Arijit Sengupta：AI需要在业务用户做出决策时提供针对特定上下文的建议。我们已经从向后看的传统分析和商业智能转变为具有前瞻性的技术。这是一个根本性的转变。

您最激动并认为最有潜力的一项新兴技术是什么?这项技术有什么特别之处?

特定于上下文的AI具有最大的潜力，可以使业务更好。第一代AI完全脱离了业务环境。它没有考虑到企业独特的成本效益权衡和容量限制。传统的AI假定所有成本和收益都是相等的，但是在业务中，正确预测的收益几乎永远不会等于错误预测的成本。

例如，如果赢得交易的好处是不必要进行交易的成本的100倍，该怎么办?您可能愿意赢得单笔胜利并输掉99笔交易。基于模型指标，仅能在100次尝试中赢得1次胜利的AI会非常不准确，尽管这会增加您的净收入。那就是您想要从AI获得的东西。

第二代AI专注于公司的特定业务现实。正如Forrester和其他分析师所指出的那样，专注于数据科学指标(例如模型准确性)的AI通常不会带来业务影响。

企业今天面临的最大挑战是什么?大多数企业如何响应(并且有效)?

解决人工智能的最后一英里问题是当今公司面临的最大的业务挑战。目前，大多数业务经理还没有办法了解预测模型将如何影响其业务。这与发现人工智能学到的东西根本不同。

仅仅因为我告诉您汽车的工作原理并不意味着您知道如何驾驶汽车。实际上，为了开车，您通常不需要了解有关汽车工作原理的所有细节。在第一代AI中，我们着迷于详细解释汽车的工作原理。那就是所谓的“可解释的AI”。

我们现在要转向的是企业了解汽车如何影响其生活的能力。企业需要了解AI在不同业务场景下如何影响其业务成果。没有这些知识，您就无法采用AI，因为您是在要求企业主玩俄罗斯轮盘赌。您没有向他们提供他们需要了解给定AI模型如何影响其KPI的信息。您只是给他们一些模型，并告诉他们希望最好。

数据或分析中是否有一项新技术正在带来比大多数人意识到的更多的挑战?企业应如何调整其方法?

实际上，基于模型准确性的传统AI可能会对企业造成极大的危害。经过训练以优化模型准确性的AI通常非常保守，这会使企业陷入死循环。保守的模型会告诉您要追随越来越少的客户，因此您可以放心地完成几乎每笔交易，但是很多次这意味着您最终会留下很多钱，并逐渐破坏了您的业务。以牺牲业务影响为代价来最大化准确性的AI比没有用的情况更糟-它破坏了价值。

您的组织在今天花费最多时间/资源的是什么计划?换句话说，您的企业专注于哪些内部项目，以便您的公司(而非客户)从自己的数据或业务分析中受益?

我们是一家处于初期阶段的初创企业，其数据量相对较小，但我们相信能够迅速开始使用AI，而不是等待获取大量数据。我们首先开始使用AI来预测哪些客户可能从首次联系到首次会议，以及哪些客户可能单击电子邮件。

随着时间的流逝，我们收集了更多的数据，并且能够优化我们在不同渠道上的营销支出，并准确确定要关注的客户。如果我们一直等到拥有大量数据才能开始使用，那么我们将无法取得足够的进展。通过快速入门AI，我们能够更快地改善AI流程。

您如何看待2020年及以后的分析和数据管理方向?我们还没有听说过什么呢?

每个人都听说过很多有关AI的信息，但是我们所听到的AI并不是能够带来业务影响的AI。我们所听到的AI是从业务现实中抽象出来的实验室AI。

人们开始意识到的眼界是，要获得业务影响，您必须拥有一种截然不同的AI。创建单个AI模型没有任何意义，因为业务现实不断变化。您需要做的是创建适合不同业务现实的AI模型组合。如果您追求客户的成本增加了10%，或者平均交易规模增加了20%，则您需要一个不同的模型。如果创建AI模型组合，您的业务将具有更大的变化适应能力-而您唯一可以依靠的就是变化。