人工智能是近几年的热门话题，AI商业应用也一直是各大企业的热门关注。关于AI应用，我们或多或少都听过关于它的一些“神话传说”，但是这些说法的真实性可能存在问题。
对任何新兴技术都存在误解，但在人工智能方面，误解似乎特别明显。也许这是因为人工智能潜在影响的范围已经产生了一定的神话地位。
“AI通常被误解，因为我们需要探索一个巨大的宇宙，探索未知可能会让人感到困惑和恐惧，” Very的工程副总裁Bill Brock说 。
对于试图在其组织中确定AI实际应用程序规模的IT领导者来说，这成为一个特殊问题。
“虽然企业中的人工智能正变得越来越普遍，但对于其使用案例以及如何改进或更新过去的系统仍存在相当多的误解，”布洛克说。“虽然我们可以将关于机器人成为我们同事的概念浪漫化，但有必要了解这些不同类型的技术如何有助于增强我们的系统并创造更有效的环境。”
事实上，“浪漫化技术”是天空销售推销的主要内容，而非战略CIO通过人工智能实现的底线结果 。
并且实现了：哈佛商业评论分析服务的新报告“ 实际人工智能执行指南”详细介绍了技术高管如何在包括Adobe，7-Eleven，拜耳作物科学，凯撒娱乐在内的公司中记录人工智能获胜，Capital One，Discover，Equifax和Raytheon。
此外，浪漫化的现实往往会产生妨碍可行目标的各种神话和误解。因此，我们请Brock和其他专家确定当今企业中关于人工智能的常见神话，以帮助IT领导者和其他商业人士将事实与虚构分开。
8个AI神话
1. “人工智能和机器学习是一回事。”
它们不是，并且理解两者之间的差异对于各种原因至关重要，例如避免蛇油解决方案，以及建立人工智能计划以取得切实成功。更科学的说,机器学习被认为是AI的特定子学科。
“在许多对话中，我发现这些术语之间没有什么区别，” SigOpt的研究科学家Michael McCourt说 。
“这可能会有问题。如果一个公司的权力人员认为‘建立我的分类模型’等同于‘使用我们的数据来巩固我们的决策过程’，那么适当解释模型的结构和含义的重要步骤是必要的。”
未能认识到这一神话将导致公司在人工智能团队中投资不足，或许还没有足够的人员在这些模型的开发和解释中涉及更强大的业务环境，这可能会让AI团队失败。
2. “人工智能和自动化是一回事。”
人工智能和机器学习并不是引起困惑的唯一两个术语。与机器学习类似，人工智能和自动化往往会混淆，因为它们之间确实存在关系 – 这是一个重要的关系。
“随着人们越来越熟悉人工智能，他们了解到人工智能是一种能够思考的机器 – 或者至少根据一系列预先定义的模型和算法做出明智的决策 – 而自动化只是在没有人为干预的情况下完成任务， “布罗克说。
“自动化并不一定意味着AI，但人工智能最具影响力的一些用例会以戏剧性的方式增强自动化。”
越来越常见（并且越来越成问题）的误解是人工智能成功的唯一真正先决条件是大量数据。现在AI和机器学习团队的工作几乎完全集中在策划和清理数据上。
“重要的不是培训数据的数量，而是质量，” LexisNexis Legal and Professional首席数据办公室的Rick McFarland说 。
“大量不良或不一致标记的训练数据并不能让您更接近准确的结果。它们实际上可以通过创建“精确”结果来欺骗建模器，因为方差公式与样本大小成反比。简而言之，你会得到精确的不准确的结果。“
我们将在这里采取适度的措施并预测，简而言之，从早期AI故障中学到的最常见的经验之一将是：我们只是在其上投入了大量数据并假设它可行。在早期阶段，更大的未必更好。
“这不能说得太多——质量数据是有效算法不可或缺的一部分，”来自Very的Brock说。
“人们经常会误认为人工智能的能力以及如何为成功做好准备。无论你想要解决什么问题，不良数据都会产生糟糕的结果。“
Brock补充说，人工智能和机器学习团队现在的工作几乎完全集中在策划和清理数据上。即使您还没有达到这一点，也要始终优先考虑质量而不是数量。
“今天的最佳实践专注于使用结构化方法和偏差测试创建更好的训练数据集 ，”McFarland说。“结果是建模人员实际上可以使用以较低成本获得的较小数据集。”
4. “人工智能将从部署的那一刻起传递价值。”
这并不是说“更多数据”本质上是一件坏事; 事实上，随着时间的推移它变得越来越必要。但时间是关键词：你需要它来使数量和质量同步。
一般来说，没有人会期望他们的人工智能计划立即获得投资回报率，但有时候这种技术的描述方式如下：只需打开它，观察魔术的发生。
“AI和ML引擎需要经过培训，需要大量数据才能学习。一些数据可以播种”，NetEnrich首席技术官Javed Sikander说。
