人们对AI从稀薄领域出现到普通商业用途的看法
数据科学改善业务成果的关键
在哈佛商业评论的一篇文章中，欧洲战略创新中心(ECSI)的创始人兼首席执行官亚历山德罗· 迪菲奥尔反驳了这样的假设：“拥有更多数据科学家的公司更有可能产生业务影响。”在他的咨询基础上在工作和研究方面，他得出的结论是，雇用大量数据科学家并不一定能为企业带来更好的结果。
最近在Fincross International的创始人兼副首席执行官亨利·詹姆斯(Henry James)的采访中，我发现了同样的观察结果。他说，他在拥有大量资源投资数据科学的企业中看到的是，他们事实上可以做得更好。一个五人而不是五人的团队。
将AI扩展到具有域专业知识的人员
Di Fiore指出，对于一家公司而言，真正有所作为的是“猎取人工智能工具的民主化以及治理者和员工之间的决策能力，从而制造更多实际价值。”他继续观察，“最佳实践展示民主化如何能够带来更快更好的分散决策，使公司更灵便，更能应对市场变化和机遇。“(要了解一些企业如何使用人工智能，请查看今日AI：谁现在正在使用它，以及如何。)
虽然他并不关怀“民主化”一词，而更喜欢“团队运动”，但Ople的首席运营官托德•海伊同意这种观点。正如他在接受Techopedia采访时所解释的那样，他设想从稀疏和集中的AI转向群众，类似于采纳电子表格，这是一个应该被所有商人使用的实用工具。
“主题和领域专家最有能力评估可能影响业务的预测，”Hay说。但是，通过让数据科学家负责这些预测模型的设置，“他们被排除在流程之外。”这不利于业务。
虽然他承认数据科学家拥有数学和统计学方面的专业知识来推断模型是否表现良好，但他们没有能力确定他们应该向AI解决哪些问题。模型专业知识和利益相关者专业知识之间的差距是“70%-80%的案例模型从未被使用过”这一事实的原因。
了解什么进入决策
还有进一步的分歧是无法理解模型的工作方式。Hay说，在医疗保健，保险或金融等受监管的行业中，他们担心的是，他们必须向审计师解释决策过程，而不是能够做到这一点。
Ople的机器学习和数据科学高级销售营销主管Rick Saletta 在采访中表示他同意并说这就是为什么企业现在正在寻求开辟“透明AI”，也称为可解释的AI。正如我们在人工智能中所看到的那样，在没有明确解释人工智能如何得出结论的情况下，你无法确定它是否是“无偏见的”。他补充说，摆脱业务的不再可接受。通过说“人工智能做到了”公平地运作的责任。
互联网崛起的教训
人工智能面对像黑匣子一样操作的恐怖妨碍了企业获得可能带来的全部好处。据Hay说，这是一种必须改变的心态。他建议人工智能今天就像90年代后期的互联网一样。这意味着，由于人们不太确定如何应用新技术，将会浮现像Pets.com和其他此类失火一样的壮观失败。对新技术的恐怖使人们退缩，他说：“这是新的，可怕的，非常复杂的。”
但对于那些想出来的人来说，也有很好的机会。“我们现在看到的所有东西都是通过互联网打开的，因为人们情愿尝试新事物，”Hay说。AI现在也是如此，人们可以找到“他们甚至不知道自己应该追寻的东西。”他们也不应该怀疑自己的能力，因为许多人“在公司中拥有的技能比他们认为的要多， “特殊是” 主题专家和了解数据的人。“
使技术现在可访问
“我们想看看每家公司现在如何利用人工智能 - 今天，”Hay宣称。为了实现这一目标，有必要让AI在数据科学专家圈外进行访问。“世界上有能力的数据科学家的数量远远低于可以从中受益的公司数量，”他解释说。因此，解决更多业务问题的关键是“没有培训更多人成为Andrew Ng，而是通过向人们提供技术。”
事实上，这是未来的潮流，据Gartner称，预计今年的“自助服务”分析将会增加。人工智能的重大发展，以及“ SaaS(云)分析和BI平台等互补技术，使非专业人士能够比以往更轻松，更具成本效益地进行有效的分析并更好地为决策提供信息，”Carlie J.表示。 Iartine，Gartner的研究主管。
当这一点在企业中实施，并且更多的员工克服了他们不情愿帮助自己实现人工智能的好处时，它可以真正成为组织内的参与性而不是观看性的运动。这种转变可以产生巨大的影响。
通过减少时间和成本来降低风险
“人们非常胆怯用六个月的时间来运行一个假设，”Hay解释说，因为这是时间和金钱的重大投资，最终可能失败。但是，如果人工智能不是为这些具有更长时间范围的主要moonshot项目保留的，而是为了更快地完成更常见的任务，甚至可能每天完成，它们变得“更像电子表格”，这意味着可访问的便宜工具人们不怕尝试，甚至通过几个不同的方法来找到最适合他们需求的那个。
然而，Idoine警告说，这并不意味着企业应该只是期望他们的员工能够了解如何使用并使其适应自己的需求。她坚持认为“需要培训，支持和入职流程来帮助大多数自助服务用户产生故意义的产出。”因此，有必要提供“如何快速启动和运行的正确指导，以及如何申请他们针对特定业务问题的新工具。“而且 - 而不是增加数据科学团队的数量 - 是解决业务问题的关键。