全文共 7008字，預計學習時長 21分鐘

來源：Pexels 人工智能項目為何會失敗？

時代在進步，科技在發展，人工智能這項先進技術已經滲透到了人力資源、供應鏈、多層次營銷等各個領域。整體發展前景和態勢似乎很不錯，一片光明。

但，對于開展自己的人工智能項目，人們的態度通常喜憂參半。

一開始聽到“人工智能”這個詞，大家一定會覺得很棒，很神奇。的確，人工智能的“成功故事”常年在坊間流傳，應用人工智能來提高銷量和營業額的例子也比比皆是。因此，人們可能會認為人工智能項目成功的機會一定非常多。然而另一方面，人們卻從未想過項目失敗后該怎么辦？如何來化解風險，避免浪費時間和金錢在某個根本不可行的項目上？諸如此類的問題還有很多，但是面對這些問題我們也并非束手無策，解決的辦法還是有的。

目前，人工智能項目為何屢屢受挫？

本文將就這一問題展開討論，探究其失敗背后的原因，比如數據不足等因素。

人工智能的前景一片光明，對嗎？

來源：Pexels

然而，文思海輝技術有限公司最近發布的一項研究表明，近年來約有85%的人工智能項目都以失敗告終。

這個時候人們可能會說，“放心！我不會失敗的，我將是那成功的15%。”負責任地說，可能會成功，也可能會失敗，畢竟目前一切還尚未可知。現在人們需要做的就是期待最好的結果，并且同時進行策略性思考。總而言之，最重要的就是要提前熟悉相關材料，準備充分，并且謹慎對待每一步。

失敗的原因千萬種

人工智能項目失敗的原因有千萬種，即使沒有千萬種也不止一種。

人工智能給人類帶來了無限可能，當然其中也包括失敗的可能，而且還不少。某個人工智能項目之所以會失敗，可能是由于數據策略出錯了，業務與技術的對接出了問題，也可能是某些人為因素。當然，除了以上列舉的這些，可能出問題的地方還有很多，筆者并不是為了嚇唬大家。現在，正好趁著新年到來的火熱氣氛，筆者在這里給各位講個“鬼故事”（讓氣氛更火熱）——人工智能之殤，是為了提醒大家未來在處理人工智能時務必多加小心。

切記，未雨綢繆，才能防患于未然。

1.“大數據”不夠“大”

近年來，“大數據”一詞的熱度有增無減，然而，大眾同時也對其抱有種種疑惑。所謂的“大”到底是多“大”呢？又需要多少“數據”呢？的確，“數據”確實是問題的關鍵，這不僅僅體現在數據量的不足上，而且也反映在數據標記和訓練數據等諸多方面。

一個人工智能系統的成與敗，主要還是取決于輸入數據的質量。因此，如果背后沒有足夠的數據支持，又怎么能夠得到實質性的結果呢？但具體來說，數據本身到底會出什么問題呢？

首先，數據不足就是一大問題。如果正在運行一個小型項目，并且相關數據也很有限，則需要提前與經驗豐富的人工智能顧問或者數據科學家進行商討，從而了解自己對數據集的期待以及現狀。那需要多少數據才夠呢？

說實話，這個問題不好回答，因為要視具體情況而定。所需數據量的多少主要取決于使用案例、數據類型，以及預期結果。然而，有時經常會聽到人們說“當然是越多越好了”。反正就數據科學項目而言，的確如此。

來源：Pexels

2.數據的選擇

雖然有時候的確收集到了很多數據，但是這些數據都是合適的嗎？人們可能會覺得既然所有需要的數據都有了，那項目一定會成功的！

且慢，有時候數據看起來似乎很多，但卻不一定合適。如果你是做電商的，可能有很多關于你的客戶的信息，比如他們的姓名、住址、發票，甚至還有他們的銀行卡信息。因此，你知道他們買了什么，什么時候買的，也知道他們瀏覽了哪些東西，并且什么時候通過什么方式聯系過你。

但是，這其中哪些數據是必需的呢？簡單來說，解決不同的問題需要不同的信息。比如，當你要執行一個推薦系統時，就沒必要使用所有的人口數據，反而必須收集客戶的購買記錄。但是，如果要用于預測客戶流失，則需要考慮到其他各種因素。

因此，即使全世界的數據都被你收入囊中（事實上這也是不可能的），也要考慮清楚哪些數據是必需的。的確，很多人都非常樂于瘋狂地收集各種數據，甚至越多越好，但是，其實根本沒有這個必要。總而言之，只選對的，不選多的，因為選得再多也沒意義。

