千讯咨询发布的中国人工智能市场发展研究及投资前景报告显示，但人工智能并不是非此即彼的二元化技术：成功的应用程序可以建立在规模较小的、成功的项目平台上，这本身就是试验和错误的结果。与其尽快在整个企业中推出人工智能，不如尝试在较小规模上提供真正好处的举措，这样更有效。
这并没有改变这样一个事实，即成功的人工智能项目将面临多个障碍，但这些问题并不是不能克服的。然而，组织必须了解他们需要克服哪些困难才能开发和交付解决实际业务挑战的项目。
人工智能面临的主要挑战
今年早些时候，O＇Reilly公司向3，000多名商业受访者询问了他们对人工智能和深度学习的准备情况，其中包括采用必要的工具、技术和技能。
特别值得注意的是调查中显示的人工智能技能差距。缺乏人才被认为是成功实施人工智能项目的最大瓶颈，五分之一的受访者这么认为。这在人工智能项目中尤其重要，因为从头开始构建此类应用程序依赖于端到端数据管道（包括数据提取、准备、探索性分析以及模型构建、部署和分析）。
然而，企业所需要的不仅仅是技术人才。他们还要求有商业头脑的人才根据人工智能提供的数据和洞察力做出战略决策。
深度学习仍然是一种相对较新的技术，它尚未成为工业数据科学家使用典型算法集的一部分。那么谁来做这项工作？人工智能行业人才匮乏，人工智能项目的增加意味着人才库可能会变得更小。企业需要认真解决技能差距。这可能包括聘用外部顾问，内部开发和培训必要的技能——例如通过使用在线学习平台。
在调查中，大多数企业（75％）表示他们的公司正在使用某种形式的内部或外部培训计划。几乎一半（49％）的企业表示为员工提供内部在职培训，而三分之一（35％）的企业表示采用来自第三方的培训或来自个人培训顾问或承包商的培训服务。
而在另一方面，人工智能的商业理由要求企业管理层识别用例，并找到每个特定项目的赞助商，确保提供明确的商业案例。
数据的作用
成功项目的另一个关键挑战是确保所使用的数据完全准确并且是最新的。机器学习和人工智能技术可用于全部或部分自动化许多企业工作流程和任务。由于这些技术依赖于从一系列新的外部资源，以及不同内部业务部门持有的现有数据集中提取信息，因此显然必须对这些数据进行适当标记。
此过程的第一步是确定哪些任务应优先考虑自动化。人们所问的问题包括任务是否是数据驱动的？是否有足够的数据来支持任务？以及计划交付的项目是否有业务案例？
企业必须记住，虽然采用人工智能和机器学习技术可以更加轻松地工作，但是为了最大限度地利用它们，需要将它们调整到特定的领域和用例，可能涉及诸如计算机视觉（图像搜索和对象检测）或文本挖掘之类的技术。经常调整这些技术对于提供准确的洞察力是必不可少的，这需要精确地标记大型数据集。
首席数据官（CDO）是解决数据挑战的关键。首席数据官（CDO）负责考虑获取数据、数据治理以及为有用目的转换数据的端到端流程。技术熟练的首席数据官（CDO）可以帮助确保人工智能计划提供全部功能。
引入深度学习
回到调查研究，四分之三的受访者（73％）表示他们已经开始使用深度学习软件。TensorFlow是受访者最受欢迎的工具，其中Keras位居第二，PyTorch排名第三。其他框架如MXNet、CNTK和BigDL也有越来越多的受众。人们希望所有这些框架，其中包括那些现在不太受欢迎的框架将会继续添加用户和用例。
最终，每个企业都能够成功实施人工智能，凭借决心和适当的培训投资水平，人工智能将会蓬勃发展。但是，从一开始就制定明确的目标对于企业非常重要。在此过程中，需要确保团队拥有适当水平的专业知识和技能，以使企业在应用人工智能方面迈出成功的第一步。
相关研究报告
人工智能项目可行性研究报告
中国人工智能行业发展趋势分析预测报
中国人工智能行业发展研究报告