林琳

數(shù)據(jù)問題是企業(yè)人工智能項目沒有達(dá)到預(yù)期目標(biāo)的主要原因。但是，如果企業(yè)能從錯誤中吸取教訓(xùn)并長期堅持，那么在人工智能方面的努力將會得到回報。

18個月前，Cooper公司為其客戶服務(wù)代理商推出了智能推薦系統(tǒng)，以便為客戶問題提供解決方案。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380萬客戶，因此該項目被視為該公司一個令人關(guān)注的節(jié)省成本的項目。但公司首席信息官Sridhar Sharma說，該公司花費9個月的時間才發(fā)現(xiàn)代理商沒有使用它，又花了6個月的時間來弄清楚原因。

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

超過四分之一的受訪者認(rèn)為，缺乏員工以及對人工智能技術(shù)具有不切實際的期望是面臨的主要挑戰(zhàn)。另有23 %的人表示他們的人工智能項目因為缺乏必要的數(shù)據(jù)而失敗。

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

Cooper公司計劃2020年將重新回到客戶服務(wù)項目，作為其客戶關(guān)系管理（CRM）系統(tǒng)改革的一部分，企業(yè)將繼續(xù)致力于人工智能技術(shù)的開發(fā)。其最新的機器學(xué)習(xí)項目涉及分析非結(jié)構(gòu)化數(shù)據(jù)，已經(jīng)具有積極的商業(yè)價值，并有助于為未來創(chuàng)建更好的語言訓(xùn)練數(shù)據(jù)。他補充說，“這些措施的成本并不低，當(dāng)事情不順利時，需要企業(yè)首席執(zhí)行官和首席財務(wù)官的支持?！?/p>

缺乏數(shù)據(jù)

數(shù)據(jù)問題是人工智能項目達(dá)不到預(yù)期目標(biāo)的主要原因。根據(jù)麥肯錫公司2018年秋天發(fā)布的一份調(diào)查報告，限制人工智能技術(shù)應(yīng)用的兩大挑戰(zhàn)與數(shù)據(jù)有關(guān)。

首先，與Cooper公司一樣，許多公司很難獲得適當(dāng)標(biāo)記的數(shù)據(jù)來訓(xùn)練他們的機器學(xué)習(xí)算法。如果數(shù)據(jù)沒有正確分類，工作人員必須花費大量時間做標(biāo)記，這可能會延遲項目或?qū)е马椖渴?。第二個數(shù)據(jù)問題是沒有項目的正確數(shù)據(jù)。

普華永道公司合伙人兼全球人工智能領(lǐng)導(dǎo)人Anand Rao表示，“企業(yè)通常沒有合適的數(shù)據(jù)，如果無法使用未標(biāo)注的數(shù)據(jù)建立模型，就會感到沮喪。這就是企業(yè)實施人工智能項目一直失敗的地方?！?/p>

美國奧杜邦協(xié)會正在使用人工智能來幫助保護野生鳥類。奧杜邦協(xié)會保護科學(xué)副總裁Chad Wilsey說，“如果我們不采取任何措施來減緩氣候變化的速度，那么42 %的草原鳥類可能面臨滅絕，但如果我們能夠采取行動，那么可以將其比例降低到8 %?！?/p>

并非所有奧杜邦協(xié)會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(xí)來計算海灘上的褐鵜鶘和剪嘴鷗的數(shù)量。該試點項目基于一組志愿者收集的圖像，這些志愿者通過無人機在德克薩斯州海岸附近的一個島上進行調(diào)查。Wilsey說，“我們有興趣了解通過的颶風(fēng)如何影響鳥類種群?！崩纾蠖鄶?shù)可用的鳥類圖片都是由地面上的工作人員拍攝的，而不是無人機直接拍攝。Wilsey說，由于這是一項試點研究，奧杜邦協(xié)會沒有資源拍攝更多的照片。

