全文共1705字，預計學習時長3分鐘

在過去的幾個月裡，AI 專案的數量大幅增加，大多數在公司從事 AI 專案的員工都計劃在未來12個月內不斷完善 AI 專案，對其中許多方案都抱有很高的期望，但 AI 專案遠非萬無一失。事實上，據預測，超過一半的 AI 專案都無法達到預期。

很多原因會導致專案失敗，然而，有一些明顯的問題將導致全部AI 專案的崩潰。筆者與各個組織的 AI 實踐者討論，並在過去幾個月進行了許多調查，根據這些經驗得知這些錯誤甚是頻繁。他們都有一個共同點——缺乏足夠的戰略和規劃。

以下是本文偶然發現的 AI 專案業務中所面臨的一些最常見的挑戰（在此不做特別排序），這些挑戰都可能導致失敗。

文化方面的挑戰

一個組織在開展 AI 計劃時面臨的大多數挑戰都是文化挑戰。公司政治觀點是一個主要原因，因為 AI 計劃工作是一項團隊工作，從功能到技術都擁有多樣化技能。不同部門和不同領導有不同的目的，都想將 AI 計劃罩在他們自己的保護傘下。

資料素養也是一項重大挑戰，因為不同的人對資料領域有不同的理解。因此，對 AI 計劃抱有不切實際期望的企業並不少見。

由於 AI 資源成本最高，並且結果存在不確定性，因此能否得到利益相關者的支援也成為一項挑戰。執行資料密集型專案的組織成熟度也起著重要作用。從事資料相關專案的組織和部門可以主動以最快速度掃清障礙。

AI 計劃的主要利益相關者是非技術人員。因此，講故事是讓這些利益相關者意識到 AI 計劃真正潛力的重要技能。

如果能夠主動在某個組織中灌輸資料文化，就可以迎難而上，克服困難。

運營方面的挑戰

AI 計劃還在運營方面面臨巨大挑戰。人才缺口是其中一項眾所周知的難題，而獲取專案相關資料有時可能是另一項重大挑戰。

很多時候，擁有功能領域的中小企業可能是一個障礙，有時功能領域的中小企業相當稀缺，因此，他們的專案可用性可能是一個巨大挑戰。

由於 AI 是一個跨學科領域，其計劃的成功取決於包括 IT 團隊在內的許多不同團隊之間的相互合作。即使你已準備好解決方案，在客戶端站點部署計劃，或者想以客戶希望的方式來執行也十分具有挑戰性。

你面臨很多機會的時候，選擇一個具有高投資回報率( ROI )或勞資協定( CBA )的機會就變得很重要。AI 評估也應納入 AI 執行框架。否則，沒有人願意在付出大量努力之後發現解決了錯誤的問題。

資料安全性是另一個應該包含在操作框架中的領域，以避免專案後期出現問題。

可以分析得出，如果能夠通過為 AI 計劃制定運營框架來解決這些問題，那麼就有很多難題可以避免。

資料方面的挑戰

直到最近，商業實現了資料的價值。因此，資料品質除了一直是監管要求的業務之外，同時還是AI計劃經常遇到的問題。事實上，根據各種調查，它是任何AI計劃中最具挑戰性的部分。

大多數情況下，我們沒有得到我們想要的資料形式，我們需要以有用的方式對資料用例進行整合，轉換和聚合。因此，資料整合也是AI員工需要應對的一項挑戰。

由於資料隱私，在很多用例中，你無法將這些資料應用於AI計劃。很多有關資料使用的法律法規最近已經或即將出臺（如GDPR），所以資料隱私也成為需要解決的一項主要挑戰。

技術方面的挑戰

在企業中，技術堆疊可能非常龐大且不同，尤其是在沒有企業 IT 治理的情況下。由於AI專案需要與各個級別的典型IT專案整合，因此擁有不同的技術堆疊也可能是一個巨大的難題。

另一個難題是演算法限制，AI 中沒有銀彈，每種方法都各具其優缺點。需要在差異和偏差之間進行權衡。

模型可解釋性是另一個需要解決的具有挑戰性的領域，由於最近現有和即將出臺的法規，AI 可解釋性變得越來越重要，但還需要權衡準確性和可解釋性之間的關係。

結論

作為一個新興領域，成功執行AI 專案的挑戰充滿不確定性。但是如果你很快就要開展 AI 計劃，建議你記住上面提到的問題，如果發現任何可用的資訊，需要主動努力克服它們。

我們一起分享AI學習與發展的乾貨