“但是，大部分数据来自部署的域，以及AI / ML系统集中学习的地方。因此，期望AI / ML系统从第1天开始提出建议和见解是不合理的。需要建立流程，并且需要在各种环境中分配资源，以便逐步实现这种学习。只有那时才会发生魔力。“
5. “人工智能和机器学习基本上只是软件开发。”
Algorithmia首席执行官迭戈·奥本海默（Diego Oppenheimer）认为，组织与其他任何软件开发的方式相同，都在接近AI和ML。
“AI / ML开发只是软件开发的一个神话，”奥本海默说。“事实上，大多数ML项目都失败了，一个很大的原因是ML工作负载与传统软件的行为非常不同，需要一套不同的工具，基础架构和流程才能大规模部署和管理。”
奥本海默指出了以下问题：
（1）异质性
有一个庞大的，不断增长的语言和框架菜单可供浏览。奥本海默说：“数据科学就是选择，它会在变小之前变大。”
（2）可组合性
AI和ML通常涉及多个组件的同步管道，每个组件可能由不同的团队和不同的语言构建。
Oppenheimer举例说明了一个系统，需要一个模型来选择目标图像，另一个需要从这些图像中提取文本，第三个是根据这些图像进行情感分析，第四个是根据该情绪推荐一个动作。
Oppenheimer表示，虽然传统的应用程序开发可能会像微服务这样朝着这个方向发展，但与AI和ML的需求相比，它仍然是相对单一的。这需要对某些团队进行调整。
（3）开发过程
“在传统的软件开发中，输出是在受控环境中执行的代码，”Oppenheimer说。“在机器学习中，输出是一个不断发展的生态系统——通过代码与实时数据的交互进行推理。这需要一个非常不同的，更加迭代的循环。“
（4）硬件/基础设施
“[它]仍在不断发展：CPU，TPU，GPU，边缘计算以及任何数量的新选择 – 每个都有不同的优势和挑战。
（5）性能指标
“基于ML的性能指标是多维的，并且对上下文非常敏感，”Oppenheimer指出。这意味着没有适用于每个人甚至许多人的标准指标集。
“如果零售欺诈检测模型在误报方面出错，只要它能够足够快地返回结果，不会影响结账流程，那么零售欺诈检测模型的准确度可能达到75％，”他表示。“法务会计师使用的欺诈检测模型可能会以更高的准确性交易业绩。”
6. “人工智能只是另一种需要考虑的技术。”
有时，我们通过比较新旧来让令人生畏的东西看起来更容易管理：就像在“我们以前来过这里 – 我们已经有了这个。”
在这种情况下，这可能会导致IT团队将AI视为另一个技术采用周期。但事实并非如此，AllCloud的数据和人工智能副总裁Guy Ernest说 。
“人工智能有可能更像人类的大脑或身体：你使用的越多，它变得越强大，越聪明。”
“大多数技术都很脆弱，”欧内斯特说。“你使用它们越多，它们变得越复杂，就越容易破碎。人工智能有可能更像人脑或身体：你使用它越多，它变得越强大越聪明。”
7. “人工智能真的只适合科技公司。”
不，AI不是每个业务问题的解决方案——至少现在还没有，SigOpt的McCourt指出。但他补充说，那些认为人工智能实际上只是技术行业范围的企业面临危险的公司。
“最坏的情况是，一家公司可以选择退出人工智能革命，如果目前的趋势持续下去，可能会让公司跟随人群而不是领导它，”麦考特说。
“这个神话开始了，并且继续渗透到商业世界，因为AI的早期开发者和采用者是技术最精明和最先进的公司。但每天都会产生新的文献和工具，这些文献和工具可以扩大公司的基础，这些公司可以开始制定人工智能决策。”
8. “AI取代了对人类智能的需求。”
人工智能的神秘地位部分来自于看到人工智能超越人类智能的地方。但就在那时，“机器人霸主”的叙述开始进入高潮。
“机器可以像他们可以获得的数据以及他们编程采取的行动一样聪明，”Sikander说。“人工智能和机器学习可以帮助我们识别数据海洋中的模式，并自动执行所采取的操作，几乎不需要人工干预。但是为构建计算这些决策和行动而构建的算法和模型必须由人类提供。“
有一种相关的误解，即人工智能学习“就像人类一样。”今天的情况并非如此，LexisNexis Legal＆Professional首席数据官麦克法兰说。
“人类在学习或解决问题方面具有内在的优势——例如无聊，”麦克法兰说。“AI模型永远不会感到无聊或看到他们的方式的愚蠢。他们从几乎无限的可能性中寻求最佳答案。甚至将它深深地追逐到一个众所周知的兔子洞——可能永远不会出来。相比之下，人类会厌倦追求无限的可能性，停止，重新考虑局面，并在不被告知的情况下追求不同的道路。”
