极客网·人工智能11月18日 在数字化与咨询服务机构ITSP Infosys最近对科技领袖进行的一项调查中，很多受访者表示，他们的公司实施的人工智能并未带来其承诺的好处。
这份报告指出，很多企业未能将数据科学的努力和人工智能的实施转化为真正的经济价值。这项针对2500名科技领袖进行的调查发现，尽管人们对人工智能技术抱有很高的期望，但只有四分之一的受访者表示对人工智能的表现非常满意。
ITSP Infosys在这份报告指出，所有被调查的公司所缺失的这些价值相当于4600亿美元的利润。而这些公司从人工智能中获益最多，专注于确保数据科学融入业务，而不仅仅是一个附属项目。
该公司总裁Mohit Joshi说：“至关重要的是，企业不要将数据和人工智能与业务分开看待，而是要以不同的方式看待。”该报告的主要发现是，解决方案应关注三个领域：数据共享、对先进人工智能的信任、业务重点。
报告表明，尽管在首次启动人工智能项目时，都会抱有很高的期望，但大多数企业未能在这些关键领域中的一个或多个领域采取行动。总的来说，63%的人工智能模型只能发挥基本功能，由人类驱动，并且往往在数据验证、数据实践和数据策略方面存在不足。
只有26%的受访者表示对自己的数据和人工智能工具非常满意。Joshi说:“尽管人工智能的应用很迷人，但显然缺少了一些东西。”
英国对人工智能的总体满意度最高，尽管其数据共享率最低，而且通常偏好采用内部部署人工智能应用程序，而不是转向云计算解决方案，这可能会导致后续问题。
他解释说，“对于商业问题和人工智能系统来说，企业需要控制和掌握最有效和有用的数据。因此信任人工智能也很重要。
我们的研究发现，先进的人工智能需要对人工智能的信任才能实现最佳性能。如果与人工智能一起工作的人员不信任人工智能，那么这个模型就有可能被闲置。数据伦理和偏见管理的最佳实践是推进人工智能的核心。”
这项调查还包括，四分之三的企业希望在其业务范围中运营人工智能，但大多数企业都是人工智能新手，在扩大应用规模方面面临艰巨的挑战，这在很大程度上是由于缺乏技能和招聘困难。
“Data+AI Radar”研究是由ITSP Infosys知识研究所开展的。该研究所发现，所谓的“高绩效”企业对人工智能和数据有不同的看法，那些将数据视为货币的企业（分享数据并让其流通）获得了最高的回报。
该研究团队发现，当将数据视为货币并通过中心辐射式数据管理模型进行流通时，企业可能会获得1050亿美元的增量价值，而那些以低延迟更新数据的企业甚至会产生更多的利润、营收和其他价值衡量指标。
调查报告指出，除了收入增长之外，对使用人工智能非常满意的企业一直都有值得信赖、合乎道德和负责任的数据实践，这些实践可以克服数据验证和偏见的挑战，建立信任，并使从业者能够使用深度学习和其他先进算法。
那些将数据科学应用于实际需求的企业也创造了额外的价值，提高了效率，额外带来了450亿美元的利润增长。
当被问及企业是否难以跟随人工智能的快速发展时，Joshi表示，“问题是企业在应用人工智能时能否取得良好的效果。人工智能和机器学习需要一种新的思维方式，这是企业需要转向的地方。尽管机器学习和人工智能进步很快，但我们看到，正是企业重新定义了他们的数据处理方法，从而从机器学习和人工智能中获得了最大的价值。”
这其中的一部分是获取用于人工智能工具的数据，并以适合业务的方式进行准备，其中包括认识到需要将这些数据与鼓励通过中心辐射式数据管理系统共享的实践相结合。
Joshi说，“我们认为，数据是一种新的货币。数据就像货币一样，在流通的时候会增值。许多公司认识到，新兴的数据经济具有巨大的潜力，与合作伙伴和同行建立一个数据共享生态系统可以带来比孤立运行带来更大的好处，”
这与要求数据集中的传统思维有所不同。Joshi表示，他们发现，一个集中和组织数据的系统，然后依靠将数据辐射给团队自由操作和灵活使用它是最好的方法。例如，从第三方导入数据和高水平的数据共享比任何其他数据或人工智能行动对利润的推动都要大。
“模型运营”可以帮助扩展人工智能系统
Joshi表示，如果企业现在不采取行动，没有以不同的方式思考人工智能和机器学习，那么将面临局限性、对人工智能系统不满，并在新的数据经济中陷入困境。他补充说:“企业需要采用一个人工智能部署框架，不仅允许进行试验，而且能够以可预测的方式扩展人工智能。
像‘模型运营’这样的概念可以为企业提供一个视角，以构建一个可扩展的平台驱动，该平台驱动可以在推出过程中提高灵活性，确保流程标准化，并将支持作为基准模型性能的衡量标准。”
Joshi说，另一个重要的方面是确保企业坚持道德和法律惯例，特别是在政府制定立法防止数据滥用和不道德行为的过渡时期。
他说：“人工智能必须以可持续和深思熟虑的方式采用，这样它才能与我们的社会结构共存，并带来更大的好处。因此，重要的是，在任何人工智能技术在公共领域发布之前，科技行业必须促进行业、社区和监管机构内部和跨行业的讨论，并讨论其利益、成本和后果。”
（免责声明：本网站内容主要来自原创、合作伙伴供稿和第三方自媒体作者投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。
任何单位或个人认为本网站中的网页或链接内容可能涉嫌侵犯其知识产权或存在不实内容时，应及时向本网站提出书面权利通知或不实情况说明，并提供身份证明、权属证明及详细侵权或不实情况证明。本网站在收到上述法律文件后，将会依法尽快联系相关文章源头核实，沟通删除相关内容或断开相关链接。 ）
