（文章來源：千家網(wǎng)）
? ? ? ?人工智能正在進(jìn)入更多的行業(yè)，越來越多的公司已經(jīng)體驗到了實(shí)施人工智能的好處。盡管人工智能正在發(fā)展并越來越受歡迎，但許多企業(yè)仍然無法采用這種新技術(shù)改進(jìn)業(yè)務(wù)。這是為什么？企業(yè)可能擔(dān)心人工智能實(shí)施的原因有很多。在2019年，O‘Reilly公司出版了一本電子書，總結(jié)了對企業(yè)采用人工智能的調(diào)查結(jié)果，并列出了阻礙進(jìn)一步實(shí)施人工智能的一些最常見因素。

正如人們所見，一些常見問題主要包括與人員、數(shù)據(jù)或業(yè)務(wù)一致性相關(guān)的問題。雖然每家公司都不同，并且也會以不同的方式體驗人工智能的采用過程，但也應(yīng)該注意一些障礙。在本文中，將介紹人工智能實(shí)現(xiàn)中最常見的一些挑戰(zhàn)，并嘗試建議如何做好應(yīng)對這些挑戰(zhàn)的準(zhǔn)備。

與數(shù)據(jù)相關(guān)的問題可能是大多數(shù)企業(yè)所面臨的問題。眾所周知，企業(yè)構(gòu)建的系統(tǒng)只能與它給出的數(shù)據(jù)一樣好。由于數(shù)據(jù)是人工智能解決方案的關(guān)鍵要素，因此在此過程中可能會出現(xiàn)許多問題。如上所述，人工智能系統(tǒng)的質(zhì)量在很大程度上依賴于輸入的數(shù)據(jù)。人工智能系統(tǒng)需要大量的訓(xùn)練數(shù)據(jù)集，以類似于人類的方式從可用信息中學(xué)習(xí)，但為了識別模式，它需要更多的數(shù)據(jù)。

在任務(wù)上做得更好，執(zhí)行任務(wù)的經(jīng)驗越多，這是有道理的。不同的是，人工智能能夠以人類想像不到的速度分析數(shù)據(jù)，因此其學(xué)習(xí)速度很快。企業(yè)給它的數(shù)據(jù)越好，它將提供更好的結(jié)果。那么企業(yè)怎么解決數(shù)據(jù)問題？首先，需要知道已有的數(shù)據(jù)，并將其與模型所需的數(shù)據(jù)進(jìn)行比較。為此，企業(yè)需要知道其將要使用的模型，否則，將無法指定所需的數(shù)據(jù)。

在這種情況下，綜合數(shù)據(jù)得以拯救。綜合數(shù)據(jù)是基于實(shí)際數(shù)據(jù)或從頭開始人工創(chuàng)建的。當(dāng)沒有足夠的數(shù)據(jù)可用于訓(xùn)練模型時，可以使用它。獲取數(shù)據(jù)的另一種方法是使用開放數(shù)據(jù)作為數(shù)據(jù)集的補(bǔ)充，或使用谷歌數(shù)據(jù)集搜索獲取數(shù)據(jù)來訓(xùn)練模型。企業(yè)還可以使用RPA機(jī)器人來抓取公開可用的數(shù)據(jù)，例如維基百科網(wǎng)站上發(fā)布的信息。

當(dāng)企業(yè)知道自己擁有哪些數(shù)據(jù)以及需要哪些數(shù)據(jù)時，將能夠驗證擴(kuò)展數(shù)據(jù)集的哪種方式最適合自己。幾年前，大多數(shù)數(shù)據(jù)都是結(jié)構(gòu)化的或文本的格式。如今，隨著物聯(lián)網(wǎng)（IoT）的發(fā)展，大部分?jǐn)?shù)據(jù)都是由圖像和視頻組成的。這沒有什么不對，但問題是許多利用機(jī)器學(xué)習(xí)或深度學(xué)習(xí)的系統(tǒng)都是以監(jiān)督的方式進(jìn)行訓(xùn)練，所以他們需要對數(shù)據(jù)進(jìn)行標(biāo)記。

事實(shí)上，人們每天產(chǎn)生大量數(shù)據(jù)的事實(shí)，已經(jīng)達(dá)到了沒有足夠人員來標(biāo)記正在創(chuàng)建的所有數(shù)據(jù)的程度。有些數(shù)據(jù)庫提供標(biāo)記數(shù)據(jù)，包括ImageNet，這是一個擁有1400多萬張圖像的數(shù)據(jù)庫。所有這些都是由ImageNet人工注釋的。盡管在某些情況下其他地方可以獲得更合適的數(shù)據(jù)，但許多計算機(jī)視覺專家仍然只使用ImageNet，因為他們的圖像數(shù)據(jù)已被標(biāo)記。

企業(yè)可以采用一些數(shù)據(jù)標(biāo)注方法?？梢栽谄髽I(yè)內(nèi)部或外包工作，也可以使用合成標(biāo)簽或數(shù)據(jù)編程。所有這些方法各有利弊。對于許多“黑盒”模型，企業(yè)最終得出一個結(jié)論，例如預(yù)測但沒有解釋。如果人工智能系統(tǒng)提供的結(jié)論與企業(yè)已經(jīng)知道的結(jié)果重疊并認(rèn)為是正確的，那么就不會質(zhì)疑它。但是如果不認(rèn)同會發(fā)生什么？需要知道如何做出決定。在許多情況下，其決定本身是不夠的。醫(yī)生不能完全依賴系統(tǒng)提供的關(guān)于患者健康的建議。

LIME等方法旨在提高模型的透明度。因此，如果人工智能判斷患者患有流感，它還會顯示導(dǎo)致此決定的數(shù)據(jù)：打噴嚏和頭痛，而沒有考慮患者的年齡或體重。當(dāng)企業(yè)獲得決策背后的理由時，更容易評估人們可以信任模型的程度。人們能夠利用從一個領(lǐng)域到另一個領(lǐng)域的經(jīng)驗。這就是所謂的學(xué)習(xí)轉(zhuǎn)移，人類可以在一個環(huán)境中轉(zhuǎn)移學(xué)習(xí)到另一個類似的環(huán)境中。人工智能卻難以將其經(jīng)驗從一種情況轉(zhuǎn)移到另一種情況。

一方面，人們知道人工智能是專業(yè)的，它意味著執(zhí)行嚴(yán)格指定的任務(wù)。它的目的只是回答一個問題，為什么人們還希望它能回答另一個不同的問題呢？

另一方面，人工智能在一項任務(wù)中獲得的“經(jīng)驗”對另一項相關(guān)任務(wù)可能是有價值的。有沒有可能利用這種經(jīng)驗而不是從頭開始開發(fā)新的模型？轉(zhuǎn)移學(xué)習(xí)是一種使之成為可能的方法——人工智能模型被訓(xùn)練來執(zhí)行某項任務(wù)，然后將該學(xué)習(xí)應(yīng)用到類似（但不同）的活動中。這意味著為任務(wù)A開發(fā)的模型稍后將用作任務(wù)B的模型的起點(diǎn)。