人工智能和機器學習將成為企業成功的寶貴資產。通過實施人工智能，企業可以將人工篩選數據的過程實現自動化，以實現更智能、更快速的業務決策。然而，自動化和人工智能并沒有消除人類的責任。

1、沒有識別正確的用例

到目前為止，許多企業都意識到了人工智能的好處。事實上，如果企業的業務沒有實現自動化，可能會落后于競爭對手。根據普華永道公司的一項研究，86%的受訪者預計人工智能將成為他們公司的“主流技術”。

盡管人工智能的使用激增，但貿然嘗試為企業實施人工智能是不明智的。將人工智能應用于正確的用例以獲得最佳結果非常重要。與其問“可以將人工智能應用于這種情況嗎?”，不如問“是否將正確的人工智能應用于正確的情況?”。某些業務流程的人工智能實施最終必須在企業的時間和資源上是值得的。如果人工智能與業務目標不一致，那么就會浪費企業的時間和資源。

2、沒有招聘到合適的人才

科技行業的招聘格局正在發生變化。根據CodingGame公司最近進行的一項調查，將近50%的招聘人員表示他們正在努力填補空缺職位。技術領域的招聘變得越來越困難，尤其是在人工智能領域。

招聘人工智能專業人員就像組建一支足球隊，不能全由前鋒或后衛組成。如果用人工智能的術語來說，不要只雇傭通才數據科學家，要關注應聘者的專業技能和經驗與企業的業務需求相匹配。例如，在建模方面具有深厚的專業知識對于深入研究和解決方案開發至關重要，數據工程技能對于執行解決方案至關重要。

3、沒有提供適當的數據維護

每個與人工智能相關的業務目標都始于數據——數據是使人工智能引擎運行的燃料。企業犯下的最大錯誤之一就是沒有保護和利用他們的數據。這始于對數據完全由IT部門負責的誤解。在數據被捕獲并輸入人工智能系統之前，業務主題專家和數據科學家應該參與進來，并且企業高管應該提供監督，以確保正確捕獲和維護正確的數據。對于非IT人員來說，重要的是要意識到，他們不僅可以從良好的數據中獲益，從而產生高質量的人工智能建議，而且他們的專業知識是人工智能系統的關鍵輸入。確保所有團隊都有共同的責任感來管理、審查和維護數據。

數據管理程序也是數據護理的關鍵組成部分。數據管理和治理流程需要不斷發展，以處理不斷增加的數據量、速度和種類，同時確保符合政府法規和企業規定。這包括數據收集、數據存儲以及問責制和定期評估協議。

4、沒有保持人工智能的有效性

人工智能需要干預才能隨著時間的推移將其維持為一種有效的解決方案。例如，如果人工智能出現故障或業務目標發生變化，人工智能流程就需要改變。不采取任何行動或不實施充分的干預可能會導致人工智能系統阻礙或違背業務目標。

以人工智能定價系統為例。如果人工智能系統不能適應市場變化，人工智能的有效性就會降低。換句話說，隨著源數據性質的變化，人工智能系統必須適應當前市場的發展。

衡量人工智能有效性的一種方法是通過銷售團隊的表現。有效的銷售團隊希望遵守有助于他們實現目標的定價建議，因此應該通過他們采用推動價值的人工智能的程度來衡量他們的績效。與定價相關的常見關鍵績效指標包括利潤率和收入。跟蹤關鍵績效指標還有助于闡明哪些銷售團隊或團隊成員正在采用人工智能。如果這些建議不能促進關鍵績效指標的實現，那么可能是進行干預的時候了。

干預應該通過高度自動化的流程實現可擴展性和可重復性，以最大程度地減少人工智能用戶的負擔。干預應包括兩個組成部分：審查人工智能系統的輸入并確保其輸出符合預期。這些做法中的每一個都應該在定期進行。不要等到人工智能出現故障才進行干預，而到那時企業的利潤可能已經受到影響。

5、沒有考慮可用數據中的潛在偏差

與人類一樣，人工智能及其衍生輸出在暴露于有限或不具代表性的數據集時可能會出現偏差。人工智能模型和描述性分析都是如此。偏見的存在和隨后的考慮通常與人工智能背后的意圖無關。因此，當這些偏見的后果產生時，責任往往在于人工智能的把關者，而不是人工智能系統本身。

如上所述，數據和干預是成功使用人工智能的重要組成部分。當人工智能中發現偏見時尤其如此。然而，預防問題總比解決問題好。如果可能的話，需要避免數據在無意中對種族、性別、階級等產生偏見。例如，直接基于消費者地理位置和收入的建模可能會產生有偏見的輸出。

為了防止偏見或糾正偏見，可解釋的人工智能可能是一個很好的解決方案。可解釋的人工智能方法可以識別推動人工智能模型預測或建議的關鍵因素，并使干預過程變得更加容易。一旦可解釋的人工智能方法表明人工智能如何產生有偏見的輸出，干預必須迅速、可重復和可擴展，以避免對企業的業務和消費者造成進一步的負面影響。

獲得人工智能的幫助

正確使用人工智能對企業來說是不可或缺的資產。從增加投資回報到實現業務目標，再到讓客戶滿意，其影響可能是巨大的。有意使用人工智能并制定指導方針以避免常見錯誤，將使人工智能實現增長和業務成功同步進行。