時下，在數(shù)字化轉型中AI承擔著更重要的職責，整個數(shù)字化轉型的進程正逐步由原來的“云+大數(shù)據(jù)”等技術驅動，轉變?yōu)?ldquo;云+大數(shù)據(jù)+AI”驅動。在這個背景下，越來越多的企業(yè)開始升級IT基礎架構，加速數(shù)字化轉型。

不過，由于急于求成、缺乏扎實的基礎，企業(yè)在布局AI的過程中可能會忽略一些重要的細節(jié)，這些細節(jié)可能決定著企業(yè)轉型的成功與否。對此，分析決策平臺FICO表示，人們想要解決AI的問題僅僅因為它是AI，而不是因為它是最佳解決方案。因此我們必須考慮到AI的方方面面，諸如AI的開發(fā)、成功的標準、風險治理，以及相關的道德標準。

一、確定布局AI的動機

做任何事情不能人云亦云，哪些在是否采用AI中舉棋不定，或是面臨巨大壓力的企業(yè)，不妨后退一步，考慮一下是否真的需要AI戰(zhàn)略。數(shù)據(jù)智能和自動化全球IT咨詢公司NTT DATA Services的高級總監(jiān)Theresa表示，如果確實需要人工智能，那么在沒有計劃使用它的情況下，創(chuàng)建AI或機器學習算法是浪費金錢，研究表明，大約有1/6的項目能夠帶來回報。 

AI可以幫助企業(yè)降低成本、增加收入、預測結果、優(yōu)化流程，在初步了解我們?yōu)槭裁葱枰狝I之后，緊接著我們需要考慮支撐AI的數(shù)據(jù)。

二、訓練優(yōu)質數(shù)據(jù)

永遠不要低估數(shù)據(jù)的力量，當它是不一致、不準確、不完整或重復的，我們使用這些數(shù)據(jù)進行機器學習或者訓練數(shù)據(jù)時，可能導致不準確的結果，得出較差的建議或錯誤的結論。其實，人工智能具有強大的功能，但任何人工智能解決方案都需要確保數(shù)據(jù)的優(yōu)質。

因此，訓練或得到優(yōu)質的數(shù)據(jù)，對于AI來講十分有必要。

三、實驗結果和實際結果的差異性

在實際推進過程中，我們會遇到實驗結果與實際結果有差別等問題，因為現(xiàn)實世界比實驗室環(huán)境要復雜且隨機。同樣，一個成功的案例并不能確保另一個案例也會表現(xiàn)很好。

AI公司BeyondMinds首席執(zhí)行官Rotem Alaluf表示：“現(xiàn)實世界中的AI與實驗室中的AI并不完全不同，但是解決方案應該更加完整，穩(wěn)定和適應性強。我們需要了解實驗室人工智能的局限性，了解從中創(chuàng)造價值所需要的東西在現(xiàn)實世界中，并以可擴展的方式在組織中使用它。”

四、注重團隊的力量

布局AI戰(zhàn)略并不是單個人就能完成的事情，我們需要管理層的支持，需要跨部門的協(xié)作，嚴格意義上來講，它需要依靠團隊。

數(shù)據(jù)科學咨詢公司Valkyrie的首席數(shù)據(jù)科學家Hilliard 。“在大型組織中，尤其是在業(yè)務職能之間劃分很重的組織中，建立所需的跨職能團隊可能很困難。”如果數(shù)據(jù)科學團隊與領導AI計劃的產(chǎn)品團隊位于組織的不同部門，那么明智的做法是從數(shù)據(jù)科學家上方獲得領導層的支持，以避免優(yōu)先級劃分或資源沖突。

五、將AI計劃融入產(chǎn)品布局中

為了自己的利益而制定的AI計劃既不是AI戰(zhàn)略，也不是雇用數(shù)據(jù)科學家。全球專業(yè)信息、軟件解決方案和服務提供商Wolters Kluwer的數(shù)據(jù)科學總監(jiān)John Langton表示，團隊必須了解AI不是產(chǎn)品，而是新產(chǎn)品的推動力。但是，產(chǎn)品經(jīng)理往往無法很好地理解與AI的關系。

