如今，有許多事情讓企業(yè)管理者日夜操勞，無(wú)論是經(jīng)濟(jì)環(huán)境還是市場(chǎng)環(huán)境，有時(shí)看起來(lái)將會(huì)進(jìn)一步惡化，還有消費(fèi)者不斷變化的需求對(duì)企業(yè)施加的無(wú)情壓力。但是人們忘了一件事：技術(shù)。

也許最為相關(guān)的是，技術(shù)的快速發(fā)展不斷顛覆組織開(kāi)展業(yè)務(wù)的方式，這足以讓企業(yè)管理人員失眠。無(wú)可否認(rèn)，如果企業(yè)未能跟上發(fā)展步伐，將不可避免地落后于競(jìng)爭(zhēng)對(duì)手。這將成為進(jìn)化或消亡的市場(chǎng)案例。

這個(gè)領(lǐng)域的主要參與者之一是人工智能（AI）。并且成為行業(yè)媒體時(shí)常提到的流行術(shù)語(yǔ)之一。許多企業(yè)仍在尋求采用人工智能以獲得更多的商業(yè)利益、更高效的運(yùn)營(yíng)以及向客戶提供新產(chǎn)品和服務(wù)。但是，他們是否采取了實(shí)現(xiàn)這些目標(biāo)所需的最佳方法？

對(duì)于那些尚未通過(guò)人工智能取得成功的企業(yè)來(lái)說(shuō)，即使是開(kāi)始踏上旅程，也很容易對(duì)他們的競(jìng)爭(zhēng)對(duì)手的領(lǐng)先地位感到失望。他們經(jīng)常以絕對(duì)主義的觀點(diǎn)看待人工智能：要么擁有跨組織的全自動(dòng)系統(tǒng)，要么根本沒(méi)有。

但人工智能并不是非此即彼的二元化技術(shù)：成功的應(yīng)用程序可以建立在規(guī)模較小的、成功的項(xiàng)目平臺(tái)上，這本身就是試驗(yàn)和錯(cuò)誤的結(jié)果。與其盡快在整個(gè)企業(yè)中推出人工智能，不如嘗試在較小規(guī)模上提供真正好處的舉措，這樣更有效。

這并沒(méi)有改變這樣一個(gè)事實(shí)，即成功的人工智能項(xiàng)目將面臨多個(gè)障礙，但這些問(wèn)題并不是不能克服的。然而，組織必須了解他們需要克服哪些困難才能開(kāi)發(fā)和交付解決實(shí)際業(yè)務(wù)挑戰(zhàn)的項(xiàng)目。

人工智能面臨的主要挑戰(zhàn)

今年早些時(shí)候，O＇Reilly公司向3，000多名商業(yè)受訪者詢問(wèn)了他們對(duì)人工智能和深度學(xué)習(xí)的準(zhǔn)備情況，其中包括采用必要的工具、技術(shù)和技能。

特別值得注意的是調(diào)查中顯示的人工智能技能差距。缺乏人才被認(rèn)為是成功實(shí)施人工智能項(xiàng)目的最大瓶頸，五分之一的受訪者這么認(rèn)為。這在人工智能項(xiàng)目中尤其重要，因?yàn)閺念^開(kāi)始構(gòu)建此類應(yīng)用程序依賴于端到端數(shù)據(jù)管道（包括數(shù)據(jù)提取、準(zhǔn)備、探索性分析以及模型構(gòu)建、部署和分析）。

然而，企業(yè)所需要的不僅僅是技術(shù)人才。他們還要求有商業(yè)頭腦的人才根據(jù)人工智能提供的數(shù)據(jù)和洞察力做出戰(zhàn)略決策。

深度學(xué)習(xí)仍然是一種相對(duì)較新的技術(shù)，它尚未成為工業(yè)數(shù)據(jù)科學(xué)家使用典型算法集的一部分。那么誰(shuí)來(lái)做這項(xiàng)工作？人工智能行業(yè)人才匱乏，人工智能項(xiàng)目的增加意味著人才庫(kù)可能會(huì)變得更小。企業(yè)需要認(rèn)真解決技能差距。這可能包括聘用外部顧問(wèn)，內(nèi)部開(kāi)發(fā)和培訓(xùn)必要的技能——例如通過(guò)使用在線學(xué)習(xí)平臺(tái)。

