眾所周知，人工智能模型訓(xùn)練和實(shí)施之間的差距很大：大約80%的項(xiàng)目未能成功。

根據(jù)姊妹研究公司Omdia的報(bào)告《AI觀點(diǎn)：實(shí)施的挑戰(zhàn)》，“AI模型得到訓(xùn)練但從未部署，或者在成功驗(yàn)證后證明在生產(chǎn)中令人失望的現(xiàn)象很常見”。

報(bào)告作者、Omdia高級計(jì)算和人工智能高級分析師Alexander Harrowell表示，未能啟動(dòng)的原因可能包括模型漂移、捷徑學(xué)習(xí)、偏見以及更廣泛的業(yè)務(wù)問題，例如數(shù)據(jù)管理不善或未能設(shè)計(jì)高效的業(yè)務(wù)流程。

公司不僅迫切需要投資于數(shù)據(jù)分析、治理和技能，而且需要改變衡量成功的方式。一些最常見的指標(biāo)是“軟”KPI——例如“客戶參與度”——但比投資回報(bào)率更無定形。

“結(jié)論可能是，縮小實(shí)施差距的最佳方法是通過實(shí)施更嚴(yán)格的KPI來過濾更上游的不良項(xiàng)目，”分析師說。

以下是報(bào)告的要點(diǎn)：

實(shí)施差距仍然存在，甚至可能會(huì)越來越大。人工智能項(xiàng)目從戰(zhàn)略研討會(huì)或新聞稿通過開發(fā)和驗(yàn)證階段進(jìn)入生產(chǎn)的速度仍然很低，并且存在大量未交付項(xiàng)目的庫存。這些有助于提高硬件供應(yīng)商的數(shù)量和客戶的形象，但最終會(huì)被發(fā)現(xiàn)。

差距的一個(gè)關(guān)鍵驅(qū)動(dòng)因素可能是由“軟”KPI證明合理的項(xiàng)目。零售和更廣泛的消費(fèi)領(lǐng)域是最大的人工智能增長領(lǐng)域，在過去幾年中，他們經(jīng)歷了對聊天機(jī)器人、VDA和產(chǎn)品推薦的大量投資。諸如“客戶參與度”之類的KPI在這里很常見，但其定義遠(yuǎn)不如收入等。

盡管那些報(bào)告它的企業(yè)已經(jīng)看到了令人印象深刻的ROI結(jié)果，但令人驚訝的是，很少有企業(yè)選擇將其用作KPI。這可能是由于所謂的文件抽屜效應(yīng)，沒有人愿意討論沒有獲得回報(bào)的項(xiàng)目。作為一般規(guī)則，收入、投資回報(bào)率或生產(chǎn)力等最終目標(biāo)KPI很少見。此類KPI的紀(jì)律可能是縮小差距的重要手段。

在不同的行業(yè)中，有一個(gè)共同的人工智能準(zhǔn)備模式。所研究的所有行業(yè)的企業(yè)在制定戰(zhàn)略和調(diào)整組織方面都取得了進(jìn)展，一部分企業(yè)具備了技術(shù)和運(yùn)營能力。然而，在數(shù)據(jù)方面，很少有人能超越二檔。

由于不同的原因，金融服務(wù)(finserv)和零售在人工智能準(zhǔn)備方面表現(xiàn)相對較好。Finserv至少在數(shù)據(jù)類別上“不那么糟糕”，可能是因?yàn)樗麄円呀?jīng)在信用評分和欺詐檢測等流程方面擁有豐富的經(jīng)驗(yàn)。與此同時(shí)，零售商(包括電子商務(wù))因開發(fā)出更強(qiáng)大的內(nèi)部技術(shù)和運(yùn)營技能而脫穎而出。