在AI部署加速发展的同时，技术和文化上的成功挑战比比皆是。最大的挑战之一是企业AI成功的三大支柱之间缺乏一致性：最接近数据的业务用户，负责保持数据管道开放的数据工程师以及使AI工作的数据科学家。这种缺乏一致性的现象通常意味着数据科学团队会发现自己没有“明确的范围”，而“数据专家”却不知道该关注哪些数据集，这可能导致AI项目的结果令人失望。只有通过围绕标准数据科学方法论来协调这些小组，才能获得一致的AI成功。

缺乏对齐

缺乏一致性不足为奇。15年前或更早离开学校的企业领导者从未接受过利用大数据的培训。尽管数据科学家总是“从数据开始”，并且数据越多越好，但是无论是财务，营销还是客户支持，业务用户通常都希望根据自己习惯的方法回答有限的问题，因此他们经常要求数据科学团队根据给定标准的一组特定的“多少”或“频率”属性来生成报告。

幸运的是，业务用户与数据科学家之间的联系正在消失。当今的商业专业人士了解大数据的力量，甚至正在进入小学。用来记忆加法和乘法的抽认卡已被有助于理解分类，组织和关系的练习所取代。

同时，我们仍必须克服传统的思维方式，让数据科学带头。也就是说，我们必须挑战HiPPO(最高薪人士的意见)。尽管应始终尊重HiPPO的经验和直觉，但仅依靠这种方法将大大限制将数据科学应用于任何问题的能力。

对齐和标准化的好处

确保AI的一致性和标准方法将使整个企业围绕一个关键的新范例统一起来，即更多数据始终是推动业务发展的潜在能量。一致性和协作精神最终还将使业务领导者有能力要求数据科学团队“使用数据来确定我的最佳下一步行动并使之自动化”。这对于启动可快速对业务产生重大影响的大批量，低复杂度项目至关重要。

考虑设计用于回答常见客户问题的虚拟助手。如今，致电帮助中心的客户经常会反复问同样的问题，要求支持工程师重复同样的答案。相反，如果支持团队与数据科学团队和IT部门合作，使用这些已知问题和标准答案来训练24/7虚拟助手或聊天机器人，然后可以为客户提供即时答案-无需等待，没有支持票，没有涉嫌常见问题或文章的网站。这可以转变支持操作，提高客户满意度，同时允许支持工程师专注于客户可能遇到的新的和更复杂的挑战。