從建立孤立的概念證明到缺乏定義的成功標準，一系列的陷阱都會破壞你人工智能項目的商業(yè)前景。
　　近年來企業(yè)對人工智能的商業(yè)熱情一直有增無減。IDC的最新預測顯示，全球企業(yè)在認知和人工智能系統(tǒng)（從聊天機器人到深度學習，再加上為這些系統(tǒng)提供動力的基礎設施）上的支出將從今年的240億美元增至2022年的776億美元，增長將達到兩倍以上。
　　更為明顯的是，人工智能已經(jīng)從早期的采用者變成了主流的商業(yè)用例，幾乎每個行業(yè)都有廣泛的組織在探索試點項目，并將人工智能投入生產(chǎn)。但這并不意味著在這過程中是萬無一失，毫無風險的。如果你不想浪費你將要花在人工智能上的資金，這里有一些常見的錯誤需要避免。
貪多必失
　　“不要試圖在第一天就把海洋煮沸，”微軟云人工智能團隊的負責人Lance Olsen告訴CIO．com。你不可能在一夜之間就能用人工智能來改變你的整個商業(yè)決策過程，所以最好從小處著手，在你獲得專業(yè)知識的同時采取漸進的步驟。
　　尋找你容易摘到的果實。在處理最重要的系統(tǒng)之前，你需要開發(fā)一個系統(tǒng)先用于實驗和驗證實驗結(jié)果。他警告稱：“不要一開始就進行最大的投資。”
建立獨立的概念驗證系統(tǒng)
　　構(gòu)建一個一次性的人工智能系統(tǒng)并不能幫助你創(chuàng)建人工智能的整體流程，也不是你現(xiàn)有數(shù)據(jù)管道的一部分，無法讓你向前走得很遠。你需要為每個項目創(chuàng)建一個可持續(xù)的AI資產(chǎn)。在這里，可持續(xù)性意味著一個能夠產(chǎn)生足夠投資回報率的系統(tǒng)，你可以持續(xù)投資該系統(tǒng)以實現(xiàn)進一步的開發(fā)和擴展。每次你這樣做的時候，都將有助于為整個業(yè)務創(chuàng)建AI功能，而不僅僅是一個特定團隊的新工具。
　　在你已經(jīng)在做的商業(yè)分析的基礎上，將這些歷史系統(tǒng)轉(zhuǎn)化為預測能力。Olsen說：“從投資優(yōu)化開始，利用你現(xiàn)有的管道，在你已經(jīng)做的事情上進行優(yōu)化。”然后你就可以繼續(xù)進行更革命性的項目，對你的流程工作方式做出更大的改變。
沒有合適的技術(shù)基礎設施
　　根據(jù)麥肯錫最近的一份報告，在開始人工智能之前，你需要投資核心的和更先進的數(shù)字技術(shù)。已經(jīng)在云計算、移動和網(wǎng)絡開發(fā)、大數(shù)據(jù)和分析領域擁有專業(yè)知識的公司采用人工智能工具的可能性是其他公司的三倍。四分之三采用人工智能的組織表示，他們依賴于從現(xiàn)有的數(shù)字能力中學到的東西。換句話說：如果你的企業(yè)還沒有準備好利用云計算和數(shù)據(jù)分析，那么你可能也還沒有準備好接受人工智能。
缺乏數(shù)據(jù)
　　絕大多數(shù)人工智能系統(tǒng)——包括企業(yè)自行構(gòu)建的——都是機器學習系統(tǒng)，而機器學習需要數(shù)據(jù)。正如微軟公司副總裁Julia White在公司最近的商業(yè)AI活動上所說的，“我們新的機器人會在哪里？或者說，新的機器人會從哪里學習呢？”事實上，如果沒有好的數(shù)據(jù)，AI會傷害你而不是幫助你，因為你實際上是在對一些沒有實際證據(jù)的事情充滿信心。
　　此外，如果你只有和你的競爭對手一樣的公共數(shù)據(jù)，你只會得到和你的競爭對手一樣的洞察力，所以你需要使用你組織自己的獨特數(shù)據(jù)。假設你已經(jīng)收集了正確的數(shù)據(jù)，這些數(shù)據(jù)也還需要進行清理和標準化。
　　不要低估在這方面所需的投資；收集和清理數(shù)據(jù)通常占了數(shù)據(jù)科學家工作的80％左右。從你已經(jīng)用于商業(yè)智能和分析的數(shù)據(jù)開始，還可以更容易地確保你的人工智能系統(tǒng)將支持關鍵的業(yè)務流程，從而使其更有可能發(fā)揮作用。這也將有助于你定義數(shù)據(jù)準備的工具和流程，你可以使用這些工具和流程來處理尚未使用的數(shù)據(jù)。
缺乏評估和衡量成功的標準
　　數(shù)據(jù)科學就是科學。你需要有一個關于如何改進商業(yè)決策、銷售、客戶支持或其他任何你想用AI做的事情的假設，你必須在行動中測試并評估結(jié)果。
