采用人工智能应用的18个障碍——独家调查和高管访谈(上)

在最近由了不起的Rosemary Brisco主持的GAI Insights学习实验室中，讨论的主题是公司在企业中部署Generative AI时面临的障碍。

关键结论：根据最近的两项调查，大多数公司还没有准备好采用人工智能。

虽然人工智能可以增强运营，但仍有一些障碍会阻碍进展。其中一些障碍是有道理的，而另一些则完全令人震惊。让我们解压数据。

我将直接介绍我对这两项调查的理解，以及我在与客户和高管交谈时观察到的其他障碍。如果你想了解更多关于人工智能的相关内容，可以阅读以下这些文章：
2024年每个开发人员都需要掌握的生成式人工智能技能
Google的Gemini AI模型：揭开人工智能的未来
世界上最好的人工智能模型：谷歌DeepMind的Gemini已经超过了GPT-4！
我尝试了50种人工智能工具，以下是我的最爱

如果你愿意，你可以直接跳到底部调查的技术方面。

障碍1：获得老板的认可

许多公司都在尝试启动人工智能项目，而首席执行官和董事会却像无头苍蝇一样四处奔波。每天，新闻都充斥着人工智能的故事，而首席执行官和董事会有时却一无所知。

在对首席执行官的调查中，排名第一的抱怨是:“选择太多了，一切都很混乱，我们不知道从哪里开始。”

除非得到老板的普遍认可，否则人工智能项目肯定会遇到最轻微的障碍(相信我，会有障碍!)

解决方案:组建一个简单的零风险、低成本的人工智能试点，让boss试一试。

路障2：沸腾的海洋

尽管人工智能如何解决世界饥饿的光辉故事层出不穷，但一些公司却试图真正让海洋沸腾。

他们不是从“爬行、行走、奔跑、飞行”规则的简单目标开始，而是试图启动远远超出当前人工智能能力的疯狂工作流程。

感觉就像人们对自己必须做的工作感到愤怒，然后突然醒来说:“我希望人工智能能做到这一点，这样我就可以在下午4点回家了。”

解决方案：从一个简单的AI项目开始，这个项目有一个明确定义的问题和期望的结果。它不一定是火箭科学。记住:这是一个漫长旅程的开始。

障碍3：获得所有团队的支持

这一点很棘手。每家公司都有自己的人工智能支持者和反对者。

从来没有一种技术能像这样唤起双方极其强烈的情感。

有些人认为人工智能将解决世界上所有的问题。

有些人认为这将是世界末日。

你的公司也不例外。

安全部门的Bob或会计部门的Joanne正等着扼杀你的人工智能项目。他们两人都拿着不久前读到的《纽约时报》的那篇文章。

解决方案：保持项目几乎零风险。从低风险公共数据和低风险用例开始。不要以“我们将裁员30%”为由来激怒或宣传AI项目。

障碍4：准备好数据

人工智能反对者的一个常见反驳是:“我们的数据会进入OpenAI，成为他们下一个人工智能模型的一部分吗?”

虽然现在很清楚，使用OpenAI API意味着它不会对你的数据进行训练，但愚蠢的对手仍然会提出这一点并传播FUD(恐惧，不确定性，怀疑!)

再多的说服力也无法让他们平静下来。那么你会怎么做呢？

你可以从公开可用的数据开始，比如你的网站、帮助台、低风险的pdf文件和Youtube视频。告诉对手“伙计，谷歌已经有这些数据了”要比试图说服他们使用RAG管道和机器学习算法容易得多。

这些数据对公众开放，对访问和使用没有限制。示例包括公共政府记录、已发表的研究论文和公开可用的数据集。

如果你喜欢冒险，你可以升级到使用内部数据。这是用于组织内部的数据，但不是敏感或机密数据。这可能包括内部通讯、政策手册或培训材料。虽然不向公众公开，但这些数据通常不需要严格的安全措施。

解决方案：简单地从公开可用的数据或非敏感的内部数据开始。

障碍5：我们的数据不干净

我经常听到的一个常见误解是：“我们的数据不干净，我不确定你需要什么格式的数据。”我是否需要创建结构化的JSON和XML文件才能让AI理解?”