訓(xùn)練數(shù)據(jù)偏差

另一個人工智能項目因缺乏數(shù)據(jù)而受阻的例子是弗里茨實驗室試圖創(chuàng)建一個模型來識別照片中人們的頭發(fā)。弗里茨實驗室?guī)椭苿娱_發(fā)者構(gòu)建可以直接在手機上運行的人工智能模型，而無需將數(shù)據(jù)發(fā)送回中央服務(wù)器進行處理。

該公司首席技術(shù)官Jameson Toole說，“我們希望建立一個能夠在實時視頻中檢測頭發(fā)并實時改變顏色的功能?！?/p>

他說，起初一切看起來都很好，但算法中存在一個重大缺陷，如果系統(tǒng)公開上市的話，其問題會非常嚴(yán)重。

Toole說，“值得慶幸的是，我們在辦公室和我們招募的人員之間進行了大量的人工測試，我們意識到對于某些人群來說，這并不是一件好事，我們重新篩選了數(shù)據(jù)集，以確定數(shù)據(jù)集中沒有人是這些人群的一部分?！?/p>

他說，有很多圖像數(shù)據(jù)集可供訓(xùn)練，包括免費的和商業(yè)的數(shù)據(jù)集。但是企業(yè)必須檢查是否有他們需要的特定類型的足夠數(shù)據(jù)。他說：“企業(yè)首先要花費一定的時間，努力構(gòu)建自己的代表用戶群的測試用例?！?/p>

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

數(shù)據(jù)集成問題

有時，問題不在于缺乏數(shù)據(jù)，而在于數(shù)據(jù)太多。普華永道公司零售業(yè)務(wù)方面的人工智能和數(shù)據(jù)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，如果能夠回到過去，這家銀行就會更早地開始將不同的數(shù)據(jù)渠道匯集在一起。他說，“這是我們沒有做的事情，這是一個很大的錯誤。我們收集了數(shù)據(jù)，其結(jié)果是我們沒有獲得完全的、全方位的客戶視圖。”

他補充說，該數(shù)據(jù)整合問題損害了這家銀行創(chuàng)建有效營銷信息的能力，導(dǎo)致收入損失，該銀行現(xiàn)在正轉(zhuǎn)向多渠道客戶數(shù)據(jù)視圖，包括在線、移動和面對面互動。

他說，“孤立的數(shù)據(jù)是我們擁有并仍然存在的最大挑戰(zhàn)之一，這個挑戰(zhàn)不是技術(shù)問題，而是商業(yè)問題，第一個問題是合規(guī)性，我們不允許混合某些類型的數(shù)據(jù)；另一個問題與企業(yè)優(yōu)先事項有關(guān)，還有很多其他項目正在運行，誰會為將數(shù)據(jù)混雜一起而支付費用？這本身并不是銀行的增值業(yè)務(wù)，這是每個銀行都必須面對的挑戰(zhàn)?！?/p>

他說，“如果再次開展這個項目，應(yīng)該在銀行首次開始處理人工智能用例時啟動數(shù)據(jù)集成過程。我不認(rèn)為真的會做到這一點，因為有太多的數(shù)據(jù)來源，并不可能都完全完成?！?/p>

他表示，該銀行預(yù)計在未來18～24個月內(nèi)將連接其主要數(shù)據(jù)源，現(xiàn)在該銀行只連接了10 % ～15 %。

數(shù)據(jù)漂移

人工智能項目面臨的另一個問題是企業(yè)依賴歷史數(shù)據(jù)而不是活動交易數(shù)據(jù)來進行訓(xùn)練。埃森哲公司董事總經(jīng)理安德里Andreas Braun表示，許多情況下，在轉(zhuǎn)換為實時數(shù)據(jù)時，對單個靜態(tài)歷史快照進行過培訓(xùn)的系統(tǒng)表現(xiàn)都不佳。

埃森哲公司負(fù)責(zé)歐洲數(shù)據(jù)和人工智能業(yè)務(wù)的Braun說，“企業(yè)可以卸載一些數(shù)據(jù)，訓(xùn)練一些模型，并在實驗室中獲得相當(dāng)好的模型提升，可是一旦把它重新融入組織，就會開始出現(xiàn)問題?！?/p>

