现场调查摩根大通，上海对摩根大通调查

来源:DeepTech深度科技

经过几十年的研发，人工智能和机器学习现在正在进入企业的各个方面，涵盖了从聊天机器人到拖拉机，从金融市场到医学研究等多个领域。然而，当将技术的小规模应用扩展到覆盖整个公司的大规模应用时，许多公司都遇到了挑战。几个主要原因包括缺乏合适的数据、人才短缺、价值主张不清晰、对风险和责任的担忧。

以下内容来自摩根大通委托并共同制作的《麻省理工科技评论洞察报告》，该报告基于对300名高管的问卷调查和对7名来自金融、医疗保健、学术界和技术领域的专家的采访，列出了人工智能和机器学习部署的驱动力和障碍。

报告的主要结论如下:

企业相信人工智能和机器学习，但很难扩展到整个组织。绝大多数(93%)的受访者表示，有几个实验性或正在使用的人工智能和机器学习项目，大公司部署了更多。

大多数受访者(82%)表示，未来18个月将增加对机器学习的投资，人工智能和机器学习将与应收目标紧密挂钩。然而，如何扩展是一个重大挑战，例如雇用技术人员，找到合适的用例并显示价值。

(来源:见水印)成功部署需要人才和技能策略，挑战远不止吸引核心数据科学家。该公司需要混合人才来指导人工智能和机器学习的设计、测试和治理，并需要制定员工战略，以确保所有用户在技术发展中发挥作用。

为了建立竞争力，公司应该为员工提供明确的机会、晋升和影响力，让他们与众不同。对于更多的员工来说，提高技能和参与度是支持人工智能和机器学习创新的关键。

卓越中心(CoE)为技术的广泛部署提供了基础，并平衡了技术共享和定制解决方案之间的关系。拥有成熟能力的公司，通常是较大的公司，倾向于在内部开发系统。

CoE提供了一个中心辐射模型，通过跨部门的核心机器学习咨询来开发可广泛部署的解决方案和定制工具。因此，应该鼓励机器学习团队跟上数据科学的快速发展。

人工智能和机器学习治理需要稳健的模型操作，包括数据透明度和来源、监管远见和负责任的人工智能。同时使用多个自动化系统会给先进的数据科学工具带来更大的风险，如网络安全问题、非法歧视和宏观波动。目前，相关监管机构和民间团体正在仔细审查影响公民和政府的人工智能，特别是关注将产生系统性影响的部门。

总的来说，公司需要一个基于完整数据源、风险评估、检查和控制的负责任的人工智能策略。这需要一些技术干预，比如人工智能和机器学习模型中的故障或风险的自动标记，以及社会、文化和其他商业改革。