在数据科学界，有一个笑话是这样的：

Q：人工智能和机器学习有什么区别？

A：如果是用Python写的，那就是ML。如果它是用Power Point写的，那就是AI。

外面有很多公司声称要做人工智能（AI）。你会发现无所不在的首字母附加在域名或在最初几个字的音高甲板，但坦率地说，它的很多是BS。通常，它是一组简单的回归和/或启发式算法，需要一个人类监视器，使它更像一个半自动系统。一个真正的，健壮的人工智能系统能够随着新数据的涌入而进行决策-所有这些都没有人的监督（*需要一些初始组装）。更多时候，许多解决方案被贴上“AI”的标签，仅仅是因为它令高管和风投们兴奋不已。

尽管市场充满了噪音，但事实上，有一些公司提供真正的人工智能解决方案。以许多主要的自动驾驶汽车公司之一为例，它们正在处理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，如果合法的人工智能公司被混合在一起，比如派对混合中的膨化奶酪零食，你怎么能识别出好的呢？

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

考虑产品关键贡献者的背景和专业知识..他们的大多数背景应该属于技术领域：计算机科学、数学、工程等。另一个好处是：团队成员在您的垂直，这可以塑造一个解决方案是如何部署，并确保它是一个很好的适合您的公司和流程。

更多的情况是，拥有蒸汽机的公司没有做过他们的技术作业。如果AI产品完全是假的，你通常可以用一些真正的AI专家可以回答的基本问题来找出答案。如果需要，带一个有机器学习和统计背景的人到现场BS。

我曾经和一家销售人工智能的公司谈过，用于预测汽车维修。我的一位同事问，在他们的神经网络中有多少隐藏层，这家初创公司的回应是“11000”。

这个答案引发了15分钟的尴尬对话和回溯，因为这个数字大约比最好的预先训练的用于目标识别的神经网络隐藏层多500倍。这个简单的问题为我们的团队敲响了许多警钟，不用说，我们结束了我们的讨论。

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AI产品适应现有系统、流程甚至文化规范的能力。

其他领域的技术/管理专门知识可能是需要的，这取决于您希望解决的问题与特定的人工智能产品。例如，如果您是一家希望将AI集成到您的质量控制过程中的制造公司，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。

下一次当你看到“AI”在任何事情上（这是不可避免的），默认情况下要持怀疑态度。有些公司确实在这一领域做了惊人的工作，但做你的家庭作业。以上并不是一个完整的清单，而是一个很好的起点，以帮助你避免购买蛇油，并在你的公司制造一个大混乱。