在調(diào)查中，大多數(shù)企業(yè)（75％）表示他們的公司正在使用某種形式的內(nèi)部或外部培訓(xùn)計(jì)劃。幾乎一半（49％）的企業(yè)表示為員工提供內(nèi)部在職培訓(xùn)，而三分之一（35％）的企業(yè)表示采用來(lái)自第三方的培訓(xùn)或來(lái)自個(gè)人培訓(xùn)顧問(wèn)或承包商的培訓(xùn)服務(wù)。

而在另一方面，人工智能的商業(yè)理由要求企業(yè)管理層識(shí)別用例，并找到每個(gè)特定項(xiàng)目的贊助商，確保提供明確的商業(yè)案例。

數(shù)據(jù)的作用

成功項(xiàng)目的另一個(gè)關(guān)鍵挑戰(zhàn)是確保所使用的數(shù)據(jù)完全準(zhǔn)確并且是最新的。機(jī)器學(xué)習(xí)和人工智能技術(shù)可用于全部或部分自動(dòng)化許多企業(yè)工作流程和任務(wù)。由于這些技術(shù)依賴于從一系列新的外部資源，以及不同內(nèi)部業(yè)務(wù)部門持有的現(xiàn)有數(shù)據(jù)集中提取信息，因此顯然必須對(duì)這些數(shù)據(jù)進(jìn)行適當(dāng)標(biāo)記。

此過(guò)程的第一步是確定哪些任務(wù)應(yīng)優(yōu)先考慮自動(dòng)化。人們所問(wèn)的問(wèn)題包括任務(wù)是否是數(shù)據(jù)驅(qū)動(dòng)的？是否有足夠的數(shù)據(jù)來(lái)支持任務(wù)？以及計(jì)劃交付的項(xiàng)目是否有業(yè)務(wù)案例？

企業(yè)必須記住，雖然采用人工智能和機(jī)器學(xué)習(xí)技術(shù)可以更加輕松地工作，但是為了最大限度地利用它們，需要將它們調(diào)整到特定的領(lǐng)域和用例，可能涉及諸如計(jì)算機(jī)視覺(jué)（圖像搜索和對(duì)象檢測(cè)）或文本挖掘之類的技術(shù)。經(jīng)常調(diào)整這些技術(shù)對(duì)于提供準(zhǔn)確的洞察力是必不可少的，這需要精確地標(biāo)記大型數(shù)據(jù)集。

首席數(shù)據(jù)官（CDO）是解決數(shù)據(jù)挑戰(zhàn)的關(guān)鍵。首席數(shù)據(jù)官（CDO）負(fù)責(zé)考慮獲取數(shù)據(jù)、數(shù)據(jù)治理以及為有用目的轉(zhuǎn)換數(shù)據(jù)的端到端流程。技術(shù)熟練的首席數(shù)據(jù)官（CDO）可以幫助確保人工智能計(jì)劃提供全部功能。

引入深度學(xué)習(xí)

回到調(diào)查研究，四分之三的受訪者（73％）表示他們已經(jīng)開(kāi)始使用深度學(xué)習(xí)軟件。 TensorFlow是受訪者最受歡迎的工具，其中Keras位居第二，PyTorch排名第三。其他框架如MXNet、CNTK和BigDL也有越來(lái)越多的受眾。人們希望所有這些框架，其中包括那些現(xiàn)在不太受歡迎的框架將會(huì)繼續(xù)添加用戶和用例。

最終，每個(gè)企業(yè)都能夠成功實(shí)施人工智能，憑借決心和適當(dāng)?shù)呐嘤?xùn)投資水平，人工智能將會(huì)蓬勃發(fā)展。但是，從一開(kāi)始就制定明確的目標(biāo)對(duì)于企業(yè)非常重要。在此過(guò)程中，需要確保團(tuán)隊(duì)擁有適當(dāng)水平的專業(yè)知識(shí)和技能，以使企業(yè)在應(yīng)用人工智能方面邁出成功的第一步。