詳談人工智能項目失敗的幾大原因

　　數據問(wèn)題是企業(yè)的人工智能項目沒(méi)有達到預期目標的主要原因。但是，如果企業(yè)能從錯誤中吸取教訓并長(cháng)期堅持，那么在人工智能方面的努力將會(huì )得到回報。

　　18個(gè)月前，Cooper公司為其客戶(hù)服務(wù)代理商推出了智能推薦系統，以便為客戶(hù)問(wèn)題提供解決方案。該公司前身為Nationstar公司，是美國最大的非銀行抵押貸款提供商，擁有380萬(wàn)客戶(hù)，因此該項目被視為該公司一個(gè)令人關(guān)注的節省成本的項目。該公司首席信息官Sridhar Sharma說(shuō)，該公司花費九個(gè)月的時(shí)間才發(fā)現代理商沒(méi)有使用它，又花了六個(gè)月的時(shí)間來(lái)弄清楚原因。
 

 

　　Sharma發(fā)現，智能推薦系統提供的建議與客戶(hù)并不相關(guān)，但問(wèn)題不在于機器學(xué)習算法。相反，該公司依賴(lài)于基于客戶(hù)問(wèn)題的技術(shù)術(shù)語(yǔ)描述訓練數據，而不是使用客戶(hù)自己的語(yǔ)言描述這些問(wèn)題。

　　他說(shuō)：“我們沒(méi)有很好地確?？蛻?hù)提出問(wèn)題的根源是沒(méi)有采用客戶(hù)使用的術(shù)語(yǔ)，這是因為是用我們內部使用的技術(shù)術(shù)語(yǔ)編寫(xiě)的。”

　　Sharma說(shuō)，此外，智能推薦系統的反饋機制(代理記錄通話(huà)結果)有重疊的類(lèi)別，這使得問(wèn)題更加嚴重。他拒絕透露這個(gè)項目給該公司造成了多大的損失。

　　Cooper公司陷入人工智能的困境并不是異?，F象。根據調研機構IDC公司最近的一項調查，只有約30%的受訪(fǎng)者表示其人工智能項目的成功率為90%，大多數受訪(fǎng)者表示其失敗率為10%到49%，而3%的受訪(fǎng)者表示一半以上的人工智能項目已經(jīng)失敗。

　　超過(guò)四分之一的受訪(fǎng)者認為，缺乏員工以及人工智能技術(shù)具有不切實(shí)際的期望是面臨的主要挑戰。另有23%的人表示他們的人工智能項目因為缺乏必要的數據而失敗。

　　Sharma說(shuō)：“失敗的第一個(gè)征兆是有些人想退出這個(gè)項目。但如果這樣做，就注定要失敗。”

　　Cooper公司計劃明年將重新回到客戶(hù)服務(wù)項目，作為其客戶(hù)關(guān)系管理(CRM)系統改革的一部分，企業(yè)將繼續致力于人工智能技術(shù)的開(kāi)發(fā)。其最新的機器學(xué)習項目涉及分析非結構化數據，已經(jīng)具有積極的商業(yè)利益，并有助于為未來(lái)創(chuàng )建更好的語(yǔ)言訓練數據。

　　他補充說(shuō)，“這些措施的成本并不低，當事情不順利時(shí)，需要企業(yè)首席執行官和首席財務(wù)官的支持。”

　　缺乏數據

　　數據問(wèn)題是人工智能項目達不到預期目標的主要原因。根據麥肯錫公司去年秋天發(fā)布的一份調查報告，限制人工智能技術(shù)應用的兩大挑戰與數據有關(guān)。

　　首先，與Cooper公司一樣，許多公司很難獲得適當標記的數據來(lái)訓練他們的機器學(xué)習算法。如果數據沒(méi)有正確分類(lèi)，工作人員必須花費大量時(shí)間標記，這可能會(huì )延遲項目或導致項目失敗。第二個(gè)數據問(wèn)題是沒(méi)有項目的正確數據。