3.數據標記

給人類貼標簽——當然；給數據貼標簽——從不。

在完成某個人工智能項目時，不僅僅需要數據的存在，而且還需要對數據進行標記，才能使其有意義。如果收集到的數據雜亂無章，人類則需要另外花費一定時間來完成數據標記這項枯燥乏味的工作。數據標記任務的確很無趣且繁瑣，以至于現在很多公司根本不重視這一項原本很重要的工作。數據科學家JenniferPrendki 曾于亞馬遜AWS官方博客上發表一篇文章，其中寫到：

“雖然房間里站著一頭如此龐大的大象，但是即使是那些最厲害的科技公司好像有也沒看到它，或者選擇性失明。這頭大象就是數據標記。”

對于許多通過監督學習的方式來進行訓練的機器學習模型來說，數據的標記尤為重要。模型要求數據必須被標記，否則這些數據就沒有任何意義。

由于數據標記工作極其費時費力，因此數據科學家通常會選擇使用已經標記好的現成數據。例如，現如今人們在執行機器視覺項目時，雖然能夠從各個渠道獲取到門類齊全的高質量圖像，但是他們通常還是主要選擇ImageNet數據庫。因為ImageNet數據庫是目前最龐大的標記圖像數據庫，現存有約1400萬張圖像。

現今，人類每天仍然在繼續產生著越來越多的數據。每天上傳到臉書的數據量就高達50兆字節，而且能生產數據的源頭遠不止臉書一個。可想而知，算上所有這些數據，我們人類已經到達了一個尷尬的境地，即根本沒有這么多的人手來對數據進行標記。

4.無法完全模仿人類

來源：Pexels

通常，人們總是期待人工智能在執行某一智能任務時的完成水平能媲美人類，甚至比人類還要更好。這樣想也是合情合理的，因為我們都知道，現今人工智能在越來越多的任務上的表現都優于人類。的確如此，不久前人工智能甚至還擊敗了圍棋冠軍。然而，就靈活度而言，人工智能系統仍然遠不及人類的思維。

為了進一步闡述這一點，“智能推薦”就是一個絕佳例子。假設在某一次創業活動上，你遇到了一個很有趣的人（假設他叫“約翰”）。約翰很喜歡與你交談，并且非常欽佩你那淵博的商業和技術知識。由于他也很想了解這方面的知識，于是他要你給他推薦一本相關書籍。接著，你可能會在你的頭腦中快速檢索相關書目，比如有A、B、C、D、E等等。于是你回答說，“約翰！我知道你應該讀哪本了！你可以讀XX書。”那么問題來了，你是如何知道應該給約翰推薦哪本書的呢？

實際上，首先你的大腦掃描了目前已經儲存的相關信息，比如約翰的知識面，他和你談話時的興趣點，以及他的個人風格等信息。在這個時候，即使你不知道他對書籍的真實喜好，也能根據以上信息來推薦出最適合的書目，因為你總感覺他會喜歡這本書。的確，人類的感覺常常是準確的。

現在讓我們換個場景，約翰這次“遇到”的是一個人工智能系統。約翰打開了一個線上書店網站，于是琳瑯滿目的暢銷書立刻呈現在他眼前。但是約翰一直沒有看到自己感興趣的，于是不斷地點擊“下一頁”。為什么會這樣呢？

因為該人工智能系統并沒有儲存關于約翰的背景信息。從專業角度來說，這是一種典型的“冷啟動（ColdStart）”案例，在此類情況中，由于系統未儲存約翰的相關信息，因此也無法生成個性化推薦。然而，當約翰點擊搜索框并輸入“創業”進行搜索，就會彈出一系列與“創業”相關的書目。于是，約翰在這些搜索結果中繼續瀏覽查找。這時，人工智能系統就會了解到“創業”是約翰感興趣的話題，于是之后將能依據該話題推薦相關內容。

人工智能系統雖然無法徹底了解約翰，但是通過依照其他同樣瀏覽或者購買了“創業”類書籍的用戶，人工智能系統也能對他們的個人喜好進行分析。但是，如果根本沒有其他人尋找過創業類書籍呢？在這種情況下，約翰將無法得到相關推薦，因為系統沒有獲取到任何相關數據以供學習。

最后，你和人工智能分別給約翰推薦的書籍可能會有所不同。但是，你們的推薦可能都是對的，也可能都是錯的，或者一個對一個錯。然而，人類的大腦永遠不會抱怨說“數據不足”，并且所有的判斷都是臨時立刻做出的。相比之下，人工智能卻無法做到這一點。因此作為人工智能的“主人”，我們人類也不必杞人憂天，因為人工智能永遠也無法完美復刻復雜的人類大腦。

