[[392106]]

盡管人工智能已經無處不在，但由于知識和意識方面的差距，人工智能在商業上的應用仍然受到阻礙。

在冠狀病毒疫情蔓延期間，很多企業繼續使用人工智能來解決緊急的業務事項。憑借其對內部財務優化與外部客戶體驗的價值擴展影響，在發生疫情之后，人工智能解決方案的重要性變得顯而易見。

研究表明，70%以上的企業如今將人工智能視為游戲規則的改變者。然而，目前使用人工智能或計劃很快使用人工智能的企業不到40%。人們對人工智能重要性的認識差距仍然很大，以下是五個關于人工智能的常見誤區或誤解：

誤區1：人工智能完全與數據和算法有關

直到上世紀90年代人工智能技術得到廣泛宣傳時，人工智能是一門幾乎只處理數據和算法的科學學科。然而，在過去的幾十年里，這個領域日趨成熟，人工智能已經成為企業自動化決策系統的一個組成部分，而這些正是個人和組織工作的核心功能。因此，人工智能研究、開發和實現的很大一部分都包含了人員和流程。調研機構和一家大型能源供應商進行了業務對話，討論了自動化系統和數據驅動方法，這些系統和方法由客戶數據和智能電表驅動，可以增強客戶的體驗。在討論中，他們突然問：“這一切看起來都很有希望，但我們不應該對人工智能做些什么嗎?”雖然他們提出的內容是由人工智能實現所固有的，但是這個術語本身并沒有被使用，因此對于正在進行探討的這家公司管理層代表來說，對于人工智能并不完全清楚，這說明人工智能對于他們只是一個時髦的術語。

誤區2：有很多數據，因此其中必須包含一些有價值的東西

例如，如果你在家做飯，又沒有時間去購物，只能在冰箱中找到一些食材，這種方案只是偶爾有效。但開一家餐廳卻不能使用這種方法。人工智能項目可能就是如此。真正的問題是：“想實現什么?”從數據選擇到項目的實現，任何一個人工智能項目都應該從業務面臨的挑戰開始，而不是從數據開始。

誤區3：已經聘請頂級的數據科學家，因此人工智能將會推動業務發展

如果你雇傭了一位頂級廚師只是為了切胡蘿卜或削土豆皮，那么他很難留下來繼續工作?對于數據科學家來說也是如此。人工智能不僅僅是復雜的算法和數據分析，還涉及必要的支持工作，如協調、清理和準備必要的數據集。為此，企業首先應該雇傭數據工程師而不是數據科學家。同樣重要的是，人工智能還涉及各種非技術的能力。因此，一個成熟的人工智能團隊不僅由數據科學家和工程師組成，還包括具有心理學、社會學、商業、法律和倫理學背景的專業人員，當然還有最終用戶。

誤解4：人工智能是一個黑盒，所以永遠無法理解和信任它在做什么

仍然有很多人工智能系統正在被創建，其決策背后的內部機制對于外部人員來說是不可知的。

然而更重要的是，企業有足夠的機會可以避免這種情況。在這個領域中，人們稱之為“可解釋的人工智能”：人工智能實現不僅展示他們的決策，而且還可以使人們全面了解做出這一決策的原因。例如，醫學人工智能算法可能會幫助醫生進行診斷(例如檢測腫瘤)，因為與任何醫生相比，它在掃描成千上萬條患者記錄時效率更高。但是，醫生應該始終能夠理解該算法為何將醫學圖像上的特定特征識別為腫瘤。這樣，醫生可以根據自己的背景和醫療經驗進行最終驗證，并確認或拒絕人工智能的診斷。

誤解5：由于隱私法規的原因，人工智能被禁用

許多人聲稱隱私法規(例如歐洲的通用數據保護法規)阻止了使用人工智能的可能性。事實上，情況正好相反。

法規提供了一個框架，該框架描述了如何收集、管理和交換數據。因此，他們確保遵守尊重各種觀點和利益相關者的意見，而不是禁止采用人工智能。

由于這些舉措，以及諸如國家和國際層面存在的眾多道德委員會之類的其他舉措，人們對各種法規在人工智能背景下的作用持相當樂觀的態度。以汽車行業為例。自從汽車誕生以來，人身傷亡事故一直不斷。但是，汽車并沒有被禁止使用。與其相反，通過不斷進行練習和改進，可以獲得汽車帶給我們的好處。人們需要在采用創新技術與其對自然和社會的負面影響之間找到合適的平衡。對人們來說，這也是在人工智能永無止境的發展中努力爭取更好效果的一種理想情況。因為人們最不希望的一件事就是通過法規禁止使用人工智能。