5 Ways You Are Sabotaging AI As A Leader
原文：towardsdatascience.com/5-ways-you-are-sabotaging-ai-as-a-leader-826d575aff3b在最近几周，随着各种技术公告，我们开始听到 AI 泡沫破裂的呼声。在那之前，我们得到了一个迟来的短语“AI 洗牌”，用来命名公司为了利用 AI 的炒作，在财务结果和初创公司路演幻灯片中到处使用“人工智能”这一术语的趋势。照片由在提供随着对 A
原文：
towardsdatascience.com/5-ways-you-are-sabotaging-ai-as-a-leader-826d575aff3b
在最近几周，随着各种技术公告，我们开始听到 AI 泡沫破裂的呼声。
在那之前，我们得到了一个迟来的短语“AI 洗牌”，用来命名公司为了利用 AI 的炒作，在财务结果和初创公司路演幻灯片中到处使用“人工智能”这一术语的趋势。
照片由Francesca Zanette在Unsplash提供
随着对 AI 能否实现承诺的怀疑日益增长，审查将转向技术、技术的能力以及构建它的人。
我想将聚光灯投向商业领袖、创始人、CEO 和决策者，他们在 AI 投资的成功或失败中所扮演的角色，以及我在过去两年中看到的错误，这些错误让我们走到了今天。
让我们从最大的问题开始，好吗？
1. 为了 AI 而优先考虑 AI
这在每一次技术炒作中都会发生。我称之为“闪亮物体综合症”，它与 FOMO（恐惧错过）相伴。我们想要下一个大事件，最先进的技术，以跟上行业。我们不会停下来思考它究竟是为了什么。
AI 项目失败的首要原因是它们被优先考虑是为了拥有 AI 项目，而不是从业务或客户问题或真实需求开始。如果你从一个解决方案开始并倒推，它将永远不如找到适合这项工作的正确工具那样有效或成功。AI 正作为一个独立的优先事项出现在那些不知道它应该放在哪里，也没有问自己是否真的需要它的领导者面前。
在这里也有“同伴”压力的成分。如果你的同伴包括你的竞争对手，或者你股东们想知道他们听说的 AI 带来的财务结果。我并不是说这些容易忽视，但我相信最好的解决方法是回到你业务试图实现的第一原则，并深思熟虑地规划出最佳路线。
我认为这种同伴问题在大型科技公司中最为突出。我们看到了主要玩家一次又一次的发布，并不都是好的！这个群体总是存在一场人才战争，因为他们想让自己在游戏中显而易见，以吸引他们认为将来需要竞争的抢手工程师。在短期内，他们的用户因为得到了他们从未想要的特性而遭受痛苦，因为首席执行官们炫耀他们最新的玩具。
昨天当我看到 Cassie Kozyrkov 发布了这篇文章"从为什么开始 AI时，我笑了，因为我计划在本周晚些时候的一个以“数据与 AI 的为什么”为主题的播客上发表演讲。尽管如此，我宁愿与 Cassie 一起参与这个项目！
如果我们不问正确的问题，我保证我们不会得到正确的答案。领导者应该问的问题是：
我们的商业策略中的关键优先事项是什么？
这项技术如何提供商业和/或客户价值？
这是我们能做的最好的选择吗？
2. 假设仅仅因为技术是新的，情况也是如此
正如我所说——最后一个错误发生在每一次技术炒作中。然而？
领导者选择将人工智能视为全新的东西。与之前任何东西都不同。并且积极地忽略他们从以前的技术中断中吸取的所有教训。
我不是说我没有说 AI 和数据产品有什么独特之处，当然，团队需要准备一些特定的考虑来处理这些。但在领导层面，我们从客户、团队、竞争对手等如何处理过去的转变中获得了许多见解。
人类行为会重复。
如果我们可以回顾我们在过去引入员工系统时所遇到的采用障碍，当社交媒体出现时我们可能有多少控制权，从不太复杂的机器学习项目中获得收入的操作挑战，以及许多其他问题。我们可以将这些经验应用到人工智能可能发生的情况以及我们如何为成功做好准备。
这似乎主要发生在宏观层面，我们看到图形警告“幻灭的低谷”即将到来，或者我们将互联网泡沫与我们目前看到的情况进行比较。
如果领导者想要采取真正的行动来改变结果，他们有责任将这些反思添加到对他们组织的理解中。
3. 将其视为仅仅是技术变革
理解你的组织意味着理解人。
