倾听人们对人工智能（AI）和机器学习（ML）的期望，我想起了一个老笑话，一个科学家正在向另一个科学家解释一个过程，中间是一个写着"然后奇迹发生"的盒子

来源

人们似乎相信AI和ML会解决他们所有现存的问题。我参加过许多演讲，其中预测算法和其他机器学习工具被用来为讨论中的问题创建解决方案。是的，这些工具将有助于解决方案，但人们仍然需要参与解决方案的实施（如果有）。

让我们举一个非常简单的维护示例来说明我的观点。AI和ML都可以分析收集到的有关设备运行的数据，物联网流量卡，并学会预测未来可能出现的故障（通常称为预测性维护）。有了这个预测的结果，（演示文稿中的）一切都很好。在现实生活中，所有者/经营者现在必须对此预测做些什么。必须调整或维护设备，或调整生产计划。如果选择了维护过程，则必须考虑人员配置、操作员技能、备件、采购时间。如果所需零件的交付周期足够长，那么预测可能是无用的，物联网工程师，因为设备在备件到达之前就被预测出故障。在这种情况下，设备可以一直运行到故障。这是有好处的，通过运行到失败，你当然可以看到预测模型是否准确。

另一个"奇迹"是假设有足够和相关的数据来提供AI和ML，以便他们能够生成用于预测的模型。我在足够多的公司工作过，甚至让各个部门都同意一个预测简单的计算（使用多个数据源）是困难的。确定能够影响或影响设备运行和/或维护的因素是另一个数量级。我也不相信公司目前正在收集所需的数据来输入算法。AI&ML需要从一定数量的历史数据中学习，而我与之交谈的许多公司没有足够的详细数据来提供这样一个流程（例如，有些公司只是收集每个生产/流程订单的缺陷数量，这很好，但不会带来很好的预测性学习体验）。

2016年的Verge在一篇文章中指出了这一点"这是当今人工智能面临的三大问题"。他们指出的第一个问题是"首先你得到数据，然后你得到人工智能"。

还有一个问题，商城返利系统，"另一个奇迹"：数据需要清理。滑铁卢大学davidr.Cheriton计算机科学学院教授Ihab Ilyas在他的博客中说："当处理真实世界的数据时，肮脏的数据是常态而不是例外。"。我们知道垃圾进=垃圾出。让人工智能从糟糕的数据中学习和预测是不可取的。因此，需要对数据进行"清理"。这是一个复杂的过程，云服务器器，有几个问题需要解决，其中包括缺失值、异常值、数据约束和跨域验证，有趣的是，Ilyas教授建议"将数据清理问题视为一个大规模的机器学习问题是有原则的，也是解决这些问题的一个明显方法"

别误会我的意思，我相信利用AI和ML的能力可以进行根本性的改进，但这是一个漫长的乌托邦之旅。我认为会有很多工作要做，而且一路上也会有问题，毕竟，即使有很多投资，自动驾驶汽车仍在发生事故（有时甚至是致命事故）。

因此，如何开始您的旅程

成功的AI/ML项目必须由业务驱动，云服务器是什么，其设计应帮助访问和处理数据，并促进决策。要想成功，有一些基本的问题需要回答：

你的项目可以成功。找出一个具体的问题并继续前进。毕竟，我们不是在试图改变整个宇宙，只是我们的一小部分。例如：Trenitalia使用SAP HANA平台实时分析来自列车上数千个传感器的数据，帮助他们改进维护流程，并最终提供更好的客户服务。

当然，当您不必创建任何内容时，情况会更好。商业软件供应商开始将AI/ML嵌入到各种业务流程中。预订差旅和费用报告是许多公司的常见业务活动。使用SAP Concur解决方案的客户已经在使用AI/ML，即使他们不知道。

SAP在标准业务流程中使用AI/ML的另一个领域是财务和会计操作。新的入局付款和未结发票信息被传递到SAP现金应用程序，这是一个基于云的匹配引擎，并且建议的匹配要么被自动清除，要么被建议由应收账款处理区进行审查。

如您所见，AI/ML已经发生。你可以在不知情的情况下使用它。

你的公司在AI或ML方面经历了怎样的历程？你能叙述一下吗？请分享你的想法和想法