人工智能已经开始为各行各业的组织提供真正的价值。人工智能解决方案变得更容易获得和实现，这一点在未来将体现的更加明显。然而，即使对利用AI和ML解决方案的兴趣很高，许多组织中的实现和部署仍然很低。这在很大程度上是因为企业没有将人工智能项目的一些现实融入到他们的思维中。

让我们来探讨企业需要克服的七个挑战，以成功地利用人工智能解决方案。

商业案例

组织需要了解并确定使用AI和ML解决方案可能解决的明显问题。他们需要考虑如何将AI功能添加到现有和未来的流程、产品和服务中。简单地描绘出一个广阔的愿景之后，他们还需要清楚它在短期或长期的范围中会对企业产生什么影响。

通常，预测和衡量AI的投资回报是困难的，尤其是当结果不明显的时候。但从长远来看，AI带来的内置持续学习将帮助组织以更灵活的方式适应不断变化的业务条件。

技能

组织需要聘请对当前AI技术及其局限性深入了解的专家。此外，有必要向这些AI专家补充主题专家，以便为业务问题提供背景和清晰度。专家还需要全面了解组织的业务目标和技术需求，以帮助实施AI战略。预算有限的组织可能无法聘请AI项目所需的合适人才。企业需要花费大量的时间和精力，才能找到训练有素、拥有正确技能的专业人士，他们可以从头开始构建企业的AI解决方案。

成本

在今天的市场上，AI和ML专家、业务分析师、数据科学家和主题专家很难找到，而且价格昂贵。开发、部署和维护AI解决方案将需要数据工程师、软件工程师、产品与项目经理、ML和AI专家和所需的基础设施。一个典型的AI项目所需要的总费用通常是相当大的，而且一次性的项目尤其昂贵。

工具

根据Gartner的说法，一个正在构建数据科学算法和解决方案的团队平均使用七个工具来构建解决方案。许多人决定结合多种数据处理（spark、hive等）和AI/ML工具（spark ml、pytorch、tensorflow等）来构建自己的AI解决方案。其中许多工具正在快速发展开放源码应用程序，这些应用程序在数据工作流过程中集成不足。这种限制不仅会减慢创新，而且还会造成巨大的安全和流程漏洞。

数据

AI解决方案是由数据构建和驱动的。组织必须有基础数据以及一个稳定的数据源来保持它的正常运行。但是AI也依赖于正确的数据类型。由于信息通常以各种格式（如文本、图像、视频和音频）分布在多个应用程序中，因此企业整合数据仍然具有挑战性。专家们知道AI的成功将取决于质量数据来建立模型，并提供准确的学习和结果。例如，在某些行业，如医疗保健行业，如果缺乏患者数据集，很难预测乳腺癌的结果。组织需要考虑AI需要解决的问题，并要利用大量时间准备数据。

基础设施

数据处理、存储、计算、可扩展性和安全性都是企业部署AI解决方案所必需的关键组件。组织在AI方面的最终成功始终始于其基础架构环境如何适合支持强大的AI应用程序和工作负载。这包括：

• 正确的处理能力和高速存储组合，支持最先进的机器学习和深度学习模型。


• 经过调整和优化以适应底层硬件的正确软件。


• 一个可以管理大多数移动零件和组件的界面。


• 灵活的基础架构，可以部署在云中，也可以部署在内部部署的数据中心，以优化性能。

组织需要更广泛地考虑基础架构，以便在今天和未来成功实现AI。

集成

最终，组织内AI实施的成功将取决于解决方案与现有基础架构和业务功能的集成程度。组织需要足够灵活，以适应所有部门和团队的新业务模型，新团队模型和新工作流程。将AI纳入业务既是人员和流程问题，同时也是技术问题。

结论

只要企业组织能够克服这些挑战，他们就将能够利用人工智能彻底改革业务，改进流程并提高员工的工作效率。关键在于最大限度地减少挑战并最大限度地利用AI的核心功能。组织需要寻找正确的方法来启用AI驱动的解决方案，并不需要重头开始构建所有内容。数据、模型和处理技术等组件的可重用性对于扩展AI的使用至关重要。