详细内容或原文请订阅后点击阅览
为什么90%的AI项目会在试点阶段“夭折”？如何避免？
在过去的两年里，人工智能已经从一种实验性技术转变为数字议程中的强制性元素。
来源:OSP网站大数据新闻如今，几乎每家大公司都有与人工智能相关的举措：试点、原型、内部工具或业务流程中的单独实施。然而，尽管有所有这些明显的活动，人工智能的真正商业价值仍然有限。 55%的人工智能项目仅停留在试点阶段，实际构建到运营流程中的解决方案比例仍然不超过5-10%。大约三分之一的公司正在尝试扩大试点规模，但面临着同样的限制。关键的障碍不是模型，不是算法，甚至是缺乏想法。瓶颈在于一个更平常的领域：数据、数据质量以及公司将其集成到单个系统中的能力。
事实上，当今的人工智能市场正在经历与之前的分析和商业智能系统相同的阶段：从技术试验到需要构建基础设施。
Bercut（PJSC Rostelecom 的一部分）技术总监 Alexey Chistyakov 制定了在任何组织中成功实施人工智能解决方案的五项通用原则。
减缓人工智能速度的不是模型，而是模型周围的集成层
通过分析企业在实施人工智能时面临的问题，我们得出的结论是，大约一半的困难与连接数据源和处理数据有关。模型本身或计算资源出现问题的情况要少得多。其原因在于企业 IT 环境的结构。在大公司中，数据分布在许多系统中：CRM、ERP、计费平台、外部服务、文件存储等。
值得注意的是，在人们的工作中也观察到了类似的情况。业务分析师花费高达 80% 的时间准备数据：收集、协调、清理、组合来源。仅保留一小部分资源用于实际分析和得出结论。