?但不幸的現(xiàn)實是，85%的AI和ML項目都無法完整交付，只有53%的項目能從原型到生產。盡管如此，根據最近的IDC支出指南，到2025年，美國在人工智能方面的支出將增長到1200億美元，增幅將達到20%甚至更多。

因此，避免五個經常導致AI和ML項目失敗的常見錯誤是很重要的。

1. 了解訓練ML算法所需的資源，特別是數(shù)據資源

雖然說正在利用AI和ML革新公司的流程聽起來很不錯，但事實是80%的公司發(fā)現(xiàn)這些項目比預期的更難。

為了使這些項目獲得成功，需要清楚地了解在資源和人員方面需要什么。最常見的錯誤之一是不了解如何獲得正確的訓練數(shù)據——這不僅對此類計劃的成功至關重要，而且還需要大量的努力和專業(yè)知識才能成功完成。大多數(shù)希望采用AI/ML項目的公司無法獲得確保高質量、公正結果所需的數(shù)據數(shù)量或數(shù)據多樣性。

然而，如果做不到這一點，往往會給成功帶來巨大的障礙，導致項目成本飆升，項目信心暴跌。

可供公司購買的訓練數(shù)據并不匱乏，許多第三方數(shù)據公司能夠提供服務。問題在于，一家公司可以輕松地以低廉的價格購買大量數(shù)據并不意味著它就是高質量的訓練數(shù)據，而這正是成功的AI和ML項目所需要的。公司需要的不是簡單地購買一刀切的數(shù)據，而是特定于項目的數(shù)據。

因此，為了減少偏見，確保數(shù)據能夠代表廣泛而多樣的受眾是很重要的。數(shù)據還需要針對你的算法進行準確的標注，并且應該始終檢查數(shù)據是否符合數(shù)據標準、數(shù)據隱私法和安全措施的要求。

2.不要奢望人工智能發(fā)展會一帆風順

ML算法的訓練不是一個奇異的過程。一旦訓練開始并且更好地理解了數(shù)據模型，就必須不斷地對所收集的數(shù)據進行更改。在算法訓練過程開始之前，要知道您實際需要什么數(shù)據并不容易。例如，您可能會意識到訓練集或數(shù)據收集方式存在問題。

如同傳統(tǒng)的軟件開發(fā)一樣，人工智能本質上也是軟件構成的，需要通過持續(xù)、穩(wěn)定的投入并逐漸產生效益。而在這一過程中，永遠不要掉以輕心。

3. 始終集成質量保證(QA)測試

通常，QA測試被認為是確保產品正確工作的附加項或形式，而不是被視為在所有迭代中優(yōu)化產品的必備工具。事實上，QA測試是成功AI開發(fā)的重要組成部分。結果驗證應該整合到人工智能開發(fā)過程的每個階段，以降低成本，加快開發(fā)時間表，并確保資源的有效分配。

4. 安排頻繁的應用反饋

盡管想象起來可能令人氣餒，但現(xiàn)實是，人工智能項目永遠不會真正完成。即使項目超出了準確性和性能預期，你仍然有上升和完善的空間。此外，算法會根據不斷變化的事物(觀點、對話、圖像等)做出決策。為了讓人工智能體驗在現(xiàn)在和未來都獲得成功，它必須在滾動的基礎上進行再訓練，以適應新的社會環(huán)境、技術發(fā)展和其他影響數(shù)據的變化。

事實上，從AI的采用中看到最積極影響的公司遵循核心和AI最佳實踐，在AI上的投入比同行更高效和有效。這包括在部署前測試AI模型的性能、跟蹤性能以查看結果是否隨著時間的推移而改善，以及制定良好的協(xié)議以確保數(shù)據質量。

通過開發(fā)一個強大的開發(fā)AI程序的方法，公司可以避免這些常見的錯誤，并確保他們的AI和ML計劃的長期成功。?