几年前，这曾经是一个非常合理的担忧。人工智能将使用清晰标记的结构化数据进行训练，第一步是“等一下，让我们准备好数据”。

然而，像GPT-4这样的LLMs最大的不为人知的超能力之一是，它们非常擅长理解非结构化数据。

请注意：我说的是“非常好”——并不完美。令人惊叹的是GPT-4能够很好地理解在提示中传递的非结构化数据(例如，RAG)。

解决方案:不要担心数据清洁度，直到它在测试中被证明是一个问题。

障碍6：我们没有为此做预算

现在，这是一个合理的担忧，因为这个人工智能不知从哪里冒出来的。事实上，我在2023年经常听到的一句话是：

“我们在2022年制定了预算，没想到人工智能会出现。”

好吧，这是有道理的，尽管人工智能对很多公司来说是一场生存危机。上周，我听到一位客户说:“我们必须适应这种情况，尽管预算有限，否则我们将不复存在。”

现在并非所有的公司都有可支配的预算——那么你该怎么做呢？

首先从低成本的计划开始。

从ChatGPT For Teams(每个用户每月30美元)等便宜的入门产品或低成本的无代码系统开始，这些系统可以让你轻松创建AI试点，而无需使用开发人员。

通过避免昂贵的开发项目(是的，机器学习工程师确实花费很多!)，你可以用一些简单的用例和工作流程来试验人工智能，而无需花费太多。

我在这里说的不是数万美元。你可以花费不到1000美元创建一个AI试点(使用DIY无代码系统)。

解决方案：从成本低于1000美元的无代码系统开始。

障碍7：我们没有时间

还记得人工智能项目需要6个月的时间来开发和运行吗？

公司会组建人工智能开发团队，然后为未来6个月制定产品路线图——把一个简单的人工智能试点当作一个大型项目来对待。

不幸的是，一些公司仍然持有这种心态。他们认为一个人工智能项目应该花6个月的时间来构建和测试，然后他们就进入了“冻结”状态。

新闻快讯：有了新的无代码和低代码系统，你可以在几天内（如果不是几个小时的话）让你的AI试点运行起来。

事实上，人力资源部的Mary可能会在几天内让你的人工智能试点运行起来。

最坏的情况：在Fiverr或Upwork上雇佣一个Python开发人员，让他用OpenAI API为你构建一个简单的包装器工作流。

Ninja提示：你无需聘请一个20万美元的机器学习工程师来创建提示。英语是新的编码语言，最好的提示工程师现在可以在Fiverr和Upwork上找到。

免责声明：你对“快”的定义会因公司而异。对一些公司来说，6个月是“很快”的。对于规模较小的公司来说，6天是“很快”的。对于创业公司来说，6个小时是“很快”。找到你自己对“快”的定义。

解决方案：使用低代码或无代码系统，或者雇佣自由开发人员来构建快速、低风险的工作流程。

障碍8：AI太可怕了

每天，《纽约时报》或其他主流媒体都会发布一些关于人工智能的可怕新闻。

起初，是关于幻觉的。然后是道德。现在说关于错误信息。这样的例子不胜枚举。

鉴于这种巨大的不确定性，一些公司陷入了“车灯下的鹿”模式，采取了“让我们拭目以待”的态度。

虽然这种谨慎的方法可能适用于某些企业(尤其是那些拥有巨大护城河的企业!)，但大多数拥有真正竞争对手的企业都没有这种奢侈。

问问你自己：我的竞争对手怎么能用人工智能彻底摧毁我的公司？

不要误会：我并不是说你不应该做风险评估，看看哪些人工智能风险适用于你。这是我完全没有说的。

相反，采取一种理性的方法，看看哪些风险真正适用于你。这和你投保的其他风险没有什么不同。

解决方案：进行常识性理性风险评估，看看哪些AI风险实际上适用于你。就像你在生意中考虑的任何正常风险一样对待它。

障碍9：哪个团队应该拥有它？

由于AI几乎适用于每个团队和每个部门，所以围绕哪个团队应该领导AI试点的大问题就出现了。

对于一些公司来说，每个人都想成为英雄。还有一些公司，没有团队愿意冒这个险。

第一个用例应该是什么？哪个团队应该拥有它？

解决方案：从简单的用例开始。让最大的支持者和拥护者领导人工智能试点——无论他们来自哪个部门。

为什么会这样？你需要早期的采用者和拥护者，他们会冲破重重阻碍，让事情发生。

这几乎让人想起“Lewis and Clark”的比喻：如果你需要翻越一座山，就找一匹马。如果你需要过河，就造一艘船。

你需要这样的人。

（下半部分明天更新~）

原文作者：Alden Do Rosario
翻译作者：文杰
美工编辑：过儿
校对审稿：Jason
原文链接：https://pub.towardsai.net/18-roadblocks-and-solutions-to-ai-adoption-in-companies-d8306591a44b