員。他們的目標(biāo)是建立一個分析引擎。問題是，他們的開發(fā)人員復(fù)制并合并了為房地產(chǎn)投資信托基金和能源交易建立的兩個引擎，并試圖將與TMT行業(yè)更相關(guān)的技術(shù)指標(biāo)納入這一混合系統(tǒng)。

　　我們花了一些時間才意識到，盡管創(chuàng)始人認為他們的團隊已經(jīng)建立了一個專門為TMT設(shè)計的全新引擎，但它實際上是拼湊而成的。雖然這三個行業(yè)都有類似的技術(shù)指標(biāo)，但AI是敏感而細致的工作，每個引擎都應(yīng)該被定制。確保您的AI是基于正確的數(shù)據(jù)提出建議的。

　　2 未能正確訓(xùn)練您的AI

　　您可以向AI引擎提供所有正確的數(shù)據(jù)，并讓它得到正確的答案，但是在未經(jīng)測試之前，您不知道它會做什么。急于賦予它更多的責(zé)任，就像把一個小孩送入現(xiàn)實世界一樣——對兩者來說都不會帶來好的結(jié)果。

　　一家企業(yè)對AI進行量化交易很感興趣。他們雇用了一個外部團隊來構(gòu)建AI引擎的概念驗證模型。要構(gòu)建一個好的AI引擎，您將需要一個大型的同類歷史數(shù)據(jù)集。通常，數(shù)據(jù)集中的數(shù)據(jù)點越多，引擎檢測未來結(jié)果的能力就越好;這些數(shù)據(jù)點將幫助設(shè)計良好的引擎發(fā)現(xiàn)數(shù)據(jù)的非線性相關(guān)性，以幫助進行預(yù)測。

　　我們建議該客戶給AI引擎更多的時間來處理他們的數(shù)據(jù)集，以使其更加均質(zhì)并且不遵循主流定價信號。遺憾的是，他們沒有這樣做，并且對特定的數(shù)據(jù)集進行了精細的調(diào)整，以至于它不能與新的、未見過的數(shù)據(jù)一起工作。換句話說，它對實時市場數(shù)據(jù)毫無用處。

　　3 忽略決策的人為責(zé)任

　　無論您對AI進行什么編程，它都不會共享您的人類目標(biāo)或承擔(dān)其后果。因此，我們已經(jīng)看到了AI的早期示例，這些AI將早期的GPS用戶引導(dǎo)到河流中，或者刪除了關(guān)鍵信息以“最小化”數(shù)據(jù)集中的差異。要記住，軟件實際上并不做決定，它只是識別模式，也不會對決定負責(zé)。人類才是最終對決定負責(zé)的。

　　4 高估數(shù)據(jù)價值

　　某些數(shù)據(jù)根本無法用于構(gòu)建任何有用的信息。例如，一個使用AI方面失敗的案例是一個醫(yī)療診斷平臺的整合，它有自己的數(shù)據(jù)湖和廣泛的數(shù)據(jù)集。擁有該平臺的公司收購了另一個平臺，帶來了一系列孤立的數(shù)據(jù)集。高管們想從這些雜亂無章的數(shù)據(jù)集中獲得一些洞察力，并需要在潛在客戶的入職方面得到幫助。問題是，這些數(shù)據(jù)集描述的是不同的醫(yī)療問題/檔案，試圖找到真正有價值的共同標(biāo)準(zhǔn)是不可能的。盡管擁有所有的匯編信息，但與新平臺的數(shù)據(jù)整合就像擁有沒有實際聯(lián)系的樂高碎片。僅僅因為它們在很多方面都很相似，并不意味著你可以用它們來建造一座城堡。

　　一家房地產(chǎn)開發(fā)商希望我們?yōu)榻ㄖQ策的洞察力設(shè)計AI模型，其概念是，如果我們能從房地產(chǎn)列表中攝取足夠的數(shù)據(jù)，就可以進行分析，為他們的新開發(fā)項目的布局提供決策依據(jù)。客戶希望通過AI獲得的洞察力能夠告訴他們，根據(jù)建筑物的位置，什么是最理想的布局。

　　在攝取了不同州的房地產(chǎn)列表數(shù)據(jù)，進行了數(shù)據(jù)集分析，并與主題專家互動后，很明顯，由于房地產(chǎn)市場是高度本地化的，一個放之四海而皆準(zhǔn)的算法是不行的。曼哈頓東部中城的房地產(chǎn)與西部中城略有不同，布魯克林與皇后區(qū)也不同，更不用說紐約州的整個數(shù)據(jù)集了。眾多的數(shù)據(jù)集獨立起來太小，無法建立一個有意義的分類算法，這個項目也就沒有通過。

　　在這些情況下，這些公司通過前期調(diào)研減少了損失，但許多其他公司只是繼續(xù)向AI投錢，更深入地研究與目標(biāo)無關(guān)的細節(jié)。在構(gòu)建AI引擎之前，請確保您的目標(biāo)具有可行性。

　　深入了解AI的現(xiàn)實意義

　　AI可能是這個加速的數(shù)字商業(yè)世界的未來，但就目前而言，仍然有太多的炒作。企業(yè)應(yīng)該考慮AI，但要有深入的見解和對AI真正作用的正確理解。決策者需要了解AI的現(xiàn)實意義，以及它帶來的潛力和其背后的挑戰(zhàn)?？紤]到可用數(shù)據(jù)、時間表、成本和期望，制定任何潛在AI項目的明確策略。通常，成功的AI項目提供的是長期的結(jié)果，而不是短暫的收益。

　　AI的核心只是推理。它可以幫助分析大量細節(jié)，但是別忘了，只有人類才能理解全局。我們了解，作為人類，我們的決策會產(chǎn)生后果(商業(yè)、法律和道德)，并且給AI虛假的人類特征掩蓋了事實，即它不會像我們所做的那樣思考。人類可能比AI犯更多的“錯誤”，但我們也有更多的能力去識別它們。因此，當(dāng)您在考慮如何部署AI時，請確保您自己的“情報”仍處于優(yōu)先地位。