近十年里，围绕人工智能的讨论掀起了轩然大波，不仅是大型企业，还有中小型企业，都给予了更多的关注。

　　现在，人工智能仍是商界讨论的热门话题，谷歌、Netflix、亚马逊等巨头都从人工智能解决方案和机器学习算法中获益颇多。

　　预计到2025年，全球人工智能市场将达到近1260亿美元，这是一个巨大的市场。

　　企业正在努力采用人工智能来开发其潜力，但也面临着更多的挑战。无数的商业实践活动证明了集成人工智能的重要性，人工智能有利于企业的成功运营。

　　埃森哲的一份报告显示，人工智能可以使商业生产率提高40%，盈利能力提高38%。

　　然而机遇与挑战并存，人工智能给企业带来的挑战，使得进一步成功整合人工智能变得难以实现。

　　Alegion的调查报告称，近8 / 10的企业组织目前从事的AI和ML项目已经陷入停滞。研究还显示，81%的受访者承认用数据训练人工智能的过程比他们预期的要困难。这表明，对企业采用人工智能的期望可能与现实不同。

　　以下是企业在实现人工智能过程中面临的7大挑战。

　　1. 数据的挑战

　　人工智能依赖大量的数据。然而，数据的数量、数据的收集、数据的标记和数据的准确性等起到关键的作用。

　　因为，对于成功的人工智能解决方案，数据的质量和数量都很重要。AI需要大量的数据来实现最佳性能，并且需要一个精炼的数据集来实现精确的预测。

　　人工智能模型只能按照所提供的数据标准运行，不能超出所提供的数据。

　　企业面临着各种数据挑战，让我们从数据量开始分析。

　　海量数据

　　人工智能做出智能决策所需的数据量令人震惊。虽然企业现在产生的数据比以前更多，但问题是，这些数据能满足人工智能的需求吗？尤其是在考虑到隐私和安全问题，数据收集受到限制的情况下。

　　有关报告显示51%的受访者表示他们没有足够的数据。这对大多数企业的数据基础设施提出了挑战：他们目前的数据量是否满足人工智能模型？他们如何产生更多的数据？

　　企业需要获取更多的可用的数据来匹配他们的AI模型需求。此外，使用精心创建的合成数据也很有帮助。

　　数据收集

　　数据收集也会带来相当多的问题。如不准确的答案、不充分的结论、有偏见的观点和数据的不确定性等问题是影响人工智能决策的主要因素。

　　Gartner预测，85%的人工智能项目会由于数据、算法、管理团队等方面的问题而产生错误的结果。

　　还有，人工智能对女性、有色人种等存在偏见，这引发了强烈抗议。然而，人工智能并不是有意识的，它只是根据现有的数据做出判断。所以这是人的错，因为数据是人提供的，人会有偏见，会有成见。

　　数据收集的方式，限制了人工智能可以使用的数据的丰富程度。因为收集的数据不能代表每个人，这导致人工智能做出不准确的决定。

　　ML模型需要无错误的数据集提供准确的预测。企业必须采用有效的技术和流程来收集数据。

　　标记数据

　　要使用AI模型，首先需要对数据进行标记、分类和校正。

　　人工智能丰富的数据需求使得对数据进行有效标注变得困难，96%的企业遇到了训练人工智能模型所需的数据标注问题。

　　可以使用基于web的数据标记工具。例如，计算机视觉注释工具(CVAT)，它可以帮助注释图像和视频。

　　2. 透明化的挑战

　　简单地说，人工智能决策是利用ML算法得出结论并进行预测。

　　对于复杂的人工智能决策，企业将面临黑盒问题，黑盒模型不清楚它是如何得出某个结论的，这导致了对人工智能准确性的不信任和怀疑。

　　人工智能决策背后的理由需要透明，以便与企业建立信任。其中，LIME方法对解决这个问题很有帮助。

　　3.劳动力的挑战

　　非技术人员可能会发现人工智能集成令人生畏，因为它的使用需要高技能培训。因此，人工智能在工作场所的无缝使用和常态化仍是一个难以实现的目标。

　　人工智能的采用可能会在员工中造成混乱。像人工智能的需求是什么？如何使用这项技术？人工智能将接管他们的哪些职责？

　　尽管人工智能并不是敌人、也不是来取代人类的见解，但是人工智能的角色仍然被误解。企业一旦采用人工智能，员工就会感到威胁和压力。他们会觉得自己一直在和机器竞争，这会对工作氛围产生负面影响。

