然而，任何的技術都有一個逐漸完善的過程，人工智能技術雖然前景美好，但在現(xiàn)階段仍然存在一些明顯的短板和與理想應用之間的差距。因此，在部署和應用AI技術的同時，多了解一些它的背景知識和應用趨勢是非常有必要的。
我們其實已經在應用一些人工智能元素有好多年了。
AI并不是突然冒出的新鮮事物。上個世紀90年代出現(xiàn)的洗衣機模糊邏輯控制系統(tǒng)其實就是某種形式的AI。語音識別和語義識別本身也是AI的一部分。在數(shù)據分析與挖掘領域，我們利用很多傳統(tǒng)的機器學習算法，比如決策樹、邏輯引擎等，進行預測性分析已經有好多年，而這幾年這些算法又被打上了AI的標簽。而最新的AI發(fā)展其實最主要是圍繞著人工神經網絡算法而來的。同樣，人工神經網絡算法也不是新鮮事物，但一直以來因為缺少商業(yè)價值而少有人關注，直到近幾年大數(shù)據的發(fā)展為算法的訓練和演進提供了足夠的場景和數(shù)據，使其智能化水平大增。
以前，如果一個客戶失聯(lián)一段時間，企業(yè)很可能會把他標記為流失風險客戶，而給予某種促銷激勵。而有了機器學習算法，企業(yè)可以利用更廣泛的數(shù)據維度實時尋找和識別更復雜的客戶行為模式，發(fā)現(xiàn)潛在的風險與關系。
AI也許還沒有那么智能
自動駕駛汽車應該算是當今人工智能應用領域最前沿的應用領域之一了，盡管我們都期待未來幾年路上會行駛著越來越多的無人駕駛汽車，但它仍然不具備幾項人類大腦所具有的關鍵判斷和決策能力，且這個學習過程會非常漫長，至今仍未通過駕駛測試。
同樣，在客服中心里，自學習算法在某些專項領域做得非常好，結果在某些具體的點上也是理想的，可接受的。但綜合來看，在眾多的需要綜合考慮復雜場景的業(yè)務上，人工智能仍然無法起到獨當一面的作用。
很多聊天機器人背后只有很少的人工智能技術
并不少每一個智能聊天機器人都那么智能。很多只是利用基本的關鍵詞識別編碼并借助后臺的內容邏輯編碼樹把對應的內容抓取輸出而已。對完整語義的識別和上下文對話能力還很弱，更不要說多輪的自然語言交互。只有經過較長時間大量的訓練和校準，機器人的客戶需求識別與問題響應能力才會逐漸完善和提升。
人工智能需要海量的數(shù)據去訓練
提升AI的智能水平需要大量的訓練。無論是有監(jiān)督的機器學習還是無監(jiān)督的機器學習，學習與進步的發(fā)生都離不開大量的高質量的真實業(yè)務場景數(shù)據，尤其是數(shù)據的收集、整理、清洗和轉換將會耗去整個數(shù)據項目的三分之二左右的時間，這其實對于整個企業(yè)的數(shù)據治理機制提出了很高的要求。而且，不同的算法有著不同的業(yè)務適用范圍。例如，卷積神經網絡模型擅長圖像識別，而遞歸神經網絡則更適合語言情景的理解。知道處理何種任務最應該用哪種算法以及哪些數(shù)據既是一個數(shù)據科學問題，也同樣是一個業(yè)務理解問題。業(yè)務理解是技術開發(fā)的前提，在這一點上，任何AI技術的開發(fā)、采購或部署都應該有業(yè)務人員的參與，讓他們從業(yè)務流程和業(yè)務結果的角度來評估AI技術的實用性和適用性。
AI技術仍在快速演進
人工智能技術的演進潮流是有目共睹的，各種貼著“AI”標簽的系統(tǒng)或解決方案被接二連三地推向市場。盡管不完美，但最起碼做了概念普及和技術鋪墊。隨著自主學習和演進算法的不斷改善，未來我們能看到的將不僅僅是機器圍棋大師、機器人作家和藝術家、機器人駕駛員等，而且能夠看到你的最佳銷售和最佳服務坐席的模仿系統(tǒng)。一個人人都是最佳銷售或服務大師的時代也許已經為時不遠了。
