很容易誤解任何新技術。 人工智能方面顯然非常重要。 這與它的潛在影響力創造了一些神話有關。

“人工智能經常被誤解。 因為我們需要探索廣闊的宇宙，所以探索未知可能會讓人感到困惑和焦慮，”工程總裁比爾·布羅克 (Bill Brock) 說。

對于試圖在企業中構建 AI 應用程序的 IT 領導者來說，這已成為一個特殊的問題。

“人工智能在企業中越來越普遍，但在應用場景、如何改進或更新過去的系統方面仍然存在很多誤解，”布洛克說，盡管有必要將“機器人成為”這個詞“浪漫化”同學”。 了解不同類型的技術如何增強我們的系統并創造更高效的環境。

事實上，“浪漫科技”才是Sky宣傳的主要內容，并非戰略CIO通過AI實現的底線功效。

眾所周知，甜蜜的現實常常助長阻礙實現可行目標的神話。 為此， 和在座的其他專家要求找出當今企業中關于 AI 的常見迷思，以幫助 IT 領導者和其他業務專業人員區分事實與虛構。

誤區一：人工智能等于機器學習

不，了解兩者之間的區別很重要。 機器學習更像是人工智能的一個子學科。

“我認為在許多交易所中這些術語之間沒有區別，”研究科學家說，這是有問題的。

例如，如果公司領導認為構建分類模型無異于用數據支撐決策過程it技術，就會忽略構建模型結構和意義這一重要步驟。 這將導致公司對 AI 的投資不足，沒有足夠的人力來深入研究更大的環境，并最終失敗。

誤區二：人工智能和人工化是一回事

人工智能和人工化也經常被混淆。 它們之間確實存在著重要的聯系。

“隨著人們對人工智能越來越熟悉，他們會明白這是一臺可以思考的機器，或者至少可以根據一組預定義的模型和算法做出明智的決定。 “自動化”只是沒有人為干預。” 完成工作。 “自動化并不一定意味著人工智能，但一些最具影響力的人工智能示例將以戲劇性的方式擴充手冊，”布羅克說。 “

誤區 3：更多的數據會帶來更好的 AI 結果 這些誤解非常深遠。 雖然人工智能成功的唯一真正前提是“數據”。

目前，AI 和 ML 團隊的工作幾乎完全集中在數據挖掘和清洗上。

“重要的不是數據的數量，而是質量，” 首席數據官 Rick 說。 “很多標記不當或標記不當的數據不會讓你更接近結果。它們實際上可以通過‘準確’來創建。結果會誤導建模者，因為殘差公式與樣本量成正比。 “

他說，從早期 AI 失敗中吸取的一個常見教訓是，我們只是輸入大量數據并假設它有效。 在早期階段，大量的數據可能不會更好。

“質量數據是有效算法不可或缺的一部分，”Very 的 Brock 說，并指出無論解決什么問題，不良數據都會導致不良結果。

“最佳實踐是使用結構化方法和錯誤測試來創建更好的訓練數據集，”建模者說，他實際上可以以更低的成本使用更小的數據集。

誤區 4：AI 從部署的那一刻起就會產生價值

并不是說數據多好。 其實隨著時間的推移會越來越有必要，但是數量和質量一定要同步。 一般來說，沒有人期望人工智能計劃能帶來投資回報，但有時，很多人會不停地談論它，只要打開它，你就能聽到它的魔力。

“AI 和 ML 引擎需要訓練，需要大量數據才能學習。可以播種一些數據，”CTO Javed 說，但大部分數據來自部署領域和 AI/ML 系統的重點學習。 期待系統第三天的建議和意見是不合理的。 我們需要在各種環境中建立流程和分配資源，逐漸學習形成魔力。

誤區五：人工智能和機器學習基本上只是“軟件開發”

首席執行官 Diego 認為該組織對其他軟件開發采用相同的方法，但更接近 AI 和 ML。

“人工智能/機器學習開發只是軟件開發的一個神話，”奧本海默說。 事實上，導致大多數 ML 項目失敗的一個重要因素是 ML 工作負載的行為與傳統軟件非常不同，需要不同的工具集。 ，大規模部署和管理基礎設施和流程。

奧本海默強調了以下問題：

1. 異構性：語言和框架種類繁多且不斷減少。 2.可組合性：AI和ML涉及多組件協作，每個組件可以由不同的語言和不同的團隊構建。 3、開發過程：在傳統的軟件開發中，輸出的是“在受控環境中執行的代碼”。 在機器學習中，輸出是“一個不斷發展的生態系統”。 這需要更多的迭代循環。 4. 硬件/基礎設施：CPU、TPU、GPU、邊緣計算和任何新的選擇，每個都有不同的優勢和挑戰。 5、績效指標：沒有一個標準的指標適用于每個人甚至很多人。 誤區 6：AI 只是另一種需要考慮的“技術”

有時我們使用新舊比較來使令人生畏的事情看起來更容易處理。 雖然重現了往事。

據數據和人工智能首席執行官蓋伊說，這可能會導致 IT 團隊簡單地將人工智能視為另一個技術周期。 不是這些情況。

“人工智能更像是人類的大腦或身體：你使用它的次數越多，它就會變得越強大、越聰明，”他說。

他還指出，大多數技術都是“脆弱的”。 您使用它們的次數越多，它們看起來就越復雜，它們就越有可能損壞。

誤區 7：人工智能只適用于科技公司

不想。 AI 并不是所有業務問題的答案。

最壞的情況是企業可以選擇退出 AI 革命。 如果目前的趨勢繼續下去it技術，只會讓企業專注而不是引領。

他說，這個神話已經滲透到商業世界，讓人覺得人工智能的早期開發者和采用者是技術最先進、最先進的公司。

誤區 8：AI 取代了對人類智能的需求

人工智能的神秘地位部分始于艾未未對人類智慧的追求。 此時，“機器人大師”的敘事開始進入高潮。

“這些機器可以像它們獲得的數據和它們采取的行動一樣智能，”說。 “人工智能和機器學習可以幫助我們識別數據海洋中的模式，并在很少或沒有人為干預的情況下手動操作它們。 決策算法和模型仍然必須由人類提供。”

首席數據官麥克法蘭表示，人工智能“像人類一樣”學習實際上是一種誤解。

“人類在學習或解決問題方面具有先天優勢。 就像，無趣，”麥克法蘭說。 “人工智能模型從不以自己的方式無聊或荒謬。他們從幾乎無限的可能性中尋求最佳答案。甚至陷入可能永遠不會出現的'兔子洞'。相比之下，人類將厭倦追求無限的可能性，重新思考現狀，積極追求不同的道路。”