创建企业AI项目，你需要先考虑这10大问题

全文共 2841字，预计学习时长 6分钟

当下，不少有前瞻眼光的创业者都想要从事人工智能领域，但是，很少有人能全面地看待这个问题，以及考虑到存在的一些风险。事实上，在进入人工智能项目之前，你需要在心里问问自己以下这些问题。这些思考能降低风险，节省时间和金钱，并使人工智能项目中的建立和运行部分更加顺畅。

1. 目标明确吗?

无论编码或数据分析能力如何，顶层人员在人工智能项目的策略方面发挥着关键作用。公司是否会通过提出不同的价值主张来扰乱自身市场？公司是否追求最高等级？或许公司是想在竞争市场上保持水平状态？还是想赶超成为领头羊？

开始察觉到某种趋势了。

如果团队缺乏指令，那就会漫无目的地挖掘数据，寻找故事。如果团队没有明确和一致的目标，只会继续追逐移动的目标，随着数据不断进入，可能有冒着重写历史的风险。这就是为什么在项目启动之前制定的策略必须足够具体，可以衡量，可以实现，有相关性以及时间限制。

“其他人都在做这件事”是进入人工智能项目的一个可怕理由。

图片来源：pexels.com/@rawpixel

2. 数据足够多吗?

所有人工智能项目都需要大量的数据才能调用：粗俗地说，算法在没有敏锐了解过去的情况下，根本不可能理解现在和未来。由于变化很大，无法给出特定数量的数据点。但对于成立不久并且客户不足800人的初创公司而言，也显然不具备启动人工智能项目的资源。

如果没有足够的数据，要么必须在内部收集数据，但这可能非常耗时（例如重大的重组事件），要么通过外部来源收集数据（例如，预测雨伞需求要用到免费的天气数据）。然而，重要的是，独特的数据才是有价值的人工智能解决方案，而并非尖端的建模。

3. 数据集有错误吗？

进来的是垃圾，出去的也是垃圾。

任何优秀的首席数据官都认为：应该像看待物理产品一样看待数据，在产品生产之前和生产之后都要检查产品的质量。比如，西红柿变质或只剩一半培根了，那就无法制作火腿、生菜和番茄三明治了。如果算法缺失或数据错误，那就无法运行该算法，预测结果也不可靠。

事实上，创建算法时，有80％的工作涉及数据提取、数据清理、数据填充和数据规范，这可避免系统性的简单错误。

即便如此......

4. 数据集会是混蛋吗？

亚马逊，你又来了？可能性有多大？！

在无人注意的情况下，算法能够系统地制定不公平的决策，甚至可以理解其中的原因，这让算法比以往更加涉及伦理问题。因此，团队应该系统地确保能给人类产生影响（任何影响）的算法不会受到偏见的困扰。这可以通过检查两件事来完成：数据只映射现实，而不反映现实存在的偏见。

说起来容易，做起来困难。

聘请多元化的员工可以发现相关社会背景的映射，但鉴于目前STEM课程（科学、技术、工程和数学）的结构，这很难实现。或者，可以雇用一名“偏见侦探”，这种少有的独角兽既精通数据科学又知晓人文科学，能在黑匣子中找到未知中的未知数，即人工智能可以创造的东西。

5. 有人一起完成这个项目吗？

人工智能领域的人才十分稀缺，并为科技巨头所垄断。根据最新报告，目前，全球只有22,000名博士级专家能够开发尖端算法。雇佣没有就职于大型科技公司的人才价格昂贵，非常昂贵。

然而，这不应该成为富有进取精神的团队创造美好事物的阻碍。如前所述，好的人工智能更多是关于独特的数据而非独特的算法。现在，任何数据分析师、开发人员和合作伙伴都可以使用许多开放型图书馆自学基础知识，很快可以取得一些成就，以说服公司老板进行疯狂招聘（建议从TensorFlow开始）。