任何有意义的变化的核心是人们。
正如索尔·拉希迪，"你的 AI 生存指南"一书的作者警告的那样——我们需要将我们的期望从关注算法和大数据转移到认识到大部分工作和大部分成功都是关于人和计划的。
如果人工智能真的是你业务的转型，并且影响到你运营的各个方面，那么这是一个应该被当作如此对待的变革管理计划。数字化转型经常失败（参见错误 2！）主要原因是我们作为领导者，没有寻求理解对个人的影响或实际承诺的水平。
员工需要了解他们的角色和他们对他们的期望将如何改变。他们需要了解你的意图以及为什么它们是这样的。
他们需要理解“对我有什么好处”。
无论我们是在外部产品还是内部流程中推广人工智能，我们都需要在每个步骤上考虑对人们的影响，以及可能阻碍我们计划的行为。
4. 固执于像他们这样的人
过度强调“像我这样的人”的意见、偏好和行为，这是灾难的配方。
尤其是在处理新技术时，我们必须意识到我们存在的回音室。
如果我是一个每天早上通勤时听最新的科技播客或阅读 AI 专家博客以保持领先于潮流的 CEO，那么——很可能是这样——我不是我的客户或一般员工。
并非每个人都对人工智能有相同的认识、兴趣或信任。
当 Meta 在 Facebook 群组和 Instagram 搜索中推出不同的 AI 功能时，在线讨论立即提出“谁想要这个？”。有关用户实际上希望从这些平台获得的变化的梗图，但他们却得到了一些令人困惑的 AI 集成，这些集成没有解决任何明显的问题，反而创造了一些新的问题。
大约 6 个月前，我在 LinkedIn 上通过一项投票询问有多少人在日常工作中使用人工智能。接近 90%，但我的职业，以及我的网络，偏向于数据科学和技术。我的家庭成员在那之前几个月才了解到 Chatgpt，而我所上学的大多数人甚至还没有尝试过它。
人们评论说“说不的人是什么年龄？”虽然数据量不大，但我看不到与人口统计数据的任何相关性。你们公司中的不同部门将更多地或较少地接触到最新的技术。不同的角色将对其未来意味着什么有更多的或更少的抵触。一次糟糕的经历可能会彻底改变态度，所以即使你预期会全力以赴的人也可能不会。
不要假设，也不要陷入过度依赖自己圈子的陷阱。
令人失望的决策，让人们、客户或员工落后，可能是最大的破坏。
5. 为了快速修复而忽视数据依赖性
我已经就人员问题谈了很多，这种强调是有意为之的，因为这些是领导力的角色，也是一些真正重大的错误。
但我额外增加了一条，因为我相信我们，作为数据专业人士，都有责任在构建领导力在这个话题上的素养和管理期望。
没有数据，AI 就毫无价值。
您不能跳过这一步。
在开源算法的世界里，这是您的优势，那么您为什么要放弃呢？
每个人都希望尽快看到他们在 AI 投资上的回报，但现实是，这种回报可能会因为花费时间在数据治理和基础设施项目上而放缓。但这些都是必要的。
我们需要将“垃圾输入，垃圾输出”这个谚语从数据团队中移除，带入董事会。
如果您作为领导者，没有将时间和资源投入到数据战略中，那么这迟早会在您的 AI 战略中显现出来。我已经撰写了一篇完整的文章（您的公司有数据战略吗？）来讨论这个问题，所以在这里我不会过多展开。
谷歌与 Reddit 的合作为我们提供了我们所能希望的最有说服力的审计（感谢 Joy Buolamwini 提出这个短语），我们在最大的舞台上证明了这一点。他们投入了 6000 万美元来获取“更多”数据来喂养他们的搜索生成 AI，结果正如您所预期的那样奇怪，如果任何随机的人可以回答任何随机的问题，并且没有任何验证发生的话。
领导者：不要成为推动您的团队跳过数据步骤的人。
数据从业者：努力教育您的领导和业务利益相关者关于与此相关的风险。也许可以分享这篇文章 😃。
如果您是一位在 AI 炒作中航行的商业领导者，并且希望您的公司走上最佳路径，我可以帮助您。查看我在kate-minogue.com上的服务。
通过对人员、战略和数据的独特综合关注，我可以提供一系列的咨询服务、顾问服务和部分参与服务，以支持并增强您在商业、数据和执行挑战及机遇中实施战略的能力。在这里或在我的领英上关注我，了解更多信息。
分享最新、最前沿的AI大模型技术，吸纳国内前几批AI大模型开发者
更多推荐
11
0- 0
已为社区贡献1条内容
所有评论(0)