译者：王强
来源：InfoQ
但她说到：今年 AI 应用程序的部署增长率实际上低于去年;同时，企业的首席信息官表示他们已经部署了 AI 的比例从去年的 14%增长到了 19%。这是一个不错的增长，但远低于之前统计的 " 希望在 2019 年开始部署 AI" 的 23% 的数据。她说："AI 的普及被什么东西拖累了。” (在另一场采访中，她说
关于技能的话题，她建议企业提升自身现有的开发人员和分析师的技能，不要急着寻找专家;这也意味着对你自身的业务理解往往是关键所在。你手头上现有的数据通常就足够了，但是需要用一种可以被机器学习利用的方式结构化这些数据。 Sicular 说：今天，使用人工智能技术的最大动力是自动化各种工作，以及改善客户体验。企业往往更关心任务的自动化，但欠缺对整体体验的思考。另外消费者并不想要人工智能打理一切，他们只是希望人工智能为自己提供帮助。 她打了一个比方，说 AI 技术好像让我们生活在小城镇中一样，驾车路线就是一个例子。你可能很了解你居住的城镇，但 AI 会告诉你哪些路段正在堵车，从而为你提供帮助。因此，人工智能为你提供了前所未有的环境信息，以便你做出更好的决策。在你的城镇之外的地区，导航设备可能会告诉你从一个地方到另一个地方需要多长时间，这就是预测性分析。但实际上，为你指路是规范性分析的范畴，这种帮助更有意义。 她指出，在她所在的区域，自动化行车指路技术引发了意想不到的后果，许多城市和城镇都做出了调整以避免这些应用程序造成的问题(例如许多小路上出现了堵车)。她说，你必须向 AI 学习，设定正确的期望，并通过概念证明来验证这些期望。 聊天机器人是最受欢迎的 AI 应用程序之一。Gartner 预测，到 2023 年员工与应用程序间的交互有 25%将通过语音进行，相比 2019 年的将近 3%大幅增长。 但是从短期来看，Sicular 说人们应该实施易于采用和度量的方法。这样做的目的是让人们做自己擅长的工作，而不是去做你想要让他们做的事情;我们应该帮助大家，把他们手头的工作做得更快更好。在中期，企业应该专注于提高质量，但初期阶段这不是一个很好的起点，因为企业不知道自己该衡量哪些指标。 谈到未来发展，她说一个趋势是机器学习模型变得更可解释，从而提升 AI 的普及率、公平性、可靠性和可信赖水平;她还指出在某些情况下，AI 技术的应用障碍正是源自客户或员工对这种技术的不信任。一些模型在这种可解释性上做得越来越好，但是机器学习(ML)和 AI 问责制所需的内容将因特定的用例而异。她指出，技术上的可解释性与人类眼中的可解释性是不一样的，后者意味着要用日常语言解释它并符合常识。 她还分享了 Gartner 的预测：到 2025 年，将有 40%的企业从为人类设计产品，转变成使用人类增强技术和方法为人类自身设计架构。 总而言之，Sicular 表示组织应该将流程分解为许多较小的任务，也就是 " 传递接力棒 ";有些任务是由人类完成的，还有些是由机器完成的。她谈到了一个案例，其中 AI 为医生做笔记，并通过医学图像中给出第二种意见。然后她说，需要“走完最后一英里”才能完整地了解客户。最后，他们应该借助机器和 AI 帮助人们更好地完成工作，从而“带我踏上一个全新的高度”。