详细内容或原文请订阅后点击阅览
为什么AI项目失败
没有人同意确切的数字，但估计说，AI项目的50％至80％的失败结束了。
来源:走向数据科学众所周知，很难设计和实施。尽管大肆宣传和新框架泛滥，尤其是在生成的AI领域中，将这些项目变成真实，有形的价值仍然是企业的严重挑战。
每个人都对AI：董事会想要它，高管宣传并喜欢这项技术感到兴奋。但这是一个很难的事实：AI项目不仅像传统的IT项目一样失败，而且失败了。为什么？因为他们继承了常规软件项目的所有混乱，以及大多数组织尚未准备好处理的概率不确定性。
喜欢 恶化 加上运行AI过程时，涉及一定程度的随机性，这意味着每次可能不会产生相同的结果。这增加了一些组织尚未准备好的复杂性。
如果您在任何IT项目中工作过，您将记住最常见的问题：不清楚的要求，范围蠕变，孤岛或未对准激励措施。
对于AI项目，您可以添加到列表中：“我们甚至不确定这件事每次都能以相同的方式工作”，并且您将获得失败的完美风暴。
每次以相同的方式工作在这篇博客文章中，我将分享过去五年在Daredata遇到的一些最常见的失败，以及如何避免AI项目中的这些频繁陷阱。
1.没有明确的成功指标（或太多）
如果您问：“这个项目的成功是什么样的？”并得到十个不同的答案，或者更糟的是耸耸肩，这是一个问题。
这个项目的成功是什么样的？一个没有敏锐成功指标的机器学习项目只是昂贵的努力。不，“使过程更聪明”不是一个度量。
使过程更聪明实际上，您通常需要一个（也许是两个）关键指标，这些指标与业务影响紧密相关。而且，如果您拥有一个以上的成功指标，请确保您之间有优先级。
一个 业务如何避免它：