企业人工智能机器学习项目失败几个原因：
第一. 不深刻理解自己的业务，导致以为人工智能是纯算法，与业务数据无关：与软件工程项目不同，AI的基本单元不是代码行，而是代码和数据。在企业中，数据通常属于特定业务领域，并且是由客户与特定业务产品或服务的交互产生的。
数据反映的不仅仅是数字。理解数据需要从业务、产品、客户和技术角度进行全面的跨功能理解。通常，这些功能角色由公司内部的不同团队扮演，需要强大的协作努力来揭开业务问题的神秘面纱，质疑现有解决方案，并提出新的假设，通过迭代实验快速测试和证明或反驳这些假设，以磨练可行的解决方案和战略。
在这里，领域知识或主题专业知识的重要性怎么强调都不为过。获得深领域专业知识需要数年时间，使从业者能够为业务问题和基础数据开发更好的直觉，以提出可行的解决方案或战略。由于数据科学家通常缺乏业务领域的专业知识，因此他们必须用那些与客户密切合作并深入了解业务问题的人的专业知识来补充他们的算法数据科学技能。
banq认为：先做好DDD再做人工智能，DDD是手工业务建模，人工智能是机器辅助或完全自动建模。
第二点：公司文化因素
以下是人工智能公司忽视文化的一些方式的现成总结：
- 领导力尚不清楚人工智能的目标是提高人类生产力、降低成本和提高效率，而不是取代员工。没有人类合作伙伴在循环中，基于人工智能的产品和服务就无法成功
- 雇用对人工智能缺乏直觉的非技术领导者和/或产品或业务心态不佳的技术领导者来领导人工
第三：需求目标不明
在识别正确的人工智能需求用例会出什么问题？
- 专注于人工智能的技术方面，而不是业务问题
- 在不检查问题数据可用性的情况下定义用例
- 如果不深入研究数据和咨询业务或领域专家，人工智能用例的可行性缺乏直觉
- 没有明确定义的用例接受标准、成功指标或KPI
- 跨职能团队之间没有为拟议用例共享对齐
- 项目管理不善，人工智能和跨职能团队的时间和带宽分配不当
- 拟议用例的优先级和排名不力
- 一旦项目启动，没有明确定义的项目里程碑和时间表来验证用例
- 用例潜在AI解决方案集思广益不力