5.何為人工智能偏見

人工智能偏見，或者說算法偏見，指的是計算機中系統性的、可重復的錯誤，并且該錯誤會帶來不公平的結果，比如表現出性別歧視、種族歧視，或者其他的歧視色彩。雖然從名字上來看，人工智能歧視好像暗示著人工智能的錯，然而歸根結底，錯的還是我們人類自己。

谷歌首席決策科學家CassieKozyrkov曾寫到：

“沒有如何一項技術能完全脫離它的創造者而存在。雖然人類在科幻小說中表達出了各種最美好的愿景，但是真正獨立自主的機器學習或人工智能系統是不存在的。因為我們人類是它的締造者，并且所有的技術都或多或少地反映著創造者的目的和意愿。”

無論用在什么地方，人工智能偏見通常都會產生一定的負面影響。比如，對于計算機視覺、招聘工具等等來說，人工智能偏見都會讓它們有失公正和道德，甚至違反法律。然而更不幸的地方就在于，這并不是人工智能的錯，而是我們人類的錯。因為懷有偏見的是人類，散播刻板印象的是人類，害怕異己的也是人類。

所以，為了開發出更加公正負責的人工智能系統，人類就必須打破個人觀點和信仰的桎梏，從而確保訓練數據庫里的數據更加豐富多樣且公平合理。這聽起來似乎很簡單，實際上一點也不簡單。但是為了達到這一點，人類的努力絕對值得。

來源：Pexels

6.算法 VS. 公正

Joy Boulamwini（以下簡稱喬伊）是麻省理工大學的一名研究員，并牽頭創立了算法公正聯盟（AlgorithmicJustice League）。2017年，喬伊曾于TED發表一篇關于“算法偏見”的演講，演講開始就介紹了以下這個軟件實驗，具體內容如下：

“嗨！攝像頭！我有一張臉，你能看到我的臉嗎？沒戴眼鏡哦？既然你已經看到了，那我的臉長什么樣呢？我再戴個面具，你能看到我的面具嗎？”

最后，攝像頭沒能檢測到喬伊的臉，只看到喬伊的同事和她戴著的白色面具，而非她的臉。實際上，類似結果已經出現不止一次了。當喬伊還在佐治亞理工學院（GeorgiaTech）讀本科的時候，她就在研究社交機器人，并且需要完成一項任務，即“教機器人玩躲貓貓（Peek-a-boo）”。最后，機器人沒能識別出她，因為她“借”了一張室友的臉蒙混過關。后來，類似的劇情又一次上演了。在香港舉行的一次創業競賽中，有一家創業公司推出了一款社交機器人。這個機器人使用了同一款面部識別軟件，最后同樣未能成功識別出喬伊。

為什么會出現這種情況呢？為此，喬伊繼續解釋到：

“電腦視覺利用機器學習技術來進行面部識別。那具體的工作原理是怎樣的呢？首先，需要創建一個關于人臉實例的訓練數據集。這是一張人臉，這也是一張人臉，而這個不是……逐漸地，計算機就會學會如何識別其它人臉。然而，如果訓練數據集所涵蓋的人臉數據不夠豐富，那么只要出現任何一張與既定標準偏差過大的人臉，計算機就難以對其進行識別。也就是出于這個原因，那個機器人才沒能看到我。”

即便如此，那又有什么問題呢？人們可能會問。

要知道，如果算法偏見的影響范圍越來越廣，那么就不再是面部識別那么簡單了。的確，以下舉的這個例子過于極端，但其危險性卻仍不容忽視。如果警察利用這樣的軟件來尋找嫌疑犯，面部識別的偏見就可能會將一小部分人置于不利地位，甚至讓他們蒙受不白之冤。要是機器在進行識別的過程中直接出了錯，那后果更不可想象。

既然談到了機器的公正性，那么就有必要在這里再提一次COMPAS。其實在之前一篇關于“信任AI”的文章中，筆者已經有描述過COMPAS。COMPAS其實是一個預測算法，美國用來它來預測某一罪犯再犯的概率，并依此來量刑。

要知道，這樣一個完全依靠歷史數據的算法，會直接判定黑人罪犯的再犯率更高。

除此之外，亞馬遜也曾推出過一款“臭名昭著”的“AI招聘人員”。結果，這一系統表現出對男性的偏愛，因為大部分的上班族都是男性，所以有這樣一種選擇傾向完全是符合算法邏輯的。

7.部門高管的不重視

目前，人工智能的應用面臨著種種挑戰，其中之一就是部門高管的不重視。他們不重視這些新興技術的價值，因此也不愿意投資，也可能是你想用人工智能來“增強(Augment)”的部門對此根本不感興趣。