歷史數(shù)據(jù)樣本和通過實時系統(tǒng)傳輸?shù)臄?shù)據(jù)之間可能存在顯著差異，例如，實時檢測欺詐或發(fā)現(xiàn)洗錢行為，因為這些模型沒有經(jīng)過訓(xùn)練，無法識別其行為的微小變化。

他說：“如果某個用戶在某個時間點（可能是晚上、周六或周日）復(fù)制數(shù)據(jù)，那么這種情況將會凍結(jié)數(shù)據(jù)。實驗室的分析非常容易，但是，當(dāng)機器學(xué)習(xí)模型重新融入到實時系統(tǒng)中時，其情況會變糟?！?/p>

未經(jīng)處理的非結(jié)構(gòu)化數(shù)據(jù)

根據(jù)咨詢機構(gòu)德勤公司最近的一項調(diào)查，62 %公司處理非結(jié)構(gòu)化數(shù)據(jù)仍然依賴電子表格，只有18 %的公司在分析工作中利用了產(chǎn)品圖片、客戶音頻文件或社交媒體評論等非結(jié)構(gòu)化數(shù)據(jù)。

此外，德勤公司零售和消費產(chǎn)品戰(zhàn)略和分析實踐負(fù)責(zé)人Ben Stiller表示，該公司收集的大量歷史數(shù)據(jù)缺乏對人工智能有用的背景，或者以摘要形式存儲?！皵?shù)據(jù)限制當(dāng)然可以從一開始就為失敗做好準(zhǔn)備。”他說。

Stiller說：“根據(jù)調(diào)查顯示，像Cooper這樣利用非結(jié)構(gòu)化數(shù)據(jù)的公司，其業(yè)務(wù)超出業(yè)務(wù)目標(biāo)的可能性要高出24 %。這真的需要企業(yè)對數(shù)據(jù)的看法發(fā)生根本性的轉(zhuǎn)變?！?/p>

例如，Cooper公司以大約15億個客戶文檔的形式擁有大量非結(jié)構(gòu)化數(shù)據(jù)。因此，客戶服務(wù)代理會花費很多時間查找?guī)椭蛻羲璧奈臋n，有時還需要與客戶溝通回訪。

因此，該公司使用機器學(xué)習(xí)技術(shù)掃描了所有15億份文件，并仔細(xì)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，“現(xiàn)在我們有一個機器學(xué)習(xí)項目，并且?guī)砹藘r值，現(xiàn)在正在實施中。”

當(dāng)企業(yè)重返以前問題纏身的人工智能客戶服務(wù)項目時，除了加快客戶服務(wù)呼叫的速度，文檔分析還幫助創(chuàng)建一個更好的語言字典，供將來使用。

文化挑戰(zhàn)

除了數(shù)據(jù)外，組織問題對人工智能的成功提出了重大挑戰(zhàn)。Sharma說，如果回到過去，會專注于客戶在詳細(xì)解決問題時使用的語言，并讓主題專家與人工智能開發(fā)人員配合工作。

Sharma說，“必須讓客戶與我們的技術(shù)團隊一起合作，這樣的場景始終是最重要的，必須讓他們一起共事，并使其成為一份全職工作?！?/p>

除非企業(yè)能從這些錯誤中吸取教訓(xùn)，否則實現(xiàn)人工智能承諾的機會可能會減少，因為失敗的人工智能項目可能會讓投資團隊不再提供融資，并可能對員工和客戶滿意度產(chǎn)生負(fù)面影響。

Stiller說：“人工智能的早期失敗項目可能會讓執(zhí)行團隊放棄在這個領(lǐng)域的重大投資，這有可能導(dǎo)致企業(yè)落后于競爭對手?！?/p>

這一切都從企業(yè)管理層開始。正如德勤公司的調(diào)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：“如果企業(yè)首席執(zhí)行官提供支持，那么其業(yè)務(wù)目標(biāo)的成功率可能會超過77 %?！?/p>

因此，不要讓挫折破壞企業(yè)對人工智能組織的承諾，因為人工智能會得到長期的回報，他說：“隨著時間的推移，企業(yè)實施的項目越多，投資回報率就會越高?！?/p>