　　這意味著你需要設計如何衡量一個項目是成功的——無論是在采用還是結(jié)果方面。這可以轉(zhuǎn)化為使項目與員工的業(yè)績截止日期保持一致，比如銷售和營銷團隊的90天前景，或者聯(lián)系中心的小時配額。這也意味著擁有一個不使用新系統(tǒng)的控制組，因為如果你在開發(fā)新系統(tǒng)上投入了大量資金，可能會得到一個過于主觀的結(jié)論。你需要確保人們在做數(shù)據(jù)驅(qū)動的決定，而不是依靠直覺；如果他們習慣性地忽略數(shù)據(jù)，那么即使讓人工智能工具向他們展示數(shù)據(jù)也將無濟于事。你還需要提前決定成功是什么樣子的，因為這是你正在測試的假設。你想要更多的客戶訂單還是更大的訂單？你想減少客戶支持電話，還是需要更少的時間來解決打電話的客戶？
開始時不知道人工智能能幫你解決什么問題
　　“人工智能”這個詞的問題在于，它能讓人覺得一切皆有可能。在過去的幾年里，人工智能行業(yè)已經(jīng)取得了巨大的進步，但是你仍然需要知道人工智能可以實際提供什么，以及它將如何集成到你現(xiàn)有的系統(tǒng)和業(yè)務流程中。然后你需要知道你的組織有什么問題，人工智能可以幫助你解決什么問題。你不能因為其他公司都在采用人工智能，就采用它。
　　“高管們在求助于人工智能之前需要考慮兩件事，”Cheetah Digital的分析服務高級總監(jiān)Jacob Davis告訴CIO．com。“第一，我們真正想要解決的是什么？我們現(xiàn)在如何解決這個問題并掌握手頭的數(shù)據(jù)？如果你不能想出一些東西，即使是理論上的，那么可能在你目前狀態(tài)的可能性范圍內(nèi)，AI也無法幫到你。第二：我考慮人工智能是因為我聽到了很多關于它的炒作嗎？你必須真正評估你對這類解決方案的渴望，否則，你可能會在一些無法增加真正價值的東西上投入大量資金。”
沒有合適的人才也沒有合適的項目
　　你將需要數(shù)據(jù)科學專業(yè)的知識，如果您沒有專門的數(shù)據(jù)科學團隊，那么這些專業(yè)知識通常會在IT團隊中建立起來。無論它在哪里，重要的是不要把它孤立在一個卓越的中心。Ovum最近為數(shù)據(jù)科學軟件供應商Dataiku所做的一項針對全球2000個生產(chǎn)人工智能項目的組織的研究表明，要使項目成功，這些專家需要參與他們正在解決的問題所在的業(yè)務團隊，以及項目管理和開發(fā)團隊中去。因為中央團隊可能會錯過當?shù)貥I(yè)務部門的一些文化差異。
　　“一次又一次，我們看到世界各地的公司和跨行業(yè)的團隊無法開始他們的數(shù)據(jù)工作，因為他們無法幫助不同地區(qū)的這些人共同合作——更不用說擁有不同技能以及不同類型的人了，“Dataiku的首席執(zhí)行官Florian Douetteau說。如果你不能讓數(shù)據(jù)科學專家永久駐扎在關鍵位置，可以利用中央專家的協(xié)作和知識轉(zhuǎn)移來幫助培養(yǎng)當?shù)氐臄?shù)據(jù)科學技能。
建立你自己的人工智能能力
　　雖然IBM Watson廣為人知，但即使是預先構(gòu)建的人工智能服務也需要時間和專業(yè)知識來與你自己的系統(tǒng)和流程集成，并且必須仔細評估，但是很少有企業(yè)具備從頭開始構(gòu)建一切的專業(yè)知識。如今，AI工具越來越多地內(nèi)置于SaaS產(chǎn)品中，例如Salesforce、Dynamics和Adobe的營銷云，盡管它們很可能是你需要額外付費的插件。Azure、AWS和Google也提供了云計算機器學習服務，這些服務可以提供特定的“認知服務”，例如機器視覺和語音識別，你可以定制并構(gòu)建到自己的工具和服務中，你也可以提供你自己需要和可以適應的通用解決方案庫。利用這些工具快速起步，然后考慮需要從頭構(gòu)建哪些其他模型和工具，因為員工對人工智能所能帶來的生產(chǎn)率優(yōu)勢會更加適應。
期待人工智能徹底取代人力
　　像自動化一樣，人工智能將在人類和人工智能系統(tǒng)協(xié)同工作時給你帶來最大的性能和生產(chǎn)力提升。《哈佛商業(yè)評論》最近的一項研究顯示，隨著企業(yè)采用越來越多的人機協(xié)作，績效提高了4到7倍。為了獲得這種協(xié)作，業(yè)務團隊需要參與評估人工智能系統(tǒng)究竟能夠為他們實際做些什么。能夠為專家提供建議、多種選擇、決策支持和升級的人工智能工具，顯然比那些在沒有任何人工參與的情況下僅僅給出簡單的yes／no答案的工具來說更加有用。