采用人工智能面临的挑战

“糟糕的推理”是人工智能错误的另一个常见原因。随着人工智能系统越来越先进，人们也越来越难以理解网络中的流程。因此，当人工智能系统出错时，可能很难确定出问题的确切位置。如果决定是自动驾驶汽车急转弯还是撞倒行人呢?幸运的是，科学家为深度学习系统开发了白盒测试。它用大量的输入来测试神经网络，并告诉它的响应哪里是错误的，这样它们就可以被修正。

但是人工智能犯的错误总是那么危险吗?当然，不总是这样。这完全取决于人工智能系统的使用。如果人工智能被用于网络安全、军事用途、驾驶车辆，那么更多的问题就会更加危险。如果人工智能系统选择男性而不是同样技术熟练的女性员工，这是一个道德问题。但有时这些错误只是愚蠢的——正如2015年《连线》杂志上的一篇文章所说，他们描述的人工智能显示了一个黑色和黄色条纹的图像。人工智能却判断为是校车，但这是错误的。

为了确保人工智能产生的错误无关紧要，必须确保高质量的输入和适当的测试。

7. 非技术人员对人工智能缺乏了解

人工智能的实现需要企业管理层对当前的人工智能技术、它们的可能性和局限性有更深入的了解。不幸的是，人们被一大堆关于人工智能的神话和误解所包围，从需要雇佣内部数据科学团队(人们应该知道，他们只为Facebook、亚马逊、谷歌工作，以及如何工作)到科幻幻想中的机器人，以及机器人最终终结人类。

人工智能技术的缺乏阻碍了人工智能在许多领域的应用。由于缺乏理解而导致的另一个常见错误是努力实现不可能实现的目标。

那么如何解决这个问题?从教育开始。这可能听起来令人沮丧，但并不是说技术人员必须成为一名数据科学家。只需浏览一下其行业，了解一些重要的参与者，看看他们部署了哪些用例，并了解人工智能的当前可能性。技术人员可以自己解决，也可以请求专家帮助。一旦掌握了一些知识，就可以更轻松地管理自己的期望，因为将了解人工智能能为企业做些什么，不能做什么。

8. 缺乏实地专家

为了开发一个成功的人工智能解决方案，需要技术知识和业务理解。不幸的是，这往往是其中之一。首席执行官和管理者缺乏采用人工智能所必需的技术知识，而许多数据科学家对他们开发的模型如何在现实生活中使用并不十分感兴趣。

知道如何将这项技术应用于某一特定业务问题的人工智能专家数量非常有限。总的来说，优秀数据科学家的数量也是如此。

FAMGA(Facebook、苹果、微软、谷歌、亚马逊)以外的公司正在努力吸引顶尖人才。即使他们试图建立一支内部团队，他们也不确定自己是否能找到合适的人才。如果缺乏技术知识，无法真正了解他们是否提供高质量的解决方案。由于预算有限，中小型企业可能无法采用人工智能。但是，外包数据团队现在也是一种选择。

9. 缺乏业务一致性

正如O'Reilly公司在图表中所示，企业文化不承认人工智能的需求以及识别业务用例的困难是人工智能实施的最大障碍。识别人工智能业务案例需要管理人员深入了解人工智能技术、它们的可能性和局限性。缺乏人工智能技术可能会阻碍许多组织的采用。

（编辑：西安站长网）

【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!