的確，這也是人之常情。現今，人工智能仍然被視為一種高風險事物，不僅成本高昂，而且也難以操作和維護。盡管如此，人工智能的熱度仍然有增無減。實際上，人們應用人工智能時要用對方法，在初始階段提出一個人工智能可以解決的商業問題，設計好數據策略，并且記錄好合適的指標和投資回報率。

與此同時，團隊成員這邊也要準備好與人工智能系統“共事”，并且及時確立起成功和失敗的標準。

大家可能已經注意到了，筆者在上文談及人工智能的任務時，用的是“增強(Augment)”這個詞。原因很簡單，人工智能的主要任務是“輔助”人類工作，支持數據驅動決策，而非完全取代人類的工作角色。當然，現在有一些人工智能項目的確是為了盡可能地實現自動化。但是就普遍情況而言，這并不是人工智能的“主業”，因為人工智能主要還是與人類進行合作。

并且研究表明，人類與人工智能的協作能產生更好的結果。在哈佛商業評論（Harvard Business Review）的一篇文章中，作家詹姆斯?威爾遜（H.James Wilson）與保羅?多爾蒂（Paul R. Daugherty）曾這樣寫到：

“在一項涉及1500家公司的研究中，我們發現，人類在與機器協同工作時，企業產生的效益最高。”

然而作為領導，其在人工智能項目中的職責在于幫助員工理解為什么要引進人工智能技術，并且教授他們如何利用模型來完成任務。如果不這樣，即使再神奇的人工智能系統也只會淪為一堆毫無意義的數字組合。

為了進一步闡述其重要性，讓我們來看一個引自CIO首席信息官雜志的例子。有一家叫做Mr.Cooper的公司為了改善客戶服務，于是引進了一個對客戶問題提供解答的推薦系統。然而在該系統已經運行9個月之后，該公司發現員工們并沒有使用這個智能系統。后來又進行了長達6個月的研究，該公司終于發現了其問題所在。最后研究發現，由于訓練數據主要是一些企業內部文件資料，并且這些文件對問題的描述充斥著各種專業術語，而普通用戶在描述問題時多使用日常用語，因而這就使得算法模型無法理解，最后推薦了一些毫不相干的內容。

上文的例子充分展現了員工理解的重要性，他們必須理解為什么以及如何與人工智能一起工作，并且有權質疑系統的有效性，必要時上報相關問題。除此之外，這個例子還告訴我們，可靠的訓練數據是多么的重要啊！

來源：Pexels

8.“英年早逝”

在真正執行人工智能項目時，有的人可能還沒開始就已經結束了。

毫不夸張地說，真的可能會出現這種情況。之所以會這樣，是因為人們還沒準備好數據、預算、團隊、策略等各種必需資源，就急于著手開始項目。如果沒有提前準備好這些要素，一切都將化為不切實際的空想。

也正是因為如此，我們才反復強調策略性方法的重要性。在進行人工智能項目之前，必須確保自己已經準備好各種要素，尋找合適的商業使用案例，構想出恰當的數據策略并建立目標。如果開始時不思考具體策略，之后的步驟將難以進行，并且風險也會大大增加。

在創建人工智能項目，尤其是自己的第一個項目時，應設定一個大的總體目標來指引方向，與此同時也應該要有一些階段性目標。

這樣的話，在證明項目可行性的同時，也能夠有效降低失敗的風險，從而避免在一個完全沒有意義的工具上去浪費公司的金錢。在執行第一個人工智能項目時，不應該立即在整個公司范圍內鋪開使用，反而可以選擇先試驗PoC項目，從而讓整個組織結構提前適應一下這種未來的“新常態”。

隨著時間的推移，整個公司和人工智能系統都會有一定發展：人工智能系統會越來越先進，同時公司團隊也會越來越高效，數據驅動性亦會隨之提高。

在項目過程中，如果人們能逐步完成階段性目標，并且時刻把握住總體目標和大方向，那么互利共贏將是必然結果。總而言之，人工智能只是人類用來達到自己目標的工具，而非目標本身。

如何避免失敗

當然，失敗也不是不可避免的。

既然現在已經有那么多的組織在人工智能上失敗過，我們就可以從他們的錯誤中吸取經驗，從而避免自己的公司再重蹈覆轍。

此外，我們還應該遵循市場規律，切忌局限于眼前的競爭，并且放眼于整個科技世界。只有這樣，我們才能設定符合實際的目標，找到有發展前景的使用案例，并且及時發現自身的局限性。

來源：Pexels

人類的愿景，指導和投入最終成為人工智能項目成功的重要組成部分。既然堅定了人工智能這條路，就請一直堅持到最后，相信終有一天可以實現“屢戰屢勝”的完美大局。