以下是本文偶然发现的 AI 项目业务中所面临的一些最常见的挑战（在此不做特别排序），这些挑战都可能导致失败。
文化方面的挑战
一个组织在开展 AI 计划时面临的大多数挑战都是文化挑战。公司政治观点是一个主要原因，因为 AI 计划工作是一项团队工作，从功能到技术都拥有多样化技能。不同部门和不同领导有不同的目的，都想将 AI 计划罩在他们自己的保护伞下。
数据素养也是一项重大挑战，因为不同的人对数据领域有不同的理解。因此，对 AI 计划抱有不切实际期望的企业并不少见。
由于 AI 资源成本最高，并且结果存在不确定性，因此能否得到利益相关者的支持也成为一项挑战。运行数据密集型项目的组织成熟度也起着重要作用。从事数据相关项目的组织和部门可以主动以最快速度扫清障碍。
AI 计划的主要利益相关者是非技术人员。因此，讲故事是让这些利益相关者意识到 AI 计划真正潜力的重要技能。
如果能够主动在某个组织中灌输数据文化，就可以迎难而上，克服困难。
运营方面的挑战
AI 计划还在运营方面面临巨大挑战。人才缺口是其中一项众所周知的难题，而获取项目相关数据有时可能是另一项重大挑战。
很多时候，拥有功能领域的中小企业可能是一个障碍，有时功能领域的中小企业相当稀缺，因此，他们的项目可用性可能是一个巨大挑战。
由于 AI 是一个跨学科领域，其计划的成功取决于包括 IT 团队在内的许多不同团队之间的相互合作。即使你已准备好解决方案，在客户端站点部署计划，或者想以客户希望的方式来运行也十分具有挑战性。
你面临很多机会的时候，选择一个具有高投资回报率( ROI )或劳资协定( CBA )的机会就变得很重要。AI 评估也应纳入 AI 运行框架。否则，没有人愿意在付出大量努力之后发现解决了错误的问题。
数据安全性是另一个应该包含在操作框架中的领域，以避免项目后期出现问题。
可以分析得出，如果能够通过为 AI 计划制定运营框架来解决这些问题，那么就有很多难题可以避免。
数据方面的挑战
直到最近，商业实现了数据的价值。因此，数据质量除了一直是监管要求的业务之外，同时还是AI计划经常遇到的问题。事实上，根据各种调查，它是任何AI计划中最具挑战性的部分。
大多数情况下，我们没有得到我们想要的数据形式，我们需要以有用的方式对数据用例进行整合，转换和聚合。因此，数据整合也是AI员工需要应对的一项挑战。
由于数据隐私，在很多用例中，你无法将这些数据应用于AI计划。很多有关数据使用的法律法规最近已经或即将出台（如GDPR），所以数据隐私也成为需要解决的一项主要挑战。
技术方面的挑战
在企业中，技术堆栈可能非常庞大且不同，尤其是在没有企业 IT 治理的情况下。由于AI项目需要与各个级别的典型IT项目集成，因此拥有不同的技术堆栈也可能是一个巨大的难题。
另一个难题是算法限制，AI 中没有银弹，每种方法都各具其优缺点。需要在差异和偏差之间进行权衡。
模型可解释性是另一个需要解决的具有挑战性的领域，由于最近现有和即将出台的法规，AI 可解释性变得越来越重要，但还需要权衡准确性和可解释性之间的关系。
结论
