以下是该报告的主要发现：
企业购买人工智能/机器学习，但难以在整个组织内扩展。绝大多数 (93%) 的受访者拥有多个实验性或正在使用的 AI/ML 项目，规模较大的公司可能会有更多的部署。大多数人 (82%) 表示，机器学习投资将在未来 18 个月内增加，并将人工智能和机器学习与收入目标紧密联系起来。然而，扩展是一个重大挑战，招聘熟练工人、寻找合适的用例和展示价值也是如此。
部署的成功需要人才和技能战略。挑战不仅仅是吸引核心数据科学家。公司需要混合人才和翻译人才来指导 AI/ML 设计、测试和治理，并制定劳动力战略以确保所有用户在技术开发中发挥作用。有竞争力的公司应该为员工提供明确的机会、进步和影响力，使他们与众不同。对于更广泛的劳动力来说，技能提升和参与度是支持人工智能/机器学习创新的关键。
卓越中心 (CoE) 为广泛部署、平衡技术共享与定制解决方案奠定了基础。能力成熟的公司，通常是规模较大的公司，倾向于内部开发系统。 CoE 提供中心辐射模型，通过跨部门的核心 ML 咨询来开发可广泛部署的解决方案以及定制工具。应激励机器学习团队跟上快速发展的人工智能/机器学习数据科学的发展。
AI/ML 治理需要强大的模型操作，包括数据透明度和来源、监管远见和负责任的 AI。多个自动化系统的交叉可能会给先进的数据科学工具带来更大的风险，例如网络安全问题、非法歧视和宏观波动。监管机构和民间社会团体正在审查影响公民和政府的人工智能，特别关注具有系统重要性的部门。公司需要基于完整数据来源、风险评估以及检查和控制的负责任的人工智能策略。这需要技术干预，例如自动标记 AI/ML 模型故障或风险，以及社会、文化和其他业务改革。
此内容由《麻省理工科技评论》的定制内容部门 Insights 制作。它不是由《麻省理工科技评论》的编辑人员撰写的。