　　普華永道公司合伙人兼全球人工智能領(lǐng)導人Anand Rao表示，“企業(yè)通常沒(méi)有合適的數據，如果無(wú)法使用未標注的數據建立模型，就會(huì )感到沮喪。這就是企業(yè)實(shí)施人工智能項目一直失敗的地方。”

　　美國奧杜邦協(xié)會(huì )正在使用人工智能來(lái)幫助保護野生鳥(niǎo)類(lèi)。例如，該組織在7月份發(fā)布了一項關(guān)于氣候變化如何影響38種草原鳥(niǎo)類(lèi)的人工智能分析結果。

　　奧杜邦協(xié)會(huì )保護科學(xué)副總裁Chad Wilsey說(shuō)，“如果我們不采取任何措施來(lái)減緩氣候變化的速度，那么42%的草原鳥(niǎo)類(lèi)可能面臨滅絕，但如果我們能夠采取行動(dòng)，那么可以將其比例降低到8%。”

　　并非所有奧杜邦協(xié)會(huì )的人工智能項目都取得了成功。去年夏天，該組織試圖利用機器學(xué)習來(lái)計算海灘上的褐鵜鶘和剪嘴鷗的數量。該試點(diǎn)項目基于一組志愿者收集的圖像，這些志愿者通過(guò)無(wú)人機在德克薩斯州海岸附近的一個(gè)島上進(jìn)行調查。

　　Wilsey說(shuō)，“我們有興趣了解通過(guò)的颶風(fēng)如何影響鳥(niǎo)類(lèi)種群。”

　　例如，大多數可用的鳥(niǎo)類(lèi)圖片都是由地面上的工作人員拍攝的，而不是無(wú)人機直接拍攝。Wilsey說(shuō)，由于這是一項試點(diǎn)研究，奧杜邦協(xié)會(huì )沒(méi)有資源拍攝更多的照片。

　　訓練數據偏差

　　另一個(gè)人工智能項目因缺乏數據而受阻的例子是弗里茨實(shí)驗室試圖創(chuàng )建一個(gè)模型來(lái)識別照片中人們的頭發(fā)。弗里茨實(shí)驗室幫助移動(dòng)開(kāi)發(fā)者構建可以直接在手機上運行的人工智能模型，而無(wú)需將數據發(fā)送回中央服務(wù)器進(jìn)行處理。

　　該公司首席技術(shù)官Jameson Toole說(shuō)，“我們希望建立一個(gè)能夠在實(shí)時(shí)視頻中檢測頭發(fā)并實(shí)時(shí)改變顏色的功能。”

　　他說(shuō)，起初一切看起來(lái)都很好，但算法中存在一個(gè)重大缺陷，如果系統公開(kāi)上市的話(huà)，其問(wèn)題會(huì )非常嚴重。

　　Toole說(shuō)，“值得慶幸的是，我們在辦公室和我們招募的人員之間進(jìn)行了大量的人工測試，我們意識到對于某些種族人群來(lái)說(shuō)，這并不是一件好事，我們重新篩選了數據集，以確定數據集中沒(méi)有人是這些種族人群的一部分。”

　　他說(shuō)，有很多圖像數據集可供訓練，包括免費的和商業(yè)的數據集。但是企業(yè)必須檢查是否有他們需要的特定類(lèi)型的足夠數據。

　　他說(shuō)：“企業(yè)首先要花費一定的時(shí)間，努力構建自己的代表用戶(hù)群的測試用例。”

　　弗里茨實(shí)驗室最終收集了丟失的圖像，并通過(guò)工作人員的處理對它們進(jìn)行注釋。Toole說(shuō)，“這無(wú)疑凸顯了這樣一個(gè)事實(shí)，即當受到可用數據的限制時(shí)，將偏見(jiàn)引入這樣的系統并不困難。”

　　根據普華永道公司最近的一項調查，一半以上的公司沒(méi)有評估人工智能偏見(jiàn)的正式流程。更糟糕的是，只有25%的受訪(fǎng)者表示他們會(huì )在實(shí)施之前優(yōu)先考慮人工智能解決方案的道德含義。
 

