對(duì)于嘗試采用AI的公司來(lái)說(shuō)，這令人失望。他們找出要解決的問(wèn)題，開(kāi)始收集所需的數(shù)據(jù)，甚至可能找出可靠的數(shù)據(jù)母帶計(jì)劃。然后，即使他們進(jìn)行了成功的概念驗(yàn)證并證明了AI的使用將如何改善業(yè)務(wù)，事情仍會(huì)停滯不前，而挫敗感也會(huì)增加。

不足為奇的是，缺少正確的數(shù)據(jù)和缺乏可用的技能是問(wèn)題的重中之重。但是，即使解決了這些問(wèn)題，項(xiàng)目通常仍無(wú)法實(shí)現(xiàn)。那么，什么可以使AI努力更有可能獲得回報(bào)呢？

缺失的環(huán)節(jié)：人機(jī)界面

解決方案經(jīng)常被忽略。AI是人工智能，而ML是機(jī)器學(xué)習(xí)。并且這兩個(gè)都需要由最了解數(shù)據(jù)的實(shí)際人教如何正確發(fā)揮作用。在建立和維護(hù)有用模型的整個(gè)過(guò)程中，重要的是要確保您與主題專家緊密合作，這些專家直接受到結(jié)果的質(zhì)量和準(zhǔn)確性的影響，并且可以提供最有用的反饋。公司通常會(huì)錯(cuò)誤地認(rèn)為，對(duì)概率數(shù)學(xué)非常了解的博士學(xué)位可以入手并弄清楚一切。不幸的是，這幾乎總是失敗的秘訣。他們了解如何從結(jié)構(gòu)上處理數(shù)據(jù)，但與他們產(chǎn)生的輸出的含義以及如何收集數(shù)據(jù)的業(yè)務(wù)環(huán)境無(wú)關(guān)。

例如，采用全自動(dòng)數(shù)據(jù)清理模型，其中的機(jī)器在未經(jīng)專家批準(zhǔn)的情況下處理數(shù)據(jù)，可能會(huì)導(dǎo)致令人失望的結(jié)果。同樣，要求數(shù)據(jù)用戶花費(fèi)很長(zhǎng)的時(shí)間來(lái)訓(xùn)練機(jī)器學(xué)習(xí)模型或向他們?cè)儐?wèn)有關(guān)數(shù)據(jù)的重復(fù)性問(wèn)題，將使那些能提供最大幫助的人不愿輸入必要的信息。問(wèn)題是：我們?nèi)绾尾拍軓奈覀冐S富的技能（關(guān)于數(shù)據(jù)的知識(shí)）中獲得最大的利用，以便我們的機(jī)器學(xué)習(xí)正確的課程？

當(dāng)涉及到ML和AI時(shí)，主動(dòng)學(xué)習(xí)是正確的模型，它可以以最少的精力智能地從用戶那里征求最有影響力的反饋。為了實(shí)現(xiàn)主動(dòng)學(xué)習(xí)，需要在整個(gè)工作流程中提供直觀的人機(jī)界面。當(dāng)機(jī)器需要指導(dǎo)，批準(zhǔn)或驗(yàn)證時(shí)，必須由人類參與。在用戶，專家和機(jī)器學(xué)習(xí)之間充分發(fā)揮協(xié)同作用至關(guān)重要-連續(xù)但低接觸的反饋循環(huán)。

從消費(fèi)者世界中獲取啟示

好消息是，對(duì)于企業(yè)用戶而言，使ML算法變得更好并不一定是一項(xiàng)艱巨或耗時(shí)的任務(wù)。考慮一下AI模型如何在消費(fèi)者世界中變得更加智能。考慮餐廳空間中的OpenTable或Google Reviews示例。要求用餐者根據(jù)他們的現(xiàn)場(chǎng)經(jīng)歷提供策劃反饋。這家餐廳是否提供送餐服務(wù)？食物好嗎？然后，模型使用數(shù)據(jù)為每個(gè)人提供建議。消費(fèi)者可能不認(rèn)為自己是專家，而是因?yàn)樗麄儞碛凶钚碌牡谝皇种R(shí)和經(jīng)驗(yàn)。