改变我们衡量成功的越多越好，这就是对高精度的痴迷。然而，对于该方式领域的专家来说，这种对准确性的痴迷既幼稚又无益，因为它把注意力从对长期成功真正重要的因素上引开了。在现实世界的大多数部署中，AI系统失败的严我们需要克服的关键挑战是，我们都在以错误的方重程度远比成功的频率重要。在现实中，如果0.001%式衡量AI项目的成功。无论是人工智能的使用者、开的故障是灾难性的，那么99.99%准确率的人工智能系发工具的专家，还是媒体、分析师和投资者，我们统可以被视为完全故障。
都陷入了一种集体错觉，那就是准确性是唯一重要的事情。准确性不是唯一的重要因素--当然也不是大多数铝成功的衡量标准往往是在狭窄的基准测试中具有高项目失败的主要原因。一个人工智能项目的商业成准确性，或令人印象深刻或具有娱乐性，而其他关功取决于一系列复杂的因素，而这些因素往往被忽键的成功因素则被忽视，因为它们不是很好理解，视或降低到次要的位置。令人兴奋或头条新闻。
然而，这些所谓的次要问题实际上是成功的关键。这当人工智能系统正确完成某件事时，无论是传统机些因素与准确性同样重要，甚至更重要，因为它们往器学习系统执行的简单分类，还是生成式人工智能工往是问题行为和人工智能投资失败的根本原因。在任具正确地回答问题，我们都非常重视这种准确性。
事何人工智能系统的开发和实施过程中，都必须考虑以实上，我们经常把我们对系统的整个看法建立在这个下这些成功因素，因为它们将在系统的用户和驱动并单一的准确性衡量标准上。为其支付费用的领导者中灌输信心:准确性是如此受人尊敬，以至于我们每天都能看到令人屏息的头条新闻，宣称新系统在特定问题上达到了高水平的一切正常准确性。“90%准确”或99%或99.9%的数字到处都是一一。
经过验证的准确性--通过基准测试，擅长解决问题。结论:让AI对每个人都有我们不应该错误地认为谦逊、可持续性和可靠性等用因素是人工智能努力的无聊次要因素。虽然专注于这些因素不会产生来自AI生成的图像或文章的兴奋，但它将确保您的业务所创造的输出是可信和有用的我们现在看到，实际准确地完成任务只是12个同等重。
