对任何新兴技术都会产生误解，但在人工智能方面，这种误解显得尤为明显。也许这是因为人工智能潜在影响的范围已经积累了其自身的某种神话地位。

“人工智能通常被误解，因为我们要探索一个广阔的宇宙，探索未知世界可能会令人困惑和恐惧，”Very工程副总裁Bill Brock说。

对于试图在其组织中调整人工智能实际应用的IT领导者来说，这是一个特别的问题。

Brock说：“虽然企业中的人工智能越来越普遍，但对于其用例以及如何改进或更新过去的系统仍然存在相当多的误解。”“虽然我们可以将机器人成为同事的想法浪漫化，但有必要了解这些不同类型的技术如何有助于增强我们的系统，创造更高效的环境。”

事实上，“浪漫化技术”是天空销售推销的主要内容，而非战略CIO通过人工智能实现的底线结果  。

此外，浪漫化的现实往往会产生妨碍可行目标。因此，我们请Brock和其他专家对当今企业中关于人工智能的常见传闻进行解释，   以帮助IT领导者和其他商业人士将事实与虚构分开。

“人工智能和机器学习是一回事。”

事实并非如此，了解两者之间的区别可能是至关重要的。机器学习更好地被认为是人工智能的一个具体分支。

“在许多对话中，我发现这些术语之间没有什么区别，”Sigopt的研究科学家Michael McCourt说。“这可能有问题。如果一家公司的掌权者认为“为我建立一个分类模型”等同于“使用我们的数据来巩固我们的决策过程”，那么在应用模型时，正确解释模型结构和含义的重要步骤就不复存在了。如果不认识到这一误区，将导致公司对人工智能团队投资不足，并且可能无法充分让具有更强大业务背景的人员参与这些模型的开发和解释，这可能导致人工智能团队失败。”

“人工智能和自动化是一回事。”

人工智能和机器学习并不是唯一两个容易混淆的术语。与机器学习类似，人工智能和自动化往往会混为一谈，因为它们确实彼此有关系。

Brock说：“随着人们越来越熟悉人工智能，他们了解到人工智能是一种能够思考的机器，或者至少是基于一系列预先定义的模型和算法做出明智的决定，而自动化仅仅是在没有人为干扰的情况下完成一项任务。”“自动化并不一定意味着人工智能，但人工智能最具影响力的一些用例以戏剧性的方式增强了自动化。”

“更多的培训数据可以带来更好的人工智能结果。”

“重要的不是培训数据的数量，而是质量，”LexisNexis法律和专业部门的首席数据办公室Rick McFarland说。“大量糟糕或不一致的培训数据无法使您更接近准确的结果。实际上，他们可以通过创建“精确”的结果来欺骗建模者，因为方差公式与样本大小成反比。简言之，您会得到精确不准确的结果。”

我们将在这里进行一次适度的冒险，并预测简单地说，从早期人工智能失败中吸取的最常见的教训之一是：我们向它扔了大量的数据，并假设它会起作用。在早期阶段，越大未必越好。

Brock说：“这一点压力不够大，高质量的数据是有效算法不可或缺的一部分。”“人们经常会错误地认识到人工智能的能力以及如何建立它才能取得成功。坏数据会产生坏结果，无论您要解决什么问题。”

他补充说，人工智能和机器学习团队现在有很多工作几乎完全集中在整理和清理数据上。即使你还没有到那个时候，总是把质量优先于数量。

McFarland说：“目前的最佳实践侧重于使用结构化方法和偏差测试创建更好的培训数据集。”“结果是，建模人员实际上可以使用以较低成本派生的较小数据集。”

“人工智能将从部署的那一刻起传递价值。”

这并不是说“更多的数据”本质上是一件坏事；事实上，随着时间的推移，它变得越来越必要。但时间是关键：你需要时间来使数量和质量同步。一般来说，没有人应该期望他们的人工智能计划能立即获得投资回报，但有时这就是技术的表现方式。

“AI和ML引擎需要经过培训，并且需要大量的数据来学习。一些数据可以播种，”Netenrich首席技术官JavedSikander说。“然而，大部分数据来自部署它的领域，以及AI、ML系统关注其学习工作的领域。因此，期望AI、ML系统从第一天开始提出建议和见解是不合理的。过程需要落实到位，资源需要在不同的环境中分配，以使这种学习逐渐发生。”