研究表明，大多数人工智能（AI）项目都会失败。根据Gartner的说法，约有80％的企业从未部署过该领域，而剩下20%的企业中只有约六成的企业会从中获利。

当我们花时间考虑我们周围成功的AI项目时，这些数字可能会令人惊讶。

我们为电话和家庭提供语音助手，优化的在线产品搜索，银行的高级欺诈检测等。然而就目前而言，我们将永远不会看到大多数AI努力的成果。

对于那些希望通过AI带来积极影响的公司，如增加收入，降低成本以及更个性化，更有效的客户体验，这些统计数据似乎令人沮丧。但我们看到了希望的迹象。预计，到2021年，公司将开始克服80％的部署失败率。Gartner进一步预测，到2024年，将有75％的组织从试验性AI转变为可操作性AI。

 为什么有些AI项目会失败？

考虑到自1950年代以来AI就以某种形式出现了，有人可能会问为什么我们还没有一个完美的蓝图来成功地部署它。

实际上，构建有效的AI时会涉及大量的变量，这使得很难规定对每个公司每次都适用的设定步骤。尽管如此，在收集最佳实践方面仍取得了进展（主要是通过从成功的故事和失败中学习），并且随着这些实践，在导致失败的原因上出现了共同的模式。公司可能会在以下方面出错：

 他们没有对业务进行明确定义。  许多组织选择了错误的问题来解决。他们可能会选择过于笼统的内容，从而导致模型无法用于特定的业务用例。他们可能会选择没有足够数据来支持解决方案的问题。他们还可能选择一个可以通过AI以外的方法更好解决的问题。每当与业务优先级不一致时，都会出现问题。确保所有利益相关者自上而下明确项目目标也很重要。

 他们没有合适的团队。 人工智能存在人才缺口问题，这意味着公司经常不得不争先恐后地招聘具有正确技能的团队成员，以建立有效的人工智能。目前，大多数组织的设计不当，无法支持可扩展的AI企业，因此需要重组，新的招聘工作以及利用第三方资源。

 他们没有足够的高质量数据。 为了做出准确的预测，AI模型需要大量的数据。必须对这些模型进行培训，以处理它们将在生产中遇到的任何潜在用例，这意味着数据集必须涵盖广泛的用例和边缘用例。许多公司未能为其模型收集适当数量的数据，并且数据管理技术差强人意，无法准确标记该数据。这导致该模型的决策不力。

 他们没有正面     面对       偏见。    在我们多元化的全球商业世界中，从模型构建之初及以后开始对AI采取负责任的方法至关重要。大多数公司没有打算创建有偏见的模型，而是由于未能在其流程中包含不同的观点和数据而意外地这样做。

在成功部署的项目中，许多人都面临着模型漂移（或外部条件变化）的挑战，这会降低模型的准确性，甚至使其过时。必须始终用新的相关数据来训练模型，以克服这一障碍。

考虑到所有这些因素以及未强调的许多其他方面，现在可能更清楚地知道成功部署（和维护）人工智能有多困难。

对于大型和小型公司而言，克服故障率将是一个挑战，但是由于多种原因，未来的前景一片光明。首先是数据比以往任何时候都更易于访问和丰富。当我们回想起有效的机器学习是建立在大量数据的基础上时，我们应该期望看到产生更高准确性的模型，涵盖过去可能很难获得数据的更具体用例的模型以及可以工作的模型对更多最终用户更好。

可用的大量信息使公司能够看到其他人在太空中正在做什么。通过获取有关最佳实践和常见陷阱的知识，公司正在克服过去的错误。可用资源比以往任何时候都多。例如，Alyssa Simpson Rochwerger和Wilson Pang即将出版的《现实世界AI：负责任的机器学习实用指南》，包括现实世界中的成功与失败故事，以及针对获利部署的清晰行动计划。

有了这些工具，我们预计会有更多追求AI的公司成功。尽管发生了大流行，但AI很有可能因此而加速发展。社交距离已经导致AI的发展，它可以更灵活地适应不断变化的供应链和客户需求。强化学习等机器学习技术增强了这种灵活性，可以创建越来越适应变化的AI解决方案，从而在大流行后更有效，更长期。

综合考虑这些因素，人工智能项目的未来充满希望。快速学习，适应和动员的公司将成为该领域的领军者。他们将更有能力达到生产目标，随着潮流从失败转向成功，2021年将成为AI事业的关键转折点。