对于尝试采用AI的公司来说，这令人失望。他们找出要解决的问题，开始收集所需的数据，甚至可能找出可靠的数据母带计划。然后，即使他们进行了成功的概念验证并证明了AI的使用将如何改善业务，事情仍会停滞不前，而挫败感也会增加。
不足为奇的是，缺少正确的数据和缺乏可用的技能是问题的重中之重。但是，即使解决了这些问题，项目通常仍无法实现。那么，什么可以使AI努力更有可能获得回报呢?
缺失的环节：人机界面
解决方案经常被忽略。AI是人工智能，而ML是机器学习。并且这两个都需要由最了解数据的实际人教如何正确发挥作用。在建立和维护有用模型的整个过程中，重要的是要确保您与主题专家紧密合作，这些专家直接受到结果的质量和准确性的影响，并且可以提供最有用的反馈。公司通常会错误地认为，对概率数学非常了解的博士学位可以入手并弄清楚一切。不幸的是，这几乎总是失败的秘诀。他们了解如何从结构上处理数据，但与他们产生的输出的含义以及如何收集数据的业务环境无关。
例如，采用全自动数据清理模型，其中的机器在未经专家批准的情况下处理数据，可能会导致令人失望的结果。同样，要求数据用户花费很长的时间来训练机器学习模型或向他们询问有关数据的重复性问题，将使那些能提供最大帮助的人不愿输入必要的信息。问题是：我们如何才能从我们丰富的技能(关于数据的知识)中获得最大的利用，以便我们的机器学习正确的课程?
当涉及到ML和AI时，主动学习是正确的模型，它可以以最少的精力智能地从用户那里征求最有影响力的反馈。为了实现主动学习，需要在整个工作流程中提供直观的人机界面。当机器需要指导，批准或验证时，必须由人类参与。在用户，专家和机器学习之间充分发挥协同作用至关重要-连续但低接触的反馈循环。
从消费者世界中获取启示
好消息是，对于企业用户而言，使ML算法变得更好并不一定是一项艰巨或耗时的任务。考虑一下AI模型如何在消费者世界中变得更加智能。考虑餐厅空间中的OpenTable或Google Reviews示例。要求用餐者根据他们的现场经历提供策划反馈。这家餐厅是否提供送餐服务?食物好吗?然后，模型使用数据为每个人提供建议。消费者可能不认为自己是专家，而是因为他们拥有最新的第一手知识和经验。