即使在项目开始之前，让AI工作也与“让事情取得正确”，包括：
其中许多预先预先考虑因素是AI独有的，并涉及新的战略思维方式，以及团队之间的新协作方式。
一旦AI项目进行了一次，需要一组新的AI特定流程。我们识别ai部署的3个阶段和数据科学生命周期的7个步骤作为两种新的动态，商业领袖和AI项目领导者需要在概念层面理解。
本文将是两部分系列中的第一个，专注于AI部署的3个阶段。但首先，我们将与我经常使用的比喻打开主题演示对于高管，我认为在这里重复认股权证：
ai部署为生存系统
与传统的IT项目相反，AI项目是生活，呼吸解决方案。它们在部署的几乎任何阶段都没有静态或不可预测 - 特别是在新颖的使用情况下。
AI采用的3个阶段涉及将数据科学应用程序从业务环境中带来了生产，并且数据科学生命周期的7个步骤涉及找到正确数据和模型来提供特定结果的迭代过程。
AI部署的3个阶段是线性进展，导致部署，其中数据科学生命周期的7个步骤在三个阶段中的每一个中连续发生。
ai部署的3个阶段
- 描述-从概念证明，孵化，部署，通过在数据，部署背景和业务需求之间找到适合来孵化，AI应用程序“成熟”。最终 - 在迭代，实验和质疑之后 - 一些（但不是全部）AI应用程序将达到成熟（部署） - 允许它掌握自己的优点并提供业务价值。
- 生物类比：发展阶段 -并非所有新生动物都达到成年。竞争动物，粮食稀缺和环境的变化构成生存挑战。一些百分比的动物到达成年 - 仍然需要食物和庇护所但不再要求父母的持续注意。成年可以被视为AI部署的第三阶段;达到后，AI项目仍需要基本资源，直到项目结束直到项目结束。
数据科学生命周期的7个步骤
- 描述 -数据科学生命周期的步骤相对快速地进度和循环。有一个恒定的脉冲引入业务需求，调整数据假设，调整功能，并迭代模型和工作流程，以便到达有希望的结果。这七个步骤发生在AI部署的3个阶段中的每一个内。
- 生物类比：呼吸和循环 -数据科学生命周期中的步骤的持续周期就像血液循环或生物系统的其他稳态过程。他们以最早的生物体的生命开始，只要有机体活着，就继续。如果他们完全停止，有机体不再活跃。正如停止的7个步骤的数据科学将导致AI应用程序不再在其实施业务中提供任何价值或结果。
生物世界的复杂性通常是AI的APT类比，特别是对于不熟悉的商业人士，他们不熟悉实际应用AI所涉及的独特挑战和流程。
构建AI应用程序不是“即插即用”，但意味着照顾生物，需求不断增长和不同。
陈述不同：
- ai不是它
- ai是概率，而不是确定性的
- ai更像是r＆d，它就像软件一样
- 开发AI申请是生长和关怀的生活，数据喂养的生物
许多企业都没有为AI系统的责任，迭代和维护做好准备，并且可以通过避免昂贵的AI研发（使用传统的IT解决方案，或者更培训的供应商工具来进行更好的服务，或者需要远不那么迭代和监控）。在开始AI项目之前，领导者知道他们正在融入的东西是重要的。
在下面的轮廓中，我们探索了两者的组成部分AI部署的阶段深度更深。
3阶段企业ai部署
AI应用程序通过三个阶段移动。与数据科学生命周期不同，应用程序在部署的阶段向后移动是不寻常的，而且 - 理想情况下 - 这些阶段没有循环，但通过线性进行。
我们将使用两个示例公司说明下面的阶段：
示例1 - 采用产品推荐引擎的电子商务公司。电子商务公司认为承诺提高其购物车价值，并改善现场用户体验，特别是对于具有购买历史和活动的现有客户。
示例2 - 采用预测分析应用的制造公司。制造公司具有强大的数字基础设施，并旨在利用其现有的数据流来检测制造过程中的故障和错误。
1.概念证明（POC）
- 目标-确定AI是否可以在一个商业功能中提供特定的益处（通常在具有历史，测试数据的“沙箱”环境中）。
- 挑战- 确定培训的正确数据和功能。选择足够高的潜在业务价值的问题。
- 移动到下一阶段的标准- 申请证明它能够在孤立的“沙箱”环境中展示有前途的结果 - 达到成功的一些预定义标准。
示例1 - 采用产品推荐引擎的电子商务公司。使用历史购买，人口统计和行为数据来培训推荐引擎。与现有的推荐方法相比，有一小部分用户或内部员工，评估这些建议。
示例2 - 采用预测分析应用的制造公司。使用历史数据和一些实时数据来尝试和预测工厂中一种特定机器的故障（可能是我们已从最多的数据收集的机器）。
2.孵化
- 目标-确定AI是否可以在有限的现场环境（即真正的用户，实时数据等）中提供特定的好处。
- 挑战- 调整“沙箱”假设对现实世界，在真正的业务工作流程中找到适合（比测试环境的不同），并且实时数据（比使用罐头历史数据或静态示例数据多得多）。
- 移动到下一阶段的标准- 在潜伏环境中达到预定的成功标准。确定如何管理和保养AI应用程序的剧本。
示例1 - 采用产品推荐引擎的电子商务公司。假设初始历史数据测试良好 - 打开推荐引擎体验到某个用户的某个子集。这可能是通过在具有新的AI的产品推荐模型中公开15％的登录用户来完成的，而其他用户则看到默认建议。进行测量，调整算法以驱动更高的载体值，并使用此孵化用户组调整和控制问题和错误。
示例2 - 采用预测分析应用的制造公司。假设初始预测测试显示了承诺 - 用传感器和设备的一定类型的所有机器的一部分，以帮助预测，并分配数据科学家和主题专家以确定新的预测方法是否更好地进行预测比传统方法分解。
3.部署
- 目标-在真正的商业环境中实现积极的业务影响 - 将数据流集成到AI应用程序中，并将AI应用程序集成到实际公司工作流中，完全更换原始解决方案到位。
- 挑战- 培训人员并调整工作流以占新的AI应用。维护AI系统并警惕地调整系统以考虑更改数据，更改环境以及可能更改或不断变化或不断变化的业务需求。
示例1 - 采用产品推荐引擎的电子商务公司。假设潜伏期具有富有成果的结果，并且团队接受了与新的AI相关的流程进行了培训 - 推出推荐引擎作为默认用户体验，具有大量的团队，致力于测试和调整推荐算法，并收集其结果的反馈。
示例2 - 采用预测分析应用的制造公司。假设潜伏期具有富有成果的结果，并且该团队在新的AI相关的流程上培训 - 用传感器和连接器仪器仪器的所有机器，创建一组中央仪表板，以监控机器，并专用全日制人员保持和改善它们。
It’s not important for AI project leaders to entirely understand the technical nuances involved in making an AI project come to life – but it is important for project leaders to come into an AI project with the expectation that they will pass carefully through all three of these stages. The phases of the process have unique milestones and goals, and allow project teams to avoid the risks of hasty integrations, and have sufficient time for iteration and tinkering as the application comes to life. Teams that lack this framework will have a much harder time gauging the effort required to complete a project, and a much harder time seeing projects through to successful deployment.
在本两部分系列的下一篇文章中，我们将单独分解数据科学生命周期的7个步骤，特别关注流程的非技术要素，导致业务的实际项目成功。