 

　　數據集成問(wèn)題

　　有時(shí)，問(wèn)題不在于缺乏數據，而在于數據太多。普華永道公司零售業(yè)務(wù)方面的人工智能和數據的常務(wù)董事表示，一家全球性大型銀行就面臨這種情況。

　　他表示，如果能夠回到過(guò)去，這家銀行就會(huì )更早地開(kāi)始將不同的數據渠道匯集在一起??。他說(shuō)，“這是我們沒(méi)有做的事情，這是一個(gè)很大的錯誤。我們收集了數據，其結果是我們沒(méi)有獲得完全的全方位的客戶(hù)視圖。”

　　他補充說(shuō)，該數據整合??問(wèn)題損害了這家銀行創(chuàng )建有效營(yíng)銷(xiāo)信息的能力，導致收入損失，該銀行現在正轉向多渠道客戶(hù)數據視圖，包括在線(xiàn)、移動(dòng)和面對面互動(dòng)。

　　他說(shuō)，“我們仍然不在那里，孤立的數據是我們擁有并仍然存在的最大挑戰之一。這個(gè)挑戰不是技術(shù)問(wèn)題，而是商業(yè)問(wèn)題，第一個(gè)問(wèn)題是合規性。我們不允許混合某些類(lèi)型的數據。”

　　他說(shuō)，“另一個(gè)問(wèn)題與企業(yè)優(yōu)先事項有關(guān)。還有很多其他項目正在運行。誰(shuí)會(huì )為將數據混雜一起而支付費用?這本身并不是銀行的增值業(yè)務(wù)。”他表示，這是每個(gè)銀行都必須面對的挑戰。

　　他說(shuō)，“如果再次開(kāi)展這個(gè)項目，應該在銀行首次開(kāi)始處理人工智能用例時(shí)啟動(dòng)數據集成過(guò)程。我不認為我們真的會(huì )做到這一點(diǎn)，因為有太多的數據來(lái)源，我不認為都能完全完成。”

　　他表示，該銀行預計在未來(lái)18至24個(gè)月內將連接其主要數據源。他說(shuō)，現在該銀行只有10%到15%左右。

　　數據漂移

　　人工智能項目面臨的另一個(gè)問(wèn)題是企業(yè)依賴(lài)歷史數據而不是活動(dòng)交易數據來(lái)進(jìn)行訓練。埃森哲公司董事總經(jīng)理安德里Andreas Braun表示，在許多情況下，在轉換為實(shí)時(shí)數據時(shí)，對單個(gè)靜態(tài)歷史快照進(jìn)行過(guò)培訓的系統表現不佳。

　　埃森哲公司負責歐洲數據和人工智能業(yè)務(wù)的Braun說(shuō)，“企業(yè)可以卸載一些數據，訓練一些模型，并在實(shí)驗室中獲得相當好的模型提升，但是一旦把它重新融入組織，就開(kāi)始出現問(wèn)題。”

　　歷史數據樣本和通過(guò)實(shí)時(shí)系統傳輸的數據之間可能存在顯著(zhù)差異，例如，實(shí)時(shí)檢測欺詐或發(fā)現洗錢(qián)行為，因為這些模型沒(méi)有經(jīng)過(guò)訓練，無(wú)法識別其行為的微小變化。

　　他說(shuō)：“如果某個(gè)用戶(hù)在某個(gè)時(shí)間點(diǎn)(可能是晚上、周六或周日)復制數據，那么這種情況將會(huì )凍結數據。這使得實(shí)驗室的分析非常容易。但是，當機器學(xué)習模型重新融入到實(shí)時(shí)系統中時(shí)，其情況會(huì )更糟。”

　　Braun說(shuō)，解決方案是將數據科學(xué)家從生產(chǎn)技術(shù)方面放入一個(gè)單獨的孤島中。特別是，當使用實(shí)時(shí)數據構建模型時(shí)，將模型集成到生產(chǎn)環(huán)境中要快得多。