　　让员工整体了解人工智能的采用对企业和他们意味着什么，避免员工产生错误的思想或不安情绪。

　　4. 专业知识的挑战

　　专业知识匮乏是企业采用人工智能的一个主要挑战。因为很难雇佣到合适的人才，大多数采用者不知道涉及人工智能的技术细节。

　　根据德勤对全球人工智能早期采用者的研究，68%的人表示存在中度到严重的人工智能技能匮乏。

　　人工智能是一项不断发展和进步的技术，人工智能技能集的匮乏是阻碍企业成功采用人工智能解决方案的原因之一。

　　德勤表示，根据目前的供需情况，到2024年，美国预计将面临25万名数据科学家的短缺。

　　成功采用人工智能的一个先决条件是雇用数据科学家。然而，雇佣人工智能方面的人才是一个挑战。此外，企业也可以外包其人工智能项目，使用不需要数据科学家的人工智能平台。

　　当然，数据科学家的培养离不开教育行业，人工智能的成功应用需要这方面的教育资源和人才储备。

　　5. 期望超越了现实

　　无可厚非，人工智能为企业带来的无限可能带有很多炒作。当企业盲目跟风或过于乐观时，他们的期望超越了现实。

　　公司的业务究竟需要什么样的人工智能解决方案？要知道人工智能也不是万能的，它并不能为你的业务做所有的事情。不幸的是，许多企业在没有蓝图的情况下就加入了人工智能的行列。企业的人工智能商业策略是否与其当前的商业目标相一致？企业采用人工智能应该做好哪些准备？

　　商业技术和数据基础设施的现有能力和专业知识等因素对于成功地构建人工智能模型至关重要。如果这部分基础薄弱，缺乏必要的效率，那么理想很丰满，现实很骨感。

　　6.用例的挑战

　　对人工智能的用例进行优先级排序是企业在采用人工智能时面临的共同挑战之一。

　　AI的应用市场是巨大的，但是从中选择最重要的优先用例，企业发现很难抉择。

　　Gartner的一项调查显示，人工智能主要用于提升客户体验或打击欺诈。

　　一开始为了稳妥和试验，企业将人工智能限制在业务的一小部分，这对企业收入的影响非常小，甚至无法看到人工智能在商业中的投资回报率(ROI)。

　　根据IDC的数据，基于2019年的市场份额，人工智能的顶级应用案例是自动化客服代理、销售流程自动化以及情报和预防系统的自动化。

　　7. 预算的挑战

　　并非所有企业都有足够的资源投资人工智能模型。

　　《哈佛商业评论》(Harvard Business Review)的一份报告显示，40%的高管表示，人工智能项目的一个障碍是专业技术和专业人员过于昂贵。

　　小型企业可以利用免费和付费的简单人工智能解决方案，但是大型企业希望创建适合其业务用例的定制解决方案。对于那些希望创建定制解决方案的企业来说，必然会遇到预算问题。

　　此外，企业软件供应商和云服务供应商提供准备就绪的人工智能服务，以最大限度的降低基础设施成本。

　　结论

　　尽管采用人工智能对企业来说是一个挑战，但绝对值得努力，人工智能的发展及其应用是大势所趋。

　　随着时间的推移，人工智能将变得更加规范化和智能化，这些挑战将不再成为障碍。

　　在投入时间和金钱之前，让你的企业准备好迎接人工智能即将带来的变化和颠覆是至关重要的。

　　每个人都有各自的工作习惯，让员工从传统的工作习惯中跳出来，学习采用人工智能是一种挑战，因此企业需要制度一个有计划的策略。

　　最后，尝试在你的业务核心部分应用人工智能，将有助于跟踪和评估人工智能实现的ROI，从而让你更清楚地了解人工智能的贡献。