對于嘗試采用AI的公司來說，這令人失望。他們找出要解決的問題，開始收集所需的數(shù)據(jù)，甚至可能找出可靠的數(shù)據(jù)母帶計劃。然后，即使他們進(jìn)行了成功的概念驗證并證明了AI的使用將如何改善業(yè)務(wù)，事情仍會停滯不前，而挫敗感也會增加。

不足為奇的是，缺少正確的數(shù)據(jù)和缺乏可用的技能是問題的重中之重。但是，即使解決了這些問題，項目通常仍無法實現(xiàn)。那么，什么可以使AI努力更有可能獲得回報呢？

缺失的環(huán)節(jié)：人機界面

解決方案經(jīng)常被忽略。AI是人工智能，而ML是機器學(xué)習(xí)。并且這兩個都需要由最了解數(shù)據(jù)的實際人教如何正確發(fā)揮作用。在建立和維護有用模型的整個過程中，重要的是要確保您與主題專家緊密合作，這些專家直接受到結(jié)果的質(zhì)量和準(zhǔn)確性的影響，并且可以提供最有用的反饋。公司通常會錯誤地認(rèn)為，對概率數(shù)學(xué)非常了解的博士學(xué)位可以入手并弄清楚一切。不幸的是，這幾乎總是失敗的秘訣。他們了解如何從結(jié)構(gòu)上處理數(shù)據(jù)，但與他們產(chǎn)生的輸出的含義以及如何收集數(shù)據(jù)的業(yè)務(wù)環(huán)境無關(guān)。

例如，采用全自動數(shù)據(jù)清理模型，其中的機器在未經(jīng)專家批準(zhǔn)的情況下處理數(shù)據(jù)，可能會導(dǎo)致令人失望的結(jié)果。同樣，要求數(shù)據(jù)用戶花費很長的時間來訓(xùn)練機器學(xué)習(xí)模型或向他們詢問有關(guān)數(shù)據(jù)的重復(fù)性問題，將使那些能提供最大幫助的人不愿輸入必要的信息。問題是：我們?nèi)绾尾拍軓奈覀冐S富的技能（關(guān)于數(shù)據(jù)的知識）中獲得最大的利用，以便我們的機器學(xué)習(xí)正確的課程？

當(dāng)涉及到ML和AI時，主動學(xué)習(xí)是正確的模型，它可以以最少的精力智能地從用戶那里征求最有影響力的反饋。為了實現(xiàn)主動學(xué)習(xí)，需要在整個工作流程中提供直觀的人機界面。當(dāng)機器需要指導(dǎo)，批準(zhǔn)或驗證時，必須由人類參與。在用戶，專家和機器學(xué)習(xí)之間充分發(fā)揮協(xié)同作用至關(guān)重要-連續(xù)但低接觸的反饋循環(huán)。

從消費者世界中獲取啟示

好消息是，對于企業(yè)用戶而言，使ML算法變得更好并不一定是一項艱巨或耗時的任務(wù)?？紤]一下AI模型如何在消費者世界中變得更加智能。考慮餐廳空間中的OpenTable或Google Reviews示例。要求用餐者根據(jù)他們的現(xiàn)場經(jīng)歷提供策劃反饋。這家餐廳是否提供送餐服務(wù)？食物好嗎？然后，模型使用數(shù)據(jù)為每個人提供建議。消費者可能不認(rèn)為自己是專家，而是因為他們擁有最新的第一手知識和經(jīng)驗。