数据分析和AI丨应对AI实施挑战，工程领域AI应用的五大方法
工程领域的人工智能 （AI） 已经开始发挥价值，低代码和无代码工具正在使曾经仅属于专业数据科学家的 AI 能力变得大众化。
然而，并非工程领域的每个人都能从中受益，使用新的便捷的 AI 工具提高工作效率并不难，工程师们在 AI 应用方面所面临的挑战实则体现在更多其他维度。
在之前的文章《拒绝AI技术焦虑，工程领域AI应用的八大技巧》中，我们分享了在工程领域确认第一个AI案例的八大实用技巧，本次，我们将研究在 AI 之旅中可能遇到的另外五大挑战：
AI挑战
01、获得企业领导的支持
工程领域的 AI 并非新事物，然而，正如最近的一份 Forrester 报告所强调的那样，生成式 AI （GenAI） 的出现（特别是 2022 年底公开推出的 ChatGPT 3.5）重塑了企业领导者对 AI 的看法。
对于许多高管而言，AI 已经从一个小众的 IT 项目变成了必不可少的企业资产。AI 战略以及随之而来的 AI 治理实践已成为企业必备要素。
这种转变对于希望为新 AI 项目获得支持的工程师来说具有重大意义。最重要的是，项目负责人不仅需要展示创新 AI 解决方案的用途，还需要展示它对收入、利润和成本等方面产生的影响。
刚开始做AI项目，最明智的做法是先从那些“接地气”、容易出成果的小项目入手，而不是一上来就追求宏大的、理想化的目标。Forrester的报告强调，“飞轮效应” 的商业案例最具价值——也就是说：随着 AI 项目的影响逐渐增加，最初的微小收益会像滚雪球一样不断扩大。
AI挑战
02、积极应对 AI 治理
AI 治理通常被视为企业进行创新的障碍，很多人会将企业的 AI 治理框架视为另一种乏味的官僚主义，但是我们鼓励大家尽早投入其中。这样会有助于企业克服阻碍 AI 项目成功的最严重内部障碍：缺乏信任。
工程师并不是唯一需要信任 AI 模型结果的人，所有利益相关者都必须拥有这种信任。在整个组织中赢得支持并建立对 AI 的信任是贯穿所有成功的 AI 驱动工程项目的主线。
尽管欧盟的《人工智能法案》等法规已经开始生效，但事实证明，在实施治理结构以解决透明度、信任、问责制和明智的决策等方面，单个企业的效率比立法者更快。
从企业实际应用角度来看，这些框架通常包括风险评估、模型生命周期管理、AI 系统审计和监控以及合规性管理的流程。尽早满足这些要求将大大有助于获得企业对新 AI 项目的支持。
AI挑战
03、寻找可信数据并信任其结果
在处理更全面更精细的数据时，信任会成为一个巨大的问题。许多工程师被大量实时和历史信息的洪流所淹没，时常感到不知所措。
AI的训练数据必须准确、完整、无偏差，并能真实反映其预期的应用场景。关键是要聚焦那些对业务流程、结果和决策最有影响的数据质量“热点”。
工程师可以通过 “缩小靶心”来降低数据质量差带来的风险。只收集和保护真正需要的信息，剔除那些低价值的数据，因为这些数据只会增加找到关键信息的难度。从小规模的数据开始，逐步优化和扩展。
工程领域中很多最具影响力的 AI 案例都利用了以往物理测试的历史数据，这里历史数据也是工程师多年来一直在产品开发中使用和信任的数据。但原始数据很少是完整、干净和准确的。值得注意的是，保证数据质量是一个持续的过程，而不是一次性的练习，项目团队需要长期坚持。
AI挑战
04、组建具有凝聚力的项目团队
并非每个人都会欢迎新的 AI 计划。当前围绕 AI 的大部分争议都集中在它取代人类的可能性上，而“自主AI ”这样的概念进一步加剧了这种担忧。即使AI不会直接减少员工数量，也往往会带来岗位调整或职责变化，这种变化本身就可能引发矛盾和不满。
虽然AI技术越来越普及，也有“人人都能用AI”的趋势，但团队建设仍然很有必要。不要忽视企业的数据科学家和技术团队，工程师需要他们的支持，尤其是在解决AI偏见和遵守治理框架及法规等方面。
工程领域的 AI 通常涉及自动化和物理测试等流程，但这些变化可能会影响到员工和客户的习惯甚至利益，所以争取他们的支持非常关键。这就是为什么要重视 AI 治理的原因。
抵制变革并非 AI 时代特有的现象，抗拒改变是人性中由来已久的部分，并且可能会持续存在。而 AI 领域特有的问题是，许多人仍难以解释 AI 究竟是什么，以及它的具体价值。作为构建高效和谐 AI 团队的基础，项目负责人需要清晰阐释 AI 模型的功能、优缺点、可能出现的行为模式，以及潜在的偏见与风险。
AI挑战
05、寻找使项目成功所需的技能和资源
在工程领域建立 AI 项目团队可能会暴露技能差距和人力资源短缺等问题。根据 Forrester 的第 2 季度 AI Pulse 调查显示，培养技能是 AI 决策者最关心的问题。
强大的企业 AI 战略将满足对持续技能培养和人才招聘的需求。