开始在整个组织范围内转向 AI 解决方案时要记住的要点

数据挖掘 机器学习 深度学习 神经网络 分类 回归
2022-03-03 22:18:37

在我们的组织中,我们目前正处于建立团队、自动化和实施基于人工智能的解决方案的技能的阶段。所以,我们在这个人工智能之旅中还处于早期阶段。

目前,我们也在努力确定我们在业务中面临的一些问题。例如,当我们获得了 8 个客户群,但其中只有 2 个带来了很多收入。休息他们都表现不佳。我们想通过数据分析/识别导致此问题的因素找出原因。

虽然这一切似乎都是可行的,但我想就我们如何让业务用户/领导者清楚 AI 能做什么和不能做什么,寻求您的建议。因为,我觉得业务团队很可能会被围绕 AI/ML 等的炒作所冲昏头脑。所以,作为一个数据人,我认为我有责任澄清使用 AI 可以做什么和不能做什么。为什么我们不能 100% 依赖 AI 结果。为什么在信任 AI 输出时总是要谨慎

任何书籍、论文、案例研究或文章等在着手开展组织范围的人工智能计划时都需要考虑这些信息/要点可以帮助我

一篇这样的文章在这里

1个回答

我可以提出的一些重要观点是:

  1. AI/ML 从给定的内容中学习(稳定)模式。但是,如果被迫,他们甚至会在噪声中找到(不相关的)模式

  2. 无法学习他们没有看到的东西。因此,泛化实际上仅适用于已经看到的变化(底层架构允许)。

  3. 在需要公平的情况下,AI/ML可能存在歧视和不公平这可能由于各种原因而发生)。

  4. 并不总是可解释的,因此人们无法知道为什么会得到这个或那个结果。更重要的是,如果之前的任何问题发生,人们无法验证(至少以直接的方式,在事实发生之前)。

参考:

  1. 过拟合
  2. 泛化错误
  3. 概念漂移
  4. 人工智能的道德、透明度和问责制
  5. 可解释的深度学习:外行指南