根据 Forrester 的一份新报告，“技术高管关于数据科学、机器学习和人工智能的入门知识，缺乏了解正在阻碍企业领导者有效部署数据科学、机器学习和人工智能项目来解决业务问题的能力。 报告称：“所有高管都需要就如何以及在何处利用这些技术做出战略决策，但很少有领导者拥有这些技术的经验，因此误解比比皆是，导致结果不佳、资源浪费和对未来举措的抵制。”
该报告将数据科学定义为从数据中提取意义； 机器学习是将算法应用于数据来训练机器学习模型； 人工智能作为以新方式使用的机器学习和自动化方法的总称。
报告称，要成功部署这些技术，需要商业和技术敏锐度以及行政领导力。 虽然可以聘请技术专家，但找到了解这些复杂、尖端技术的企业高管却要困难得多。
该报告提出了企业可以部署的七种见解和最佳实践，以扭转对自己有利的局面：
1. 如果你认为人工智能“应该”看起来，它可能不是。 尽管个人助理或语法检查器等人工智能技术看起来很聪明，但现实世界的人工智能并没有表现出电影中描绘的智能和自主性。 “机器学习和人工智能技术的实际优点和缺点与流行的看法有很大差异，如果一个想法、提出的解决方案或供应商产品看起来像外行人所期望的那样，那么它注定会失败、被过度炒作或不得不 依靠一个躲在窗帘后面的人，”报告称。
2. 寻找技术上可行并提供可衡量业务的项目。 DSMLAI 不应只考虑最终目的或人工智能和机器学习技术的功能。 你们必须在中间相遇。 “纯粹从商业价值开始，你会选择利用人工智能的弱点而忽略其优势的用例（想想全自动驾驶汽车）。 从数据开始，你会发现真实但毫无价值的见解（例如，预订推动收入），”报告称。
3. 采用生命周期方法。 无论你做什么，如果用户不关心或不会使用它，那也没关系。 “通常，这涉及部署人工智能解决方案，将其交到最终用户和培训人员手中。 如果你还没有计划如何发生这种情况，最好做好长时间延误的准备； 最坏的情况是，您会发现部署是不可能的。 通过从头到尾规划项目并从一开始和整个过程让解决方案的目标最终用户参与进来，可以增加成功的可能性。”报告称。
4. 随着时间的推移改进您的数据。 不要等到数据刚刚好才开始，否则你永远不会。 “对于人工智能项目来说，高质量数据是一个神话。 在您知道如何使用数据之前，您不会知道需要什么数据以及需要数据的形式，反之亦然。 相反，您应该利用您可以快速掌握的数据，快速创造价值，并利用成功来倡导对数据资产和管道的下一轮投资。”报告称。
5. 随着时间的推移提高人工智能能力。 就像数据一样，大多数成功的 DSMLAI 项目都是从小规模开始，并在成功的基础上扩大规模。 报告称：“这通常意味着首先购买具有嵌入式人工智能功能的水平或垂直点解决方案，然后使用自定义模型和应用程序超越这些解决方案的功能。”
6. 首先担心人类偏见，然后是人工智能。 由于人工智能是人类开发的工具，因此可能会存在固有的偏见。 避免偏见的最佳方法是仔细筛选用于训练人工智能模型的数据。 “最重要的是，测试多个假设，验证模型，并随着时间的推移监控它们的偏差和公平性（如果适用）。 如果你这样做，你得到的模型几乎肯定会比人类决策的偏见更少。 如果你不这样做，你就有可能强化和扩散偏见。”报告称。
7.不要让AI项目久拖不决。 由于人工智能项目对其执行发起人的理解、实施或放弃知之甚少，因此它们可能会被降级。 避免这种结果的最好方法是尽早消灭它们，而不是稍后。 报告称：“让你的团队能够终止项目，但吸取经验教训，并以新的、更可行的形式复活它们。”
