详细内容或原文请订阅后点击阅览
公司在将 AI/ML 集成到流程中时犯的关键错误
我在跨行业领导人工智能团队中学到了什么公司在将人工智能/机器学习集成到其流程中时犯的关键错误一文首先出现在《迈向数据科学》上。
来源:走向数据科学，我的职业生涯涉及多个行业，从小型初创公司到跨国公司，从人工智能优先的科技公司到受到严格监管的银行。多年来，我见证了许多人工智能和机器学习计划的成功，但也见证了数量惊人的失败。失败的原因通常与算法无关。根本原因几乎总是组织如何处理人工智能。
这不是清单、操作手册或硬性规则列表。这是对我遇到的最常见错误的回顾，以及关于它们发生原因的一些猜测，以及我认为如何避免它们。
1.缺乏坚实的数据基础
由于技术成熟度低，缺乏糟糕或很少的数据，AI/ML 项目往往注定会失败。当组织在建立扎实的数据工程习惯之前组建 DS/ML 团队时，这种情况经常发生。
有一次，一位经理对我说：“电子表格不赚钱。”然而，在大多数公司中，情况恰恰相反：“电子表格”是唯一可以推高利润的工具。如果做不到这一点，就意味着成为经典机器学习格言的牺牲品：“垃圾进，垃圾出”。
我曾经在一家地区食品配送公司工作。 DS 团队的梦想很高：深度学习推荐系统、Gen AI 等。但数据却是一片混乱：太多旧架构，导致会话和预订无法可靠地链接，因为没有单一的密钥 ID；餐厅菜品 ID 每两周轮换一次，因此无法安全地假设顾客实际点了什么。这个问题和许多其他问题意味着每个项目都有 70% 的解决方法。没有时间或资源来提供优雅的解决方案。但对于其中少数人来说，这些项目都没有在一年内取得任何成果，因为它们是基于不可信的数据构思的。
要点：