人工智能和机器学习经过数十年的研究和开发，现在正进入企业的方方面面，涵盖从聊天机器人到拖拉机，从金融市场到医学研究等许多领域。但是，在将技术的小规模应用扩大到覆盖全公司的大规模应用时，许多公司遇到了挑战，几个主要原因包括缺乏合适的数据、人才缺口、不明确的价值主张，以及对风险和责任的担忧。

以下内容来自由摩根大通委托并联合制作的 MIT Technology Review Insights 报告，该报告基于对 300 名高管的调查问卷，以及对来自金融、医疗保健、学术界和技术领域的 7 位专家的采访，列出了人工智能和机器学习部署过程中的驱动力和障碍。

报告的主要结论如下：

(资料图)

企业相信人工智能和机器学习，但很难在整个组织中扩展。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，大公司相对部署的更多。

大多数受访者（82%）表示，在未来 18 个月内对机器学习投资将会增加，并将人工智能和机器学习与应收目标紧密联系在一起。然而，如何扩展是一个主要挑战，比如雇用懂技术的员工、找到合适的用例和显示价值。

（来源：见水印）

成功的部署需要人才和技能策略，面临的挑战远不止于吸引核心数据科学家。公司需要混合型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来确保所有用户在技术开发中发挥作用。

为了打造竞争力，公司应该为员工提供明确的机会、晋升和影响，让他们与众不同。对于更多的员工而言，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，Centers of excellence）为技术的广泛部署提供了基础，平衡了技术共享与定制解决方案之间的关系。具有成熟能力的公司，通常是较大的公司，倾向于在内部开发系统。

CoE 提供了一个轮辐模型（hub-and-spoke model），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以及定制工具。因此应该激励机器学习团队跟上快速发展的数据科学的发展。

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高级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社会团体正在仔细审查影响公民和政府的人工智能，尤其是关注会产生系统性影响的部门。

整体来看，公司需要一个基于完整数据来源、风险评估、检查和控制的负责任的人工智能战略。这需要一些技术干预，例如人工智能和机器学习模型故障或风险的自动标记，以及社会、文化和其他业务改革。