“成功的AI計劃需要以產(chǎn)品開發(fā)團隊，領導層和技術領導者之間不斷進行的對話為中心，以開發(fā)完善的AI工具。優(yōu)秀的數(shù)據(jù)科學家可以向產(chǎn)品團隊提供技術方面的知識教育，而產(chǎn)品團隊可以將市場推向市場和客戶專業(yè)知識來確保解決實際問題。”Langton說。“這還使兩個團隊都可以將AI檢查點納入產(chǎn)品路線圖中，而不必將其視為單獨的R&D產(chǎn)品。將數(shù)據(jù)科學家和產(chǎn)品團隊直接聯(lián)系起來，可以使您對AI應用后的外觀設定期望。”

六、監(jiān)測漂移模型

隨著新數(shù)據(jù)的涌入，模型趨向于漂移，隨著時間的流逝變得越來越不準確，因此可能需要對其進行調整或重新訓練。

網(wǎng)絡安全解決方案提供商Juniper Networks 技術官Bob Frida表示，要建立成功的AI計劃，IT團隊必須接受AI模型的動態(tài)特性，并投入時間和精力進行培訓，這類似于公司資深人士必須培訓新員工的方式，在此過程中，企業(yè)必須擁有經(jīng)驗豐富的技術團隊來分析AI模型的性能和結果。通過提供不斷的反饋，AI模型將調整其邏輯，進而更準確，更有效地解決問題。

七、道德/不道德的AI可能會影響公司的品牌和聲譽

有的時候，AI會導致法律、監(jiān)管以及聲譽受損等問題。時下，互聯(lián)網(wǎng)公司的決策越來越依靠數(shù)據(jù)、人工智能，因此也會產(chǎn)生一些法律、監(jiān)管等問題。LivePerson的首席技術官Alex Spinelli表示：“人工智能將為各種各樣的事情做出決定，但它會做出正確的決定嗎?通常情況下，它充滿了人類產(chǎn)生的“臟”數(shù)據(jù)的無意識偏見。他堅信僅憑人工智能不足以幫助我們變得更聰明，更快，更高效。這需要成為造福世界的力量。”

八、人才也是被需要的

如今，人工智能系統(tǒng)正在“學習”如何做各種事情，無論是向顧客推薦新電影還是在高峰時段識別地鐵中的可疑行為。隨著AI增強工作中的人員數(shù)量，幫助他們更有效地完成工作，兩者都應同時學習。隨著時間的流逝，人類學會了如何更有效地使用AI，而隨著時間的推移，人們學會了用戶的偏好和行為，從而學會了如何與人類更有效地合作。兩者都可能需要持續(xù)的培訓，以便他們可以更有效地適應變化。

跨國公司聯(lián)盟關系副總裁Anthony Ciarlo表示，某些計劃未能提供ROI的原因之一是技能差距，或者在公司的工具和流程經(jīng)過更新，升級和提高技能以包括AI之后，缺乏人員培訓。因此，人工智能在不斷學習的過程中，人也需要不斷精進自我，不斷學習。

九、人工智能不僅僅是算法和模型

當AI的收益和成功還取決于人員和流程時，通常僅以技術術語(例如模型和算法)來看待AI，人工智能的目的應該是推進業(yè)務目標。

IBM首席AI官Seth Dobrin表示，首先要明確定義AI項目的意圖，然后為該技術定義特定的用例，這將有助于確定需要哪種類型的AI解決方案以及如何將它們集成到您的基礎架構中。

寫在最后

隨著AI的深入應用，企業(yè)紛紛采用AI的模式來精進企業(yè)業(yè)務流程，而在我們布局AI之前，我們需要考慮我們的動機、如何獲得優(yōu)質數(shù)據(jù)等等，只有這樣才能讓AI幫助我們創(chuàng)造更多的價值。