很容易误解任何新技术。 人工智能方面显然非常重要。 这与它的潜在影响力创造了一些神话有关。

“人工智能经常被误解。 因为我们需要探索广▂阔的宇宙，所以探索未知可能会让人感到困惑和焦虑，”工程总裁比尔·布罗克 (Bill Brock) 说。

对于试图在企业中构建 AI 应用程序的 IT 领导者来说，这已成为一个特々殊的问题。

“人工智能在企业中越来越普遍，但在应用场景、如何改进或更新过去的系统方面仍然存在◥很多误解，”布洛克说，尽管有必要将“机器人成为”这个词“浪漫化”同学”。 了解不同类型的技术如何增强我们的系统并创造更高效的环境。

事实上，“浪漫科技”才是Sky宣传的主要内容，并非战略CIO通过AI实现的◥底线功效。

众所周知，甜蜜的现实常常助长阻碍实现可行目标的神话。 为此， 和在座的其他专家要求找出当今企业中关于 AI 的常见迷思︼，以帮助 IT 领导者和其他业务专业人员区分事实与虚构。

误区一：人工智能等于机器学习

不，了解两者之间的区√别很重要。 机器学习更像是人工智能的一个子学科。

“我认为在许多交易◢所中这些术语之间没有区别，”研究科学家说，这是有问题的。

例如，如果公╳司领导认为构建分类模型无异于用数据支撑决策过程it技术，就会忽略ξ构建模型结构和意义这一重要步骤。 这将导致公司对 AI 的投资不足，没有足够的人力来深入研究更大的环境，并最终失败。

误区二：人工智能和人工化是一回事

人工智能和人工化也经常被混淆。 它们之间确实存在着重要的联系。

“随着人们对人工智能越来∏越熟悉，他们会明白这是一台可以思考的机器，或者至少可以根据一组预定义的模型和算法做出明智的决定。 “自动化”只是没有人为干预。” 完成工作。 “自动化并不一定意味着人工智能，但一些最具影响力↘的人工智能示例将以戏剧性的方式扩充手册，”布罗克说。 “

误区 3：更多的数据会带来更好的 AI 结果 这些误解非常深远。 虽然人工智能∑成功的唯一真正前提是“数据”。

目前，AI 和 ML 团队的工作几乎完全集中在数据挖掘和清洗上。

“重要的不是数据的数量，而是质量，” 首←席数据官 Rick 说。 “很多标记不当或标记不当的数据不会让你更接近结果。它们实际上可以通过‘准确’来创建。结果会误导建↑模者，因为残差公式与样本量成正比。 “

他说，从早期 AI 失败中吸取的一个常见教训是，我们只是输入大量数据并假设它有效。 在早期阶段，大量的数据可能不会更好。

“质量数据是有效算法不可∞或缺的一部分，”Very 的 Brock 说，并指出无论解决什么问题，不良数据都会导致不良结果。

“最佳实践是使用结构化方法和错误测试来创建☆更好的训练数据集，”建模者说，他实际上可以以更低的成本使用更小的数据』集。

误区 4：AI 从部署的那一刻起就会产生价值

并不是说数据多好。 其实随着时间的推移会越来越有必要，但是数量和质量一定要同步。 一般来说，没有人期望人工智能计划能带来投资回报，但有时，很多人会不停地谈论它⌒，只要打开它，你就能∏听到它的魔力。

“AI 和 ML 引擎需要训练，需要大量数据才能学习。可以播种一些数据，”CTO Javed 说，但大部分数据来自部署领域和 AI/ML 系统的重点学习。 期待系统第三天的建议和意见是不合理的。 我们需要在各种环境中建立流程和分配资源，逐渐学习形成魔力。

误区五：人工智能和机器学习基本上只是“软件开发”

首席执行官 Diego 认为该组织对其他软件开发采用相同的方法，但更接近 AI 和 ML。

“人工智能/机器学习开发只是软件开发的一个神话，”奥本海默说。 事实上，导致大多数 ML 项目失败的一个重要因素是 ML 工作负载的行为与传统软件非常不同，需要不同的工具集。 ，大规模部ζ　署和管理基础设施和流程。

奥本海默【强调了以下问题：

1. 异构性：语言和框架种类繁多且不断减少。 2.可组合性：AI和ML涉及∴多组件协作，每个组件可以由不同的语言和不同的团队构建。 3、开发过程：在传统的软件开发中，输出的是“在受控环境中执行的代码”。 在机器学习中，输出是“一个不断发展的生态系卐统”。 这需要更多的迭代循环。 4. 硬件/基础设施：CPU、TPU、GPU、边缘计算和任何新的选择，每个都有不同的优势和挑战。 5、绩效指标：没有一个标准的指※标适用于每个人甚至很多人。 误区 6：AI 只是另一种需要考虑的“技术”

有时我们使用新旧比较来使令人生畏的事情看起来更容易处理。 虽然重现了往事。

据数据和人工智能⊙首席执行官盖伊说，这可能会导致 IT 团队简单地将人工智能视为另一个技术周期。 不是这些情况。

“人工智①能更像是人类的大脑或身体：你使用它的次数越多，它就会变得越强大、越聪明，”他说。

他还指出，大多数技术都是“脆弱的”。 您ω　使用它们的次数越多，它们看起来就越复杂，它们】就越有可能损坏。

误区 7：人工智能只适用于科技公司

不想。 AI 并不是所有业务问题的答案。

最坏的情况是企业可以选择退出 AI 革命。 如果目前的趋势继续○下去it技术，只会让企业专注而不是引领。

他说，这个神话已经渗透到商业世界，让人觉得人工智能的早期开发者和采用者是︾技术最先进、最先进的公司。

误区 8：AI 取代了对人类智能〗的需求

人工智能的神秘地位部分始于艾未未对人类智慧的追求。 此时，“机器人大师”的叙事开¤始进入高潮。

“这些机器可以像它们获得的数据和它们采取的行动一样智能，”说。 “人工智能和机器学习可以帮助我们识▆别数据海洋中的模式，并在很少或没有人为干预的情况下手动操■作它们。 决策算法和模型仍然必须由人类提供。”

首席数据官麦克法兰表示，人工智能“像人类一样”学习实际上是一种误解ㄨ。

“人类在学习或解决问题方面具有先天优势。 就像，无趣，”麦克法兰说。 “人工智能模型从不以自己的方式无聊或荒谬。他们从几乎无限的可能№性中寻求最佳答案。甚至陷入可能永远不会出现的'兔子洞'。相比之下，人类将厌倦追求无限♂的可能性，重新思考现状，积极追求不同的道路。”