我们都知道，在商业领域，有时我们需要走出自己 如何处理人工智能决策 的安全世界，做出需要做的决定；然而，改变工作方式并不总是那么容易。我们希望拥抱变化和创新，但我们也希望确保投资的价值大于成本。当我们探索新技术并部署软件来改善我们的公司（和我们的生活）时，就会发生这种情况。人工智能也不例外。
如何判断人工智能是否值得投资
AI 是软件。尽管市场炒作或浪漫理想化，但 AI 仍然 目标电话号码或电话营销数据 只是软件。与任何其他软件决策一样，确定投资是否值得的主要驱动因素是看它是否可以帮助您赚钱或省钱。在非结构化数据和自然语言理解与处理 (NLU/NLP) 的 AI 领域，有大量流程和功能任务可以实现自动化，甚至可以创建分类法来解决合同分析、电子邮件管理或客户情绪等用例挑战。AI 当然可以带来能力，但您需要根据要解决的挑战或问题来定义解决方案的价值。
业务绩效与AI模型绩效
在60-80% 的 AI 项目失败的商业世界中，问问自己 AI 是否物 的受访者从其雇主处获得品牌 有所值是合理的，事实上，这是必要的。但问问自己为什么组织能够让自己从失败中脱颖而出，以及他们如何带领 40-20% 的 AI 项目取得成功也是合理的。
当明确关注正确的期望时，软件项目就会成功。忘记人工智能模型的性能；相反，定义正确的期望并专注于它们。数据科学家无法确定人工智能是否值得，因为他们会查看模型性能以了解算法对给定数据集的表现如何。业务线拥有业务问题或机会，并从成功的人工智能实施中受益。
扩展并不意味着仅仅交付
如今，我们看到一些全球最大的科技公司在机器学习、深度学习 (ML、DL) 和大型语言模型 (LLM) 方面投入了巨额资金。这些方法基于统计和模式识别，需要大量数据才能运行。当应用于语言时，这意味着它们根据文本中关键字或模式的存在、位置和频率进行预测。但通常情况下，企业语言数据不足以训练模型（或者没有足够的时间和资源来训练模型），更不用说主要挑战是语言本身，因为它的细微差别无法提供足够的一致性和可预测性。这是符号 AI 被集成到 ML、DL（创建所 购买电子邮件列表 谓的“复合 AI”或“混合 AI”方法）中最相关的原因之一，以提供两个 AI 世界的最佳功能：完整的机器智能和基于逻辑的大脑，并且随着每个应用程序的改进而不断改进。
通过符号 AI，您可以根据嵌入的知识和上下文为每个单词赋予含义。事实上，它并不是试图预测某件事——而是试图模仿我们人类理解语言和阅读内容的方式。符号 AI 与学习方法不同的商业优势在于，您可以使用小得多的数据集来开发和完善 AI 规则。符号 AI 与学习方法相结合，相得益彰，为 NLP 应用程序提供最佳结果。