信息来源：亿欧
Dun&Bradstreet公司今年1月发布了一项调查结果，调查发现，40%的受访者表示部署人工智能技术增加了更多的工作岗位。这一发现似乎与采用人工智能将减少就业机会的担忧相反，而在调查中，100名受访者中只有8人表示，他们的组织由于采用人工智能而裁员。
各工作岗位将被AI取代的概率
选择岗位，查看结果
建筑及工程艺术、设计、娱乐房屋地面清洁及维护商业及金融运营社区和社会服务计算机及计量建造和开采教育、培训和图书馆食品及相关服务医师和技师护理安装、维护及维修法律生活、生理及社会科学管理行政支持及办公个人护理及相关服务制造安防服务销售及相关物流 制图员和摄影师 电子学家 建筑造价师 计算机硬件工程师 石油工程师 采矿和地质工程师（包含安全） 电气工程师 核能工程师 景观设计师 生物医学工程师 土木工程师 建筑师 航空航天工程师 化学工程师 机械工程师
制图员和摄影师
87.9%
这是Dun&Bradstreet公司的调查团队于去年12月在波士顿的人工智能世界会议和博览会上对与会者进行的调查，这就提出了一个问题，即企业将如何适应人工智能和大数据等新兴技术，尤其是处在这个前所未有的数字化颠覆时代。
企业领导者面临数字化颠覆的现实，发现即使在人工智能上采用快速跟随策略也很难应对。迅速发展的技术以及人工智能对未来工作的影响，将导致工作岗位的变化和知识型员工难以保留等迫在眉睫的问题。
采用人工智能的好处以及带来的问题
Dun&Bradstreet公司的调查发现，人工智能主要用于分析、自动化和数据管理。正在启用新功能，使原本不可访问的域更容易访问。例如，大学教授现在可以使用一系列工具来检测作弊行为，这曾经是一个人工检验和基于经验的繁琐过程。在人力资源部门，也采用了能够筛选简历、预测应聘者是否合格成功的技术，以及执行许多其他任务的技术，这些任务曾经被认为难以处理。
不仅仅是人工智能功能使这些应用程序更加可行，它也是对业务任务的重新构想，以利用现有数据并开辟新的思维方式。与此同时，不断变化的隐私法规使企业和网络犯罪分子以惊人的新方式使用先进的技术，这迫使企业采用更多资源处理与数据安全和治理相关的问题。
当今的业务环境越来越复杂，很难应对这种混乱。随着第二代数字原生代的兴起，需要对不断增长的人工智能和大数据的应用进行探索和研究。
根据Dun&Bradstreet公司的调查，人工智能技术目前在大多数组织中都有一定程度的使用。这一发现与其他行业机构的研究是一致的，这些研究指出，人工智能技术已从认识和早期采用过渡到全面实施，并从使用中创造了附加业务价值。
现实情况是，许多人工智能应用程序，特别是那些需要丰富的稳定数据集合得出结论的人工智能应用程序，一直受到数据发现和管理的复杂性的困扰。然而，随着大数据技术的发展，使组织能够保持和管理越来越多的数据，利用物联网和移动网络等新技术的新应用开始产生有希望的结果。其中一些例子包括执法中的面部识别、智慧城市技术、自动驾驶汽车和无人机等。
谁在采用企业人工智能并在做什么?
对人工智能从业者的调查通常包括三类：已经成功部署人工智能应用程序的人员;正在部署人工智能项目，但仍在创新和投资回报率之间寻求平衡的人员;仍在探索人工智能技术或尚未对企业中的人工智能做出认真承诺的人员。而关于这三个群体的相对规模存在重大争议。
Dun&Bradstreet公司的调查是在一次以人工智能为重点的活动中进行的，近半数受访者(44%)表示他们的公司正在部署该技术，而20%的受访者表示其公司已经部署人工智能技术。23%的人表示，正在计划实施。
寻求采用人工智能技术解决复杂问题的企业有时会感到有点困惑，对其结果不满意，这表明存在一些可解释性问题。如果人工智能方法没有得到很好的理解，那么他们很难接受看似违反直觉的结果。这一点在Dun&Bradstreet公司的调查结果中比较突出，46%的受访者表示，理解人工智能如何得出结论是他们组织面临的一个问题。只有三分之一的人表示，他们完全理解他们的人工智能系统是如何得出结论的。
对人工智能结果不满意的其他一些原因来自于基本问题的制定。例如，由人类训练的监督人工智能方法存在基于潜在误导性强化现有知识做出决策的风险，特别是在没有提前采取正确步骤来解决偏差的情况下——在数据、算法本身或在他们产生的结果的解释中。
问题制定依赖于数据科学家确保使用正确方法和数据的能力，并要求正确的问题支持得出的结论。问题制定不完整的风险强调需要有可解释的人工智能和更多关于思想和方法多样性的对话，以便技术对企业更有价值。
人工智能和大数据的正确组合
仔细考虑人工智能使用的数据同样重要。在Dun&Bradstreet的调查中，很多组织表示，缺乏正确的数据是进一步实施人工智能的最大障碍之一，28%的受访者认为缺乏内部专业知识也是一个主要障碍。
随着数据的生产和存储量呈指数级增长，人们将开始看到人工智能系统的适应和改进。
虽然人工智能从业者可能对数据量有合理的处理，但大数据环境中的变化速度仍然是某些人工智能应用程序的重要问题。流媒体数据是数据样本经常被忽视的一个很好的例子。
数据准确性是另一个越来越重要的问题，特别是对于分类方法和其他无监督的人工智能方法。数据是必须建立任何技术(尤其是人工智能)的基础。错误的数据基础(例如使用包含偏差或被错误操作的数据)通常会导致错误的技术方法产生错误的见解，而且可以通过压力以消极的方式得到强化。
人工智能的发展对其商业价值至关重要
但是，随着数据的持续生成和存储量呈指数增长，人们将开始看到人工智能系统的适应和改进。这种演变是人工智能的商业价值所固有的特征。正如人工智能技术在某种程度上具有自我诊断的能力一样，人们将开始看到出现复杂的系统，这些系统不仅可以从人类代理那里学习，而且还可以从经验中学习——其很好的例子包括对抗人工智能和集成方法。
此外，下一代数字原生代的人工智能和数据科学从业者将更加细致地对系统进行观察。这些未来的数据科学家将进行鉴别诊断，就像医生一样，可以区分具有相似症状的疾病。
人工智能和大数据的结合将继续发展，组织可以确保继续增加对该技术的实验和部署。然而无法保证这种演变将朝着积极的方向发展。事实上，一些伟大的预言得出的结论却恰恰相反。
数字颠覆的新科学与商业和人工智能的发展息息相关。似乎可以肯定的是，这种进化的速度将继续增加。事实上，人工智能和大数据并不总是完美地结合在一起。在这一领域，最终会产生最佳结果的是不同分析方法和思维的日益成熟。