AI专家揭示：八成人工智能项目失败根源在于方法论错配与数据缺陷

人工智能专家指出，高达80%的人工智能项目以失败告终，其根本原因在于企业错误地将AI项目等同于传统软件开发项目进行管理。

核心症结：方法论错配 专家沃尔奇（Walch）强调，首要原因是“AI项目与传统软件开发项目不同，若试图以相同方式运行AI项目，将很快发现此路不通”。AI应用并非基于代码运行，而是基于数据。此外，并非所有AI项目都相同，聊天机器人、预测性维护系统和自动驾驶车辆各自需要不同的方法。

为应对此问题，业界于2017年提出了“七种AI模式”框架。该模型将潜在应用从对话与人机交互，到识别、预测分析、超个性化，直至自主系统和异常检测进行分类。

失败常见原因

1. 投资回报率不足：项目的投资回报无法证明其合理性。关键在于解决真实的商业问题，并确保回报值得投资。
2. 数据质量缺陷：“数据是AI的心脏”，这意味着需要高质量和足够数量的数据。然而，企业80%的数据是非结构化的，必须确保其良好、清洁且可用。

现实案例警示

• 沃尔玛（Walmart）：曾部署自主机器人进行库存盘点，但因成本高昂且未能解决实际问题，最终终止了该项目。自主模式是最难实现的，因其目标是将人类排除在流程之外，需要近乎完美的运作。
• 来德爱（Rite Aid）：使用人脸识别技术通过安全摄像头识别商店窃贼，但因系统不准确，导致该公司被禁止使用人脸识别技术五年。
• ImageNet在线图像库：有5%的图像标签错误，在涉及数百万张图像时可能引发重大问题。
• 加拿大航空（Air Canada）：其聊天机器人因提供关于丧亲事件的错误信息而被诉至法庭，凸显了模型需要持续重新训练的必要性。

关键建议与历史视角 专家警告勿陷入“概念验证陷阱”，因其通常无法证明任何事。应始终从试点项目开始，在真实环境中由非系统构建者进行测试。

AI项目是持续性的，“不能设置后就置之不理”。数据不断变化，意味着模型需要重新训练。AI自1956年即已存在，业界已经历过两次因投资减少和技术热度下降导致的“AI寒冬”。关键问题在于：为何使用AI？是否承诺过多？是否试图同时解决太多问题？

沃尔奇介绍了2018年合作开发的CPMAI方法论，用于运行和管理AI项目。这是一种迭代方法，引导用户贯穿整个AI生命周期。