聘請合適的技術人才仍然是企業組織采用人工智能(AI)的重要障礙。根據O'Reilly最近的一項調查，略超過六分之一的受訪者表示，難以聘用和留住具備AI技能的專業人士是其組織采用AI的重大障礙。

雖然人才缺口仍然是對話的很大一部分，但這一數字比前一年有所減少，這表明其他挑戰正在成為探索和部署人工智能項目的企業的首要考慮因素。

盡管如此，技術技能差距并不是人工智能采用的最大障礙，也不是許多人工智能項目失敗的原因。事實上，根據O'Reilly的同一項調查，受訪者認為缺乏機構支持是最大的問題，其次是難以確定合適的業務用例。

當然，這是一顆難以下咽的藥丸：這意味著真正的挑戰在于我們，而不是有限數量的專業人員來完成這項工作。

人工智能項目成功的3個支柱

那么組織如何才能避免人工智能項目的常見陷阱呢?與其他技術實施一樣，這一切都歸結為適當的公司范圍內的培訓、生產環境以及正確的基礎。有了這三個支柱，您就可以更早地開始實現人工智能的商業價值。

1.正確的基礎

成功的人工智能項目需要三件事：

• 數據科學家必須具備高效的工具、具有領域專業知識并能夠訪問相關數據。盡管AI技術正變得越來越容易理解——從處理偏見預防、可解釋性、概念漂移和類似要求——許多團隊在這方面仍然存在不足。
• 組織必須學習如何在生產中部署和操作AI模型。這需要部署DevOps、SecOps和新興的AIOps工具和流程，以便模型隨著時間的推移繼續在生產中準確工作。
• 產品經理和業務領導者必須從一開始就參與進來，以便重新設計新的技術能力并決定如何應用它們來讓客戶滿意。

盡管在過去幾年中教育和工具有了顯著改善，但在實際操作生產中的AI模型方面仍有很大的改進空間。在這種情況下，產品管理和用戶交互設計正在成為人工智能成功的常見障礙。

這些問題可以通過投資實踐教育來解決。在教室和會議廳之外，來自整個組織的專業人士必須獲得實際從事AI項目的經驗，了解他們可以做什么以及該技術如何推動您的業務向前發展

2.公司范圍內的協作和培訓

當然，人才是問題的一部分，但需要的不僅僅是數據科學人才。問題的根源通常在于業務和產品專業知識。與技術人才一樣重要的是，了解人工智能將如何在產品中發揮作用以及它如何轉化為更好的客戶體驗和新收入同樣重要——而且這一責任不僅僅落在研發團隊身上。

例如，我們的算法可以像人類一樣準確地讀取X射線，但我們現在才剛剛開始將這種能力集成到臨床工作流程中。如果醫生和護士沒有接受過如何使用這項技術來簡化他們的工作流程的培訓，那么它對他們或他們的病人就沒有任何價值。

能夠訓練和部署準確的AI模型并不能解決如何最有效地使用它們來幫助您的客戶的問題。要做到這一點，需要對所有組織學科(銷售、營銷、產品、設計、法律、客戶成功、財務)進行教育，讓他們了解技術為何有用以及它將如何影響他們的工作職能。

做得好，新的人工智能功能使產品團隊能夠完全重新思考用戶體驗。

做得好，新的人工智能功能使產品團隊能夠完全重新思考用戶體驗。這是Netflix或Spotify添加推薦作為輔助功能與圍繞內容發現設計用戶界面之間的區別。這有很大的不同，但也需要一個村莊才能實現。這就是為什么由執行團隊帶頭的全公司支持對于人工智能的成功至關重要。

3.合適的生產環境

并非所有生產環境都相同，因此并非所有結果都相同。根據您擁有的人才、基礎設施和數據了解AI項目的局限性并從一開始就設定明確的期望非常重要。

例如，最近的一篇研究論文(為ACM計算系統中的人為因素會議(CHI)系列學術會議完成)探索了一種新的深度學習模型，用于從患者的眼睛圖像中檢測糖尿病視網膜病變。科學家們訓練了一個深度學習模型，以從過去幾年眼科檢查的角膜圖片中識別患者糖尿病視網膜病變的早期階段。目標是減少失明，這是一種未經治療的疾病癥狀。

該論文描述了在泰國農村的診所中使用同樣準確、有效的模型時發生的情況：用于拍攝患者眼睛圖像的機器不如用于訓練模型的機器復雜。正如訓練模型所假設的那樣，使用的檢查室并不完全黑暗。對于一些患者來說，再休息一天進行隨訪或額外測試并不是一個可行的選擇。首先，并不是所有的醫生和護士都接受過培訓來解釋為什么這項新測試是必要的。

缺乏適當的基礎設施和對醫院工作人員的凝聚力教育，加上對實際限制的理解，是人工智能項目失敗的一個典型例子。

隨著教育趕上工業，人工智能人才缺口在未來幾年仍將是一個挑戰。但與此同時，組織可以采取一些措施來確保他們的人工智能項目取得成功。

僅僅訓練你的模型是不夠的——還要訓練你的組織。花時間對您的業務的各個方面進行教育，了解您為什么要處理某個AI項目，它將如何影響他們的角色和客戶體驗，以及期望是什么。

組織準備好使用它了嗎?