　　他說(shuō)：“而且成功的情況要好得多。它完全改變了游戲規則。”
 

 

　　未經(jīng)處理的非結構化數據

　　根據咨詢(xún)機構德勤公司最近的一項調查，62%的公司處理非結構化數據仍然依賴(lài)電子表格，只有18%的公司在分析工作中利用了產(chǎn)品圖片、客戶(hù)音頻文件或社交媒體評論等非結構化數據。

　　此外，德勤公司零售和消費產(chǎn)品戰略和分析實(shí)踐負責人Ben Stiller表示，該公司收集的大量歷史數據缺乏對人工智能有用的背景，或者以摘要形式存儲。

　　“數據限制當然可以從一開(kāi)始就為失敗做好準備。”他說(shuō)。

　　Stiller說(shuō)，“然而，根據調查顯示，像Cooper這樣利用非結構化數據的公司，其業(yè)務(wù)超出其業(yè)務(wù)目標的可能性要高出24%。這真的需要企業(yè)對數據的看法發(fā)生根本性的轉變。”

　　例如，Cooper公司以大約15億個(gè)客戶(hù)文檔的形式擁有大量非結構化數據。因此，客戶(hù)服務(wù)代理會(huì )花費太多時(shí)間查找幫助客戶(hù)所需的文檔，有時(shí)還需要與客戶(hù)溝通回訪(fǎng)。

　　因此，該公司使用機器學(xué)習技術(shù)掃描了所有15億份文件，并仔細分析了第一批1.5億份文件，這些文件屬于200種最常用的文件。

　　Cooper公司的Sharma說(shuō)，“現在我們有一個(gè)機器學(xué)習項目，它帶來(lái)了價(jià)值，并且現在正在實(shí)施中。”

　　當企業(yè)重返以前問(wèn)題纏身的人工智能客戶(hù)服務(wù)項目時(shí)，除了加快客戶(hù)服務(wù)呼叫的速度，文檔分析還幫助創(chuàng )建一個(gè)更好的語(yǔ)言字典，供將來(lái)使用。

　　文化挑戰

　　除了數據外，組織問(wèn)題對人工智能的成功提出了重大挑戰。

　　Sharma說(shuō)，如果回到過(guò)去，他最初會(huì )專(zhuān)注于客戶(hù)在詳細解決問(wèn)題時(shí)使用的語(yǔ)言，并讓主題專(zhuān)家與人工智能開(kāi)發(fā)人員配合工作。

　　Sharma說(shuō)，“必須讓客戶(hù)與我們的技術(shù)團隊一起合作，這樣的場(chǎng)景始終是最重要的，你必須讓他們一起共事，并使其成為一份全職工作。”

　　除非企業(yè)能從這些錯誤中吸取教訓，否則實(shí)現人工智能承諾的機會(huì )可能會(huì )減少，因為失敗的人工智能項目可能會(huì )讓投資團隊不再提供融資，并可能對員工和客戶(hù)滿(mǎn)意度產(chǎn)生負面影響。

　　Stiller說(shuō)，“圍繞人工智能的早期失敗項目可能讓執行團隊放棄在這個(gè)領(lǐng)域的重大投資。這可能會(huì )導致企業(yè)落后于競爭對手。”

　　這一切都從企業(yè)管理層開(kāi)始。正如德勤公司的調查顯示，企業(yè)高層對于人工智能項目的支持至關(guān)重要。Stiller說(shuō)，“如果企業(yè)首席執行官提供支持，那么其業(yè)務(wù)目標的成功率可能會(huì )超過(guò)77%。”

　　因此，不要讓挫折破壞企業(yè)對人工智能的組織承諾，因為人工智能的長(cháng)期方法會(huì )得到回報，他說(shuō)，“隨著(zhù)時(shí)間的推移，企業(yè)實(shí)施的項目越多，投資回報率就會(huì )越高。”