在数据科学界，有这样一个笑话：

问：人工智能和机器学习有什么区别？

答：如果是用Python写的，就是ML。如果写在Power Point，就是AI。

【资料图】

外面很多公司都宣称做人工智能(AI)。你会发现无处不在的首字母附加在域名上，或者在开头几个字的音高甲板上，但坦率地说，很多都是BS。通常，它是一组简单的回归和/或启发式算法，需要人工监视器使其更像半自动系统。一个真正强大的人工智能系统可以随着新数据的涌入做出决策——所有这些都是不受监督的(*需要一些初始组装)。更多时候，许多解决方案被贴上“人工智能”的标签，仅仅是因为它让高管和风投兴奋。

虽然市场充满了噪音，但事实上，一些公司提供了真正的人工智能解决方案。以众多大型汽车公司中的一家为例，他们正在应对非常严格的控制公差：不准确的风险可能意味着重大事故。

那么，如果把合法的人工智能公司混在一起，比如聚会混搭中的膨化奶酪零食，怎么能辨别出好的呢？

当PE或VC公司评估初创企业时，决定投资决策的不完全是想法或产品。一个主要因素是执行团队——他们合作得有多好，他们的背景如何为他们的成功做准备。在评估人工智能/机器学习产品时，采用相同的流程。

考虑主要产品贡献者的背景和专业知识.他们的背景大部分应该属于技术领域：计算机科学、数学、工程等。另一个优势是团队成员处于您的垂直位置，这可以塑造解决方案的部署方式，并确保它非常适合您的公司和流程。

很多时候，拥有蒸汽机的公司没有完成他们的技术工作。如果人工智能产品完全是假的，你通常可以用一些真正的人工智能专家可以回答的基本问题来找到答案。如有必要，带一个有机器学习和统计背景的人到站点BS。

我曾经和一家卖人工智能的公司谈过，人工智能是用来预测汽车维修的。我的一个同事问他们的神经网络里有多少隐藏层，这个创业公司的回应是“11000”。

这个回答引起了尴尬的对话，回溯了15分钟，因为这个数字比目标识别的最佳预训练神经网络隐藏层多了大约500倍。这个简单的问题给我们团队敲响了警钟。不用说，我们结束了讨论。

你应该问一些问题，比如：

如果你正在为你的业务评估一个产品，仅仅要求一个有技术背景的人来衡量人工智能声明的有效性是不够的。应该有一个在项目管理、技术产品部署和/或变更管理方面有经验的团队来衡量人工智能产品适应现有系统、流程甚至文化规范的能力。

根据您想要解决的问题和特定的人工智能产品，可能需要其他领域的技术/管理专业知识。例如，如果您是一家制造公司，希望将人工智能集成到您的质量控制过程中，您还应该让制造和质量工程师参与检查和验证预测的响应。

下次你在任何事情上看到“人工智能”(这是不可避免的)，你应该默认持怀疑态度。有些公司确实在这一领域做了惊人的工作，但是做好你的功课。以上并不是一个完整的清单，而是一个很好的起点，可以帮助你避免买蛇油，给公司制造一个大烂摊子。