成功的 AI 采用需要 3 个组件 —— 大多数公司只有 2 个

在这一点上，AI 不再是新技术。其在数据分析、模式识别和知识综合方面的成熟效率可以使团队更加高效。但尽管 AI 的不可否认的价值，新的研究表明，只有 13% 的企业 以广泛的方式采用了它。大多数企业正在谨慎行事，只将 AI 用于最低风险的任务。是什么阻止了品牌全力以赴并获得其益处？AI 愿望和成就之间的差距归结为结构上的缺陷。

缺失的链接。

成功、广泛的 AI 采用 需要三个组件：基础设施、应用程序和数据。基础设施层包括 AI 模型，其框架直接影响使用和潜在输出。
应用程序层是软件解决方案所在的位置。这是 AI 的大部分价值被产生的地方；这是用户与 AI 交互（可能是间接的）并查看其输出的地方；这是 AI 通知决策的中心。
在这些层之间是数据层，这是大多数企业遇到困难的组件——无论他们是否意识到这一点。这个层当然包含所有数据；数据适合底层 AI 模型并指导正在构建的应用程序。数据层的质量直接告知应用程序层的输出。高质量、丰富的数据可以支持强大的用例，而可疑或不充分的数据则不能。
直到组织能够构建 —— 或与构建所有三个 AI 采用层的企业合作 —— 他们不会获得最大价值。

失衡的影响。

AI 的输出将始终取决于其输入的数据。如果一个组织希望其 AI 能够预测合成分子的结构，它需要输入大量的物理数据。如果零售商希望使用 AI 预测用户的行为并改善数字体验，他们需要输入行为数据。
如果企业（或其合作伙伴）无法充分支持其 AI 工具以获得足够的数据，影响将会很大。首先，有 AI 解决方案本身。在最好的情况下，它将在技术上运行，但不是所期望的程度。输出可能很弱，缺乏光彩，或者根本没有任何见解。超出这个“最佳”结果的是一个更可能的结果：AI 的幻觉、错误输出和负面的投资回报率。不仅投资将被浪费，而且组织可能需要花费更多的钱来进行损害控制。
将视野从直接的影响拉开，我们可以看到数据匮乏的 AI 解决方案的更广泛的影响。一般来说，企业采用 AI 是为了做 更多 的事情：获得更多的见解、服务更多的客户、更高效地运营。如果组织将时间和资源投入到一个平淡的 AI 工具中，他们实际上阻碍了自己的增长，限制了他们适应市场和超越竞争对手的能力。这将使他们处于劣势，并将不得不努力弥补失去的时间、资源和 —— 可能 —— 客户。
但希望并没有失去；组织可以采取很多措施来摆脱困境，纠正（或预防）AI 失衡，并向前迈进。

用正确的数据填补空白。

冒着过于简化的风险，领导者可以做的最好的事情是避免 AI 失衡是在继续任何 AI 驱动的解决方案之前进行他们的尽职调查。在部署新工具之前，花时间了解数据的来源和生成方式。
如果您的解决方案提供商或首席工程师无法直接回答有关底层数据的来源、质量或数量的问题，那应该会引起警惕。从渠道合作伙伴和集成商那里获得第二或第三个意见；通过 Reddit 和 Discord 等用户讨论网络来获取集体智慧；看看其他采用者在哪里遇到了障碍或瓶颈。知道在做出任何决定之前要注意什么红旗，可以帮助领导者避免一系列的头痛和失望。
当然，这种预见并不是总是可能的，也不会帮助处于 AI 数据短缺困境中的组织。如果放弃现有的解决方案不是一个选项，下一个最佳选择是找到一种方法将更多的数据注入工具中，以便它有更多的上下文、模式和见解来利用。
合成数据 是一个选择，但它不是万能的。合成数据的确切来源可能很难确定，因此它并不总是最好的前进道路。话虽如此，合成数据有其用途。例如，它在训练 AI 安全模型方面表现出色，尤其是在对抗性方式下。如往常一样，在冲动行事之前进行研究将帮助领导者为他们的业务做出最好的决定。
对于零售或快速服务餐厅（QSR）等行业，人类数据是首选的。这些行业的企业可能正在使用 AI 来帮助优化客户体验，因此他们的工具应该在人类行为数据的基础上进行训练。例如，如果您希望预测用户在页面上滚动的距离，您希望 AI 基于在类似条件下的人类行为来进行预测。
在某些情况下，获得大量的人类数据并不是关于获取 新 数据，而是激活 现有 数据。网站和应用程序的访问者已经存在 —— 只要捕获、结构化和分析他们的行为数据，以便 AI 工具可以使用它。
归根结底，拥有 不足 的数据比拥有 坏 数据要好；组织可以做任何事情来清理他们的解决方案，以推动更好的结果。

从哪里开始。

AI 数据匮乏可能会为任何规模的组织带来重大挑战，仅仅思考下一步可能会让人感到不知所措。但是，仅仅认识到这个问题就是一项成就。从那里开始，找到可以一步一步地处理的可管理的、渐进的步骤。
AI 具有巨大的潜力 —— 但仅适用于那些愿意投资于其每个关键组件的人：基础设施、应用程序和数据。没有这些层，即使是最优雅的 AI 解决方案也会失败。现在填补数据空白的组织不仅不会落后；他们将会引领潮流。