新闻 / 人工智能技术
受精益生产中流行的七种 “浪费 ”的启发，Artefact 将这一概念应用于 artificial intelligence 领域。本研究以过去三年中的 30 多个 artificial intelligence 项目为基础。.
受精益生产中流行的七种 “浪费 ”的启发，Artefact 将这一概念应用于 artificial intelligence 领域。本研究以过去三年中的 30 多个 artificial intelligence 项目为基础。.
对于每种已确定的 “浪费”--额外加工、能源、库存、生产过剩、等待、失败和人才--都通过具体的例子解释了原因。.
额外处理：超额完成客户期望
为人工智能而人工智能
制作人工智能，因为它是新颖闪亮的东西。当技术团队致力于打造高效、创新但复杂的技术解决方案时，就会出现这种情况。为了应对技术挑战，业务考虑因素被置于次要地位；技术规格优先于不精确的业务规格，而产生价值的核心功能却没有得到明确识别。额外处理往往导致复杂的 “黑盒子”。”
这需要由技术团队进行维护，然后才能被业务团队理解和采用。.
“重新发明轮子”
开发定制的人工智能非常耗时。有时，客户没有优先考虑也没有预期的完美小细节会成为项目的重点。一旦出现这种情况，项目的真正目的就会被放弃，转而去解决一些小问题。.
例如
一家保险公司希望创建一种流失预测算法。传统的现成 算法可以满足规格要求。然而，data 小组希望设计一种 个性化深度学习解决方案。他们设计的算法是一个 “黑盒子”，需要更长的时间来评估和理解。.
一家快速消费品公司希望建立一种分配算法来帮助管理媒体 购买。该公司没有利用传统的分配模式（最后接触、线性、首次接触等），而是想建立一个 data-driven 分配模式，提供一个不必要的复杂模式，难以理解和使用。.
能源：不增加利润的人力或机器努力
缺乏整合
公司通常缺乏人工智能技术生态系统，并拥有传统的 IS 和工具。构建人工智能解决方案所需的不同组件没有整合在一起，从而增加了开发过程中的成本和时间。在人力层面，技能不集中，沟通不顺畅，导致误解和时间浪费。.
例如
一家零售公司希望建立一种客户推荐算法。项目所需的 data（客户关系管理、交易、导航等）分散在多个 data 数据库中，无法集中访问。在启动项目之前，必须完成耗时的集中化任务。.
为了从更强的计算能力中获益，data 团队决定在 cloud 上训练算法，并将其部署到本地 IT 基础设施中。技术生态系统尚未集成，因此需要额外的集成工作。.
库存：创造非自主智能
特定文化与标准化文化
机型是根据特定需求单独设计的。不可能利用以前制造过的产品，因此每一种新需求都要从头开始，从而减缓了新机型的生产和研发速度。.
过去选择的负担
最初的技术选择不当，导致 data 产品需要大量维护。团队花费了太多时间维护现有系统，而不是进行迭代和改进。.
例如
一家化妆品公司希望创建一个自然语言处理 (NLP) 解决方案来分析社交网络上的情感。该解决方案没有使用现有组件，而是添加了专门的 NLP 元素。三个月后，另一个团队希望使用 NLP 进行另一种类型的分析；该团队被迫从头开始，创建更多的人工智能 “库存”。.
一家物联网（IoT）公司希望了解消费者如何使用其联网产品。 然而，返回公司的 data 不稳定且质量差。公司决定外包实施一种新的 data 产品来解决这个问题，以便实时处理 data 并预测任何质量问题。新的 data 产品交付后，内部团队无法维护新的（具体而复杂的）解决方案。他们拥有太多具体、独立和复杂的人工智能系统。.
过度生产：对于公司的成熟度而言，人工智能来得太早，或以一种无序的方式出现
太多非工业化的概念验证 (POC)
由于没有综合战略，公司主要目标之外的许多不同举措（POCs）会突然出现。这些计划往往是为了满足客户的期望而提出的，而且许多计划都是为了解决同一个问题。.
例如
一家快速消费品公司决定成立一个 artificial intelligence 项目小组。团队的第一项行动是组织一次创意研讨会，以确定进一步开发的用例。提交的使用案例主要集中在促销和营销方面，而其他有价值的领域却被忽视了，包括供应链优化、降低能耗和店内成本。.
等待：空闲时间，等待交货或管理决策
缺乏 C 级赞助
公司管理者并未将人工智能视为一种战略工具。说服管理层相信 artificial intelligence 可以创造竞争优势的时间所剩无几。.
领导者的赞助不力，导致所有团队都缺乏参与。流程未经衡量，导致质量问题、缺陷和技术错误。流程也不流畅，在连续的阶段之间等待审批会损失大量时间。.
例如
一家旅游公司希望在 Google Home 和 Alexa 上开发一款语音应用程序。三个月的时间用于确定和调动技术资源。明确需要提高团队的技能。公司决定使用外部资源，但在获得访问 databases 和技术环境的权限之前，这些资源将被搁置一个月。项目准备就绪后，由于首席执行官延迟签署保密协议，项目暂停了数周。.
失败：人工智能产品无法满足最终客户的需求
注重执行速度而非质量和一致性
- 对业务需求了解不足；计划开始时规格不够准确
- 非标准化流程；生产阶段错误检测不力
- 基础设施功能被破坏，与其他系统的连接器没有更新
- 造成这种情况的原因可能是，奖励团队的标准是执行的数量和速度，而不是质量
例如
一家食品和饮料行业的公司希望更换其冷藏供应链故障诊断软件。他们以前使用人工建立的确定性决策树来分析故障，但希望用机器学习算法来取代它。data 团队并没有让算法来定义解决问题的最相关解决方案，而是通过加入人工开发的约束条件来限制算法。在方案结束时，结果与之前的系统相同。.
人员：未能充分利用内部技能
缺乏以人为本的包容性文化
要想在人工智能转型中取得成功，公司必须认识到每位员工的优势和贡献，并使人工智能转型具有包容性。如今，用于提高员工技能、培训和发展的时间和资源太少，这使得部署人工智能解决方案充满挑战，并限制了知识的转移。.
在启动一项重要的人工智能转型计划三年后，一家银行公司咨询了其员工。咨询结果主要有三点：
- 由专家在会议室内解决问题，忽视团队其他成员的贡献
- 管理层或专家将改进意见强加给团队其他成员，而不是与他们一起设计改进意见
- 由于缺乏技能和知识而 “廉价 ”设计产品
- 对项目交付的团队激励不足