在未来几年内，很有可能每个人都会懂得一些数据科学，因为这或将成为大量员工所具备的一项集体技能（比如，知道如何使用Office是一项必需技能）。

6. 需要改变层次结构吗？

即使一家公司拥有数十名才华横溢的业务流程所有者（通常不受欢迎，但十分关键）、开发人员、博士级专家和数据科学家，但如果彼此缺乏合作，想要完成一个项目将十分困难。

首先，如果人才不集中，员工的工作满意程度会很低，因为有着相同目标的人一起工作能让人更有动力。其次，数据科学需要全天候业务通信的数据统计、计算和业务情况，所以这些人员需要开放的空间。第三，如果所有这些才华横溢的员工效力于不同的老板，那么很可能出现不同的目标、错误的理解和办公室政治。

IT内斗和公司内斗只会导致效率低下。

关键在于改变管理方式。

7. 员工会变成勒德分子吗（害怕失业而反对机器的人群）？

人人都听过机器自动化和劳力冗余的故事，而这些故事大部分都是真实的。一旦宣布了人工智能项目，这可能意味着组织内部存在一定程度的恐惧。“这会取代工作吗？”“我是否需要接受进一步的培训或被解雇？”“以前做决定的部门是否要换成另一部门？”。

变革很少收到人们的欢迎，这必须通过自上而下的教育和自下而上的磋商才能实现，这可能需要时间，但这是必要的。

获得组织各方的支持对于项目成功与否至关重要。

除了偶尔的内部支持之外，必须要有完整的企业文化而不仅是对数据科学的一时兴起。

图片来源：pexels.com/@rawpixel

8. 有合理的组织架构吗?

对于组织架构这个问题，可以做出很多个比喻，如冰山、足球、意大利土木工程师、经济学家和社会学家......此处还是使用火腿、生菜和番茄三明治这个比喻：在把西红柿、生菜和培根放在这两片面包中间时，这就仿佛置身于一个有着数百名员工、需要数小时研发时间的过程中。数据科学与这个比喻大致相同：

算法的工作不到10%。

事实上，算法所在的生态系统依赖于数据收集、数据验证、工作流程管理、服务基础设施......

但这只是这个大生态系统中一部分，这个系统包括：API（应用程序编程接口）、数据存储、DataViz解决方案、流程监控、网络安全......

如果组织内部不存在这样的架构，也没有关系，这样更容易从头开始。但是，如果存在现有的架构，则很可能需要做出一些牺牲。

9. 有监管障碍吗？

目前，世界各地就人工智能及其监管需求的问题进行了数十次高级别讨论。深度伪造、面部识别、黑暗模式、自主武器系统性偏见等等都会产生广泛的影响，如果不加以控制，就有可能伤害数百万人。很快，政府层面就这些问题的讨论将会达到数千次，很可能会通过多部法律以确保算法的公平性、安全性和透明度。

这也是令人期待的。

然而，这意味着人工智能项目经常游离在未知的合法领域中，并且可能会在某一瞬间受到法律的全面检查。不仅要审视现行的法规，而且要了解正在制定的法规，这一直是企业界关注的焦点，未来也是如此。

10. 有足够的时间吗?

收集正确的数据，雇用合适的人员，重组系统和员工都需要很多时间。因此，一家快要倒闭的公司想通过转型为人工智能公司挽救自身，这种做法十分愚蠢。

事实上，如果一家公司处于对时间敏感的危机中，人工智能可能无法成为解决方案。

这表明：在制定战略时，避免反动思维很有必要，因为这一做法能让公司有望在其短暂的生存中扭转局面。

所以回到战略领域，从而完成这个循环。

=

留言 点赞 关注

我们一起分享AI学习与发展的干货
欢迎关注全平台AI垂类自媒体 “读芯术”

（添加小编微信：dxsxbb，加入读者圈，一起讨论最新鲜的人工智能科技哦～）