克服成功扩展AI的障碍

人工智能正在成为推动和升级现有数字基础设施的技术规范，现在真正的问题是：“我的立场如何？”

您是否想过要达到的目标
大海捞针，第一次尝试实际上找到了那根针？或在筛选时
穿过沙滩上的沙子，您发现了埋藏的宝藏吗？梦想不是那么疯狂
找到这些隐藏的宝石（谁不愿意遇到埋在地下的海盗）
黄金？），但是每次都找不到合适的工具或
知识。

另请参阅：通过流分析实时操作AI

这些活动通常被注销，因为它们传统上
表示重复的高努力机会，而
成功。因此，一些富有创造力的思想家去创造了金属探测器，
吸收光谱法，使人们收获时可以产生凝聚力
他们想先找到哪种黄金或针头的策略。

干草堆和金矿开采问题的解决方案
与公司希望解决大数据的方式的比较
人工智能的问题。一些富有创造力的思想家基于概率论创建了算法
确定汇总多个变量和信息源以查找
数据洞察力。但是，有一些常见的障碍已阻止
广泛采用，这就是为什么尽管大多数CIO / CTO暗示
更广泛的AI策略
大约20-30％的大型公司已将其纳入多个业务
功能。

为什么是AI，为什么是现在？

人工智能的承诺是无限的，而机遇是现在。
预计收入
到2025年$250B和$2T的市场
到2030年对全球GDP贡献很大，人工智能的采用开始在
加快步伐。公司开始看到早期的好处
测试和解决方案部署，这有助于激发新的途径
扩大并遏制使用该技术的文化障碍潮流
（稍后会详细介绍）。

迄今为止，已通过以下方式成功部署了AI
确定对核心业务的挑战，包括浪费时间，
造成困惑/公开问题，或使员工的手动任务更轻松
和最终用户。目前，公司正在使用AI来解决低层次的问题，
这通常可以节省成本并提高客户满意度。注意
NLP，机器学习，语音识别和计算机视觉的可用性
模型构建者以及更易于访问的工具，使
任何人都可以开始将AI部署到现有业务工作流程中。此外，庞大
对开源技术的投资，并强调
开放社区协作4，正在加速人工智能的发展
提高模型输出，准确性和可扩展性。人工智能正在成为
促进现有数字基础设施并使之现代化的技术规范，
现在真正的问题是：“我的立场是什么？”

如何为我的业务成功扩展AI？

在采用和成功实施AI的过程中–
在大海捞针上找到针头–通常会有很多挑战
禁止公司扩大工作量和投资。有
在进行AI注入之前，通常需要进行几项活动
成果，然后在模型创建过程中。

开始之前，您需要解决以下领域：

文化

通常，这是最困难的挑战
公司要克服将AI视为自然的恶魔力量的观念，
人类。终结者和iRobot等电影夸大了电影的功能
AI，并且由于迄今为止最常见的AI部署旨在
削减成本，人们仍然普遍对该技术感到恐惧和不信任。
员工希望确保可以加速很多工作的技术
长期而言，重复性的任务管理/处理实际上将使他们受益
跑;确保他们多年来所学的技能可以调整
来满足他们调整后的角色，并最终使AI能够胜任
更好。这部分来自实验和小型部署以帮助
内部流程，但更重要的是，它来自可信赖的结果，例如，
“这个模型做出的决定是公正的吗？”文化和道德是
公司需要克服的越来越重要的障碍
成功采用和扩展AI解决方案； “没有信任，就没有
继续的理由。”

存取资料

这对于您想要的任何机器学习模型都至关重要
去创造。有权访问正确的数据以解决业务问题是
至关重要，因为它将用于帮助定义特征参数，调整
参数，并评估模型性能。此任务包括采购数据
来自多个位置，确保这些数据来自可靠的来源，
并确保有继续进行数据收集的途径以进行进一步的模型化
优化（请参阅数据管理）。机器学习没有
立即回答您的问题；需要对模型进行训练
行业知识，并相应地分为测试和培训子集
为了防止漂移或过度安装。这是迈向关键的第一步
使用AI的任何地方。

数据管理

一旦知道数据来自哪里，那么就需要
成为以一致方式管理数据的指导原则，以便
什么都不会丢失，重要的信息会聚集在正确的位置，并且
可视化可能存在差距的区域。知识目录是
许多公司用来整合现有后端数据的出色工具
系统和CRM。拥有知识目录的主要好处包括：

• 单个存储库，允许用户快速
  查找，清理和使用他们需要的数据。可能需要其他准备
  需要采取的步骤（例如减少变量，以正确的格式获取文档，
  等），以确保可以与AI系统一起使用。
• 数据湖的管理，还是海量的
  结构化或非结构化数据的汇编。
• 这是一个很棒的博客，描述了5
  拥有数据目录的原因。

