数据问题是企业的人工智能项目没有达到预期目标的主要原因。但是，如果企业能从错误中吸取教训并长期坚持，那么在人工智能方面的努力将会得到回报。

　　18个月前，Cooper公司为其客户服务代理商推出了智能推荐系统，以便为客户问题提供解决方案。该公司前身为Nationstar公司，是美国更大的非银行抵押贷款提供商，拥有380万客户，因此该项目被视为该公司一个令人关注的节省成本的项目。该公司首席信息官Sridhar Sharma说，该公司花费九个月的时间才发现代理商没有使用它，又花了六个月的时间来弄清楚原因。

Sharma发现，智能推荐系统提供的建议与客户并不相关，但问题不在于机器学习算法。相反，该公司依赖于基于客户问题的技术术语描述训练数据，而不是使用客户自己的语言描述这些问题。

　　他说：“我们没有很好地确保客户提出问题的根源是没有采用客户使用的术语，这是因为是用我们内部使用的技术术语编写的。”

　　Sharma说，此外，智能推荐系统的反馈机制(代理记录通话结果)有重叠的类别，这使得问题更加严重。他拒绝透露这个项目给该公司造成了多大的损失。

　　Cooper公司陷入人工智能的困境并不是异常现象。根据调研机构IDC公司最近的一项调查，只有约30%的受访者表示其人工智能项目的成功率为90%，大多数受访者表示其失败率为10%到49%，而3%的受访者表示一半以上的人工智能项目已经失败。

　　超过四分之一的受访者认为，缺乏员工以及人工智能技术具有不切实际的期望是面临的主要挑战。另有23%的人表示他们的人工智能项目因为缺乏必要的数据而失败。

　　Sharma说：“失败的个征兆是有些人想退出这个项目。但如果这样做，就注定要失败。”

　　Cooper公司计划明年将重新回到客户服务项目，作为其客户关系管理(CRM)系统改革的一部分，企业将继续致力于人工智能技术的开发。其最新的机器学习项目涉及分析非结构化数据，已经具有积极的商业利益，并有助于为未来创建更好的语言训练数据。

　　他补充说，“这些措施的成本并不低，当事情不顺利时，需要企业首席执行官和首席财务官的支持。”

　　缺乏数据

　　数据问题是人工智能项目达不到预期目标的主要原因。根据麦肯锡公司去年秋天发布的一份调查报告，限制人工智能技术应用的两大挑战与数据有关。

　　首先，与Cooper公司一样，许多公司很难获得适当标记的数据来训练他们的机器学习算法。如果数据没有正确分类，工作人员必须花费大量时间标记，这可能会延迟项目或导致项目失败。第二个数据问题是没有项目的正确数据。

　　普华永道公司合伙人兼全球人工智能领导人Anand Rao表示，“企业通常没有合适的数据，如果无法使用未标注的数据建立模型，就会感到沮丧。这就是企业实施人工智能项目一直失败的地方。”

　　美国奥杜邦协会正在使用人工智能来帮助保护野生鸟类。例如，该组织在7月份发布了一项关于气候变化如何影响38种草原鸟类的人工智能分析结果。

　　奥杜邦协会保护科学副总裁Chad Wilsey说，“如果我们不采取任何措施来减缓气候变化的速度，那么42%的草原鸟类可能面临灭绝，但如果我们能够采取行动，那么可以将其比例降低到8%。”