当专家确认您的怀疑时，总是令人满意。研究公司Gartner在去年夏天对我们的早间咖啡进行了批判性分析，认为人工智能 (AI) 已经达到了 “过高预期的峰值”。坦率地说，我认为很多技术供应商都在为他们的能力吹毛求疵。
如果您对Elon Musk的期望-令人担忧的AI，请将其拨回商业软件的级别。它实际上比听起来更平凡。人工智能已经改变了我们使用数据来理解我们的世界的方式。这也已成为企业时尚。对于每个AlphaGo Zero，都有一千家公司-初创公司和老牌公司-在其商品上贴上AI标签，例如在20世纪80年代汽车上的细条纹。
我毫不怀疑，在过去的几年里，人工智能取得了显著而快速的进展。我不信任的是炒作的加剧，这与20世纪90年代末和21世纪00年代初的科技泡沫相呼应。风险: 购买过度旺盛的承诺，而不是投资回报率 (ROI) 已证明的产品。炒作掩盖了我们的判断，有时是故意的。
如果你分享我的怀疑，但同样感觉到一个重要的机会，并希望避免过度谨慎，这里有六个问题可以帮助你调整你的BS探测器。
1.我想解决什么业务问题？
这是最重要的问题，它与人工智能无关。诚然，一些公司会在实验中找到价值，但开放式项目应格外谨慎。最好清楚地定义您要解决的业务问题。
您应该根据三个标准评估任何商业投资: 它会增加收入、降低成本或降低风险吗？将新技术锚定在这些基本面中的至少一个将确立其价值。之后，分配所有权和问责制是使技术计划步入正轨的最佳方法。
2.为什么我需要AI来解决这个问题？
也许你不知道。真正的人工智能获取并应用知识和技能。这对于存在可变性和新颖性的情况是有好处的，但是很难建立并且因此获得了溢价。考虑一下自动驾驶汽车在繁忙的城市街道上的复杂性。您的业务问题是否涉及持续的不可预测性？
在一项任务上逐渐变得更好的机器听起来很有说服力，但是您需要专注于所交付的结果，而不是用于实现这些结果的技术。你会获得让人工智能成本值得的改进余地吗？找出一个测试来评估保证金的大小。在纸上运行它，然后在概念验证项目中再次运行。确保人工智能赚取溢价。
3.我有足够的数据来使用AI吗？
最好的人工智能解决方案在特定任务上胜过人们，例如在扫描中识别癌细胞或在投资银行中寻找错误的交易者。但是教一台机器理解混乱和不一致的数据需要广泛的培训。人工智能使用模型来理解世界并进行概括。找到足够的例子来建立一个好的模型可能很困难。
医疗保健系统或银行可以利用大量的历史数据。你能吗？即使可以，也要通过拖网查找相关示例，这可能既耗时又昂贵。为了克服这一障碍，一些公司已经开始开发AI模型训练软件，使该过程更快，更便宜。即便如此，只要数据稀缺，这也是一项艰巨的任务。
4.我应该建造还是购买AIsolution？
如果你试图将人工智能嵌入到你自己的产品或服务中，内部功能可能是有意义的。尽管如此，不要低估所涉及的资源和专业知识。精心挑选的合作伙伴可能会提供一条更快的荣耀之路。
如果您要解决已知的业务问题，那么与经验丰富的供应商合作可能会更好。不要被技术蒙蔽; 你购买的任何东西都需要定制或适应你的环境和要求。专注于您的供应商对您的业务领域的理解以及顾问需要利用的数据类型。
5.供应商对我的域名了解程度如何？
一些供应商声称AI使域体验无关紧要。不要相信。与不需要从头开始学习业务的顾问一起工作，这很麻烦，压力也较小。
检查任何潜在供应商的相关经验和伙伴关系。供应商的领导者能否给出为其他人解决的可比问题的生产示例？如果您的问题确实是独一无二的，请寻找专家，他们会带来并行挑战的经验-也许是在具有类似数据种类的不同行业中。
6.有没有经过验证的投资回报率？
在Gartner的报告中，“膨胀的预期高峰” 之后是类似的异想天开的 “幻灭低谷”。随着技术买家超越承诺并开始要求可靠的结果，人工智能将失去光彩。
在我看来，这只是明智的商业惯例。那为什么要有耐心？要求今天查看ROI指标。你聪明的钱是在解决方案上，这些解决方案不涉及买方或供应商的扩展学习曲线。
虽然我显然有点愤世嫉俗，但我亲眼目睹了真正的人工智能可以带来的不同。机器可以承担对人们来说重要但艰巨的任务，并且做得更好。它不仅可以节省时间或提高性能。它为组织变革的转变打开了空间，从而获得了更大的回报。这是人工智能的真正承诺，但意识到它需要的不仅仅是聪明的软件。
Amara定律指出: “我们倾向于在短期内高估技术的效果，而在长期内低估技术的效果。”这是合理的建议。领导者面临着双重挑战，即决定对人工智能的投资是否可以在不久的将来创造价值，同时弄清楚如何使他们的组织适应人工智能无处不在的世界。
培养积极的体验并进行投资以提供健康的投资回报率，将有助于揭示风险所在，并为未来更深层次的变革奠定基础。关注商业基础而不是炒作将使组织能够在今天做出明智的选择，并为未来建立他们对人工智能的体验。