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。
- 提升现有员工的技能;更便宜,可能需要
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:
- 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。 - 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。 - 收集数据,了解数据,清理
数据; CRISP-DM框架。 - 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。 - 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。 - 迭代并扩展数据测试集。
- 调整模型参数;注意过度健身,偏见,
漂移等 - 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。