导读随着对数据科学和快速发展的数据科学家社区的浓厚兴趣，人工智能作为一种技术已经走了很长的路要走，从创新者和早期采用者到早期多数人的鸿
随着对数据科学和快速发展的数据科学家社区的浓厚兴趣，人工智能作为一种技术已经走了很长的路要走，从创新者和早期采用者到早期多数人的鸿沟。除了当今围绕AI的所有炒作之外，仍然存在未解决的问题，只有不到12%的模型达到生产阶段
数据科学家每天都在创建模型，但是仍有数百万个模型正在等待观察生产中的实际情况。
没有为此图片提供替代文字
压住他
Gartner认为，实现价值的时间是他们最大的挑战之一，据报告，团队平均需要52个工作日才能建立预测模型，并且将其部署到生产环境中的时间更长
尽管通常认为部署所需的时间少于构建模型所需的时间，但它已成为当今业界最具挑战性的问题。建立模型是一回事，而更具挑战性的是AI的可操作性。
在AI的运营方面存在重大挑战，例如
分析对领导力提出了挑战：这是实现AI的主要障碍。组织中的高级领导者并不精通AI，因此会输给AI集成组织。领导支持是AI运作的最重要因素。
用大型私营银行之一的高级领导人的话来说
“我们的组织开始输给这个领域的新创公司，那时我们的首席执行官决定采用AI。我们花了3年的时间来重新获得由于新进入者而失去的市场份额。我们的CEO要求所有领导层都必须学习数据科学课程，这仅仅是开始，我们开始每周举行一次知识共享课程，创新实验室研讨会等。”
数据质量： Gartner预测，到2022年，由于数据，算法或负责管理这些数据的团队的偏见，有85%的AI项目将交付错误的结果。
测试和验证是在受控环境中进行的，因此，在将模型部署到生产环境中时，使用的数据必须具有良好的质量，它必须处理真实世界的数据，而在大多数情况下，这些数据缺乏质量，从而导致质量较低模型精度