但不幸的现实是，85%的AI和ML项目都无法完整交付，只有53%的项目能从原型到生产。尽管如此，根据最近的IDC支出指南，到2025年，美国在人工智能方面的支出将增长到1200亿美元，增幅将达到20%甚至更多。
因此，避免五个经常导致AI和ML项目失败的常见错误是很重要的。
1. 了解训练ML算法所需的资源，特别是数据资源
虽然说正在利用AI和ML革新公司的流程听起来很不错，但事实是80%的公司发现这些项目比预期的更难。
为了使这些项目获得成功，需要清楚地了解在资源和人员方面需要什么。最常见的错误之一是不了解如何获得正确的训练数据——这不仅对此类计划的成功至关重要，而且还需要大量的努力和专业知识才能成功完成。大多数希望采用AI/ML项目的公司无法获得确保高质量、公正结果所需的数据数量或数据多样性。
然而，如果做不到这一点，往往会给成功带来巨大的障碍，导致项目成本飙升，项目信心暴跌。
可供公司购买的训练数据并不匮乏，许多第三方数据公司能够提供服务。问题在于，一家公司可以轻松地以低廉的价格购买大量数据并不意味着它就是高质量的训练数据，而这正是成功的AI和ML项目所需要的。公司需要的不是简单地购买一刀切的数据，而是特定于项目的数据。
因此，为了减少偏见，确保数据能够代表广泛而多样的受众是很重要的。数据还需要针对你的算法进行准确的标注，并且应该始终检查数据是否符合数据标准、数据隐私法和安全措施的要求。
2.不要奢望人工智能发展会一帆风顺
ML算法的训练不是一个奇异的过程。一旦训练开始并且更好地理解了数据模型，就必须不断地对所收集的数据进行更改。在算法训练过程开始之前，要知道您实际需要什么数据并不容易。例如，您可能会意识到训练集或数据收集方式存在问题。
如同传统的软件开发一样，人工智能本质上也是软件构成的，需要通过持续、稳定的投入并逐渐产生效益。而在这一过程中，永远不要掉以轻心。
3. 始终集成质量保证(QA)测试
通常，QA测试被认为是确保产品正确工作的附加项或形式，而不是被视为在所有迭代中优化产品的必备工具。事实上，QA测试是成功AI开发的重要组成部分。结果验证应该整合到人工智能开发过程的每个阶段，以降低成本，加快开发时间表，并确保资源的有效分配。
4. 安排频繁的应用反馈
尽管想象起来可能令人气馁，但现实是，人工智能项目永远不会真正完成。即使项目超出了准确性和性能预期，你仍然有上升和完善的空间。此外，算法会根据不断变化的事物(观点、对话、图像等)做出决策。为了让人工智能体验在现在和未来都获得成功，它必须在滚动的基础上进行再训练，以适应新的社会环境、技术发展和其他影响数据的变化。
事实上，从AI的采用中看到最积极影响的公司遵循核心和AI最佳实践，在AI上的投入比同行更高效和有效。这包括在部署前测试AI模型的性能、跟踪性能以查看结果是否随着时间的推移而改善，以及制定良好的协议以确保数据质量。
通过开发一个强大的开发AI程序的方法，公司可以避免这些常见的错误，并确保他们的AI和ML计划的长期成功。
© 版权声明
文章版权归作者所有，未经允许请勿转载。