适当的工具和技能

这往往是公司面临的最大挑战之一
如今希望采用AI；随着AI的商品化，公司不再
确保从哪里开始寻找最合适的工具来解决他们的业务
需要。由于以下原因，这通常会导致许多未解决的，不完整的POC：
对结果不满意，人力资本战略不明确
管理。

• 工具–来自
  测试可用性，结果准确性和适用性的各种来源
  用例对于开发有意义的，可扩展的解决方案至关重要。公司介绍
  像IBM，Microsoft和Google这样的机构正在努力改善整体用户
  经验并使其对组织中的任何人都容易（无论
  开发技能）与AI一起构建。没有测试正确的工具，以及
  在POC中部署解决方案，无法为未来树立先例
  发展。从小开始，快速失败。
• 但是，有很多非常熟练的
  可以迅速学习如何调整知识的工程师和开发人员
  解决ML问题的核心计算语言（例如python和Java）；他们只是
  需要这样做。有两种方法可以解决此问题：
  • 提升现有员工的技能；更便宜，可能需要
    投入时间以达到与市场同等的水平。
  • 外部雇用；比较贵，但是有
    从一开始就掌握正确的技能。

部署AI最佳实践

了解AI是一回事。了解人工智能
实施最佳实践是另一回事。通过确保上述活动是
完成后，公司将需要制定机器模型目标并应用
稳定的重复步骤框架，以确保它们可以开始使用。
与现代观念相反，人工智能模型没有100％的答案
马上;需要对模型进行培训和调整以确保准确，可信赖
结果。类似于CRISP-DM，它是AI方法的雇员和迭代过程
测试和评估。此处列出的方法包含一些要素
从AI开发开始之前和之后开始。

AI方法论：

1. 了解业务问题；你是做什么的
   试图通过在现有的工作流程/应用程序中实现AI来实现。
   评估业务问题的含义和扩展领域。
2. 确定适当的工具和环境
   （云，本地，混合云），最适合托管和解决
   业务问题。
3. 收集数据，了解数据，清理
   数据; CRISP-DM框架。
4. 将数据分为训练和测试集； 60％
   训练，20％的初始测试，20％的迭代测试。
5. 开始提取数据并进行k倍实验
   评估模型依据地面实况的性能。
6. 迭代并扩展数据测试集。
7. 调整模型参数；注意过度健身，偏见，
   漂移等
8. 确定核心差距，扩大规模以达到产量，
   不断地迭代。

当公司成功克服了上述问题
障碍，现在应该准备开始部署AI模型。但是，POC
上一节提到的实验只是其中的一小部分
图片，公司真正想要的是扩展他们的AI项目以制作一个
严重影响其损益，战略和技术进步。在
为了这样做，需要考虑以下几点：

从小处着手并适当地解决业务问题

如以上AI方法中所述，这是最
基本步骤不仅是启动AI项目，然后进行扩展。
尝试使用过多的组件，考虑过多的用户故事或
对解决方案功能的误解可能会导致解决方案的去中心化
投资和资源分配不当。问很多问题，凝结
共同的主题并制作用户故事-这将影响设计和
AI模型的开发标准。诸如设计思维之类的活动将
帮助提供上下文并为项目设置标准。

偏压

这些天与AI相关的最热门话题之一是
偏见：偏见会对设计公司和最终用户产生不利影响
与AI模型的接口。因此，为了扩展任何AI
项目，确保减轻和追踪偏差以防止
不良结果。诀窍在于了解偏差的来源-这是
不仅是运行时的挑战；由于以下原因可能会产生偏差：

• 解决问题的工作差劲；定义核心
  问题和解决方案的概念都可以删除不需要的或恶意的
  算法的行为。这也可能导致要素属性
  底层的机器学习会根据提取的数据生成答案。
• 代表性数据；没有详尽的
  训练数据集或来自单一来源，机器的数据
  学习模型将被无效地训练，并且很快就会开始
  展示偏见的影响。确保有适当的途径
  数据和数据治理将有助于消除这一挑战。

投资信心

没有明确的战略或立竿见影的结果，
公司很容易失去信心。部分原因是期望值过高
有关AI性能的部分原因是可能需要大量的初始投资，
公司需要对AI模型的创建和部署表现出耐心。真正
洞察力和ROI并非一朝一夕就能得到，因此探索
在投资之前AI可以提供帮助的多个领域。一旦做出选择，
重要的是要相信这个过程，并在小小的收获上扩大规模–
特别是当它们最初不清楚时。

本文旨在作为最佳入门指南
做法以及如何考虑解决一些禁止性问题
防止采用AI。还有很多其他可用的资源（例如，
CRISP-DM，价格作业等），将帮助您获得等待中的项目
离地。人工智能将帮助企业在大海捞针
为此，实施正确的发展基本原则是
确保投资从POC扩展到生产的关键。