?人們已經看到新冠疫情如何對企業(yè)施加壓力，要求他們將其數字化轉型之旅加快數月，在某些情況下甚至數年。大流行的到來使他們重新考慮觸手可及的技術——尤其是人工智能(人工智能)——并利用它們來提高生產力、解決供應鏈問題并無縫交付產品和服務。組織已經意識到將人工智能集成到其數字戰(zhàn)略中的必要性，本文將重點關注解決常見的人工智能采用挑戰(zhàn)。

人工智能是一項革命性的技術，可以節(jié)省時間、精力和金錢。它不再局限于科學教科書或科幻幻想；它在現(xiàn)實世界中有無數的應用。企業(yè)現(xiàn)在承認實施這種未來技術的重要性。事實上，機器智能的高水平滲透可以解決根本問題。

麥肯錫的一項調查表明，人工智能的采用率在2021年呈上升趨勢，并將繼續(xù)如此。它指出，“56%的受訪者表示至少在一項功能中采用了人工智能，高于2020年的50%?！?/p>

雖然企業(yè)已經意識到采用人工智能是前進的方向，但這并不總是那么容易。那么，阻礙企業(yè)實現(xiàn)這一下一代技術巨大潛力的關鍵障礙是什么？讓我們一一討論這些人工智能采用挑戰(zhàn)。

道德考量

采用人工智能的第一個挑戰(zhàn)是，隨著組織將人工智能與更多流程相結合，道德如何成為一個緊迫的問題。人工智能給人類偏見帶來了看似科學的信任，并傾向于放大它們，使其決策潛力受到質疑。幸運的是，我們有一個解決方案。

一個有希望的跡象是人們越來越意識到這個問題，承認人工智能存在偏見的潛力是第一步。當企業(yè)訓練他們的人工智能/機器學習模型時，他們必須積極對抗有偏見的數據，并專門對他們的人工智能進行編程以使其不偏不倚。此外，注釋者必須在將訓練數據輸入算法之前仔細分析訓練數據。這樣，它不會導致有偏見的結論。

數據質量差

采用人工智能獲利的最關鍵障礙之一是使用的數據質量差。任何人工智能應用程序的智能程度取決于它可以訪問的信息。不相關或標記不準確的數據集可能會阻止應用程序正常工作。

許多組織收集了太多的數據。它可能充滿不一致和冗余，導致數據衰減。通過簡化收集過程可以提高數據質量。利益相關者必須更加關注數據清洗、標簽和倉儲。這些工作流程變化可以為企業(yè)提供高質量的數據。

數據治理

面對不斷上升的網絡犯罪，負責任的數據治理比以往任何時候都更加重要。人們擔心公司如何訪問和使用他們的機密信息，因此利用面向客戶的人工智能的組織在部署應用程序時要對自己負責是很重要的。

這里的關鍵是細分和可見性。組織必須確保他們可以監(jiān)控和限制他們的人工智能算法如何在所有階段使用數據。分段可減輕違規(guī)的影響并盡可能保證用戶信息的安全。同樣，透明的數據收集政策也有助于緩解與人工智能相關的擔憂。

流程缺陷

公司經常使用內部工具和管道進行人工智能部署和監(jiān)控。從頭開始構建高效的人工智能模型需要大量的時間和金錢。所以，如果你剛剛開始，人工智能的采用可能會讓你付出高昂的代價。此外，您的工具可能包含不適當的算法和有偏見的數據。在這種情況下，采用第三方工具進行人工智能集成或使用經過市場檢驗的工具是一個比較明智的選擇。

網絡安全

人工智能實施引入了網絡安全風險。為了收集人工智能計劃的數據，已經發(fā)生了許多數據泄露事件。因此，保護存儲數據免受惡意軟件和黑客攻擊應該是公司的首要任務。強大的網絡安全防御方法可以幫助防止此類攻擊。此外，人工智能采用領導者需要承認復雜威脅日益嚴重的威脅，并從被動策略轉變?yōu)橹鲃硬呗浴?/p>

存儲限制

訓練人工智能/機器學習模型需要恒定數量的高質量標記數據集。因此，組織需要將大量數據輸入機器學習算法，以便他們能夠執(zhí)行所需的活動并提供可靠的結果。

這已經變得具有挑戰(zhàn)性，因為傳統(tǒng)的存儲技術非常昂貴并且具有空間限制。然而，閃存等最近的技術突破似乎提供了一種解決方案。與昂貴的傳統(tǒng)硬盤不同，閃存存儲更可靠且價格合理?！?/p>

合規(guī)性

人工智能和其他以數據為中心的運營越來越受到法律法規(guī)的日益重視。組織必須遵守這些限制，特別是如果他們在金融和醫(yī)療保健等高度監(jiān)管的行業(yè)運營。

采取靈活的方法來維護高隱私和治理標準可以幫助這些公司更加合規(guī)。由于法規(guī)的增加，第三方審計師更有可能受到需求。

前進的道路

人工智能正逐漸成為改變游戲規(guī)則的人，其潛力值得一試。普華永道的一項研究指出，“到2030年，人工智能可能為全球經濟貢獻高達15.7萬億美元，超過目前中國和印度的產出總和。其中，6.6萬億美元可能來自生產力提高，9.1萬億美元可能來自消費副作用?！?/p>

但是什么可以讓人工智能為公司服務？預測人工智能采用的障礙并對其實施采取戰(zhàn)略方法可以幫助組織實現(xiàn)轉型增長并最大化回報。?