虽然有在商业世界的AI应用程序建立的用例中,声称AI供应商都来自他们的软件往往是夸大了回报。什么也跻身并不明显AI炒作是,采用人工智能和机器学习远比看起来更有挑战性。
新闻媒体和供应商有时会描绘AI为神奇的“修复它所有的”解决方案,事实并非如此。在现实中,它是企业难以确定从AI采取切实回报的明确措施。
知道是否要采用AI是关键挑战商界领袖面对的一个今天和未来。
在这篇文章中,我们深入地研究企业如何需要以想想AI收养成功开发数据能力和关键是什么最佳实践企业领导者需要实施开始使用人工智能。
我们与四位专家对AI的业务状态,以及他们如何能人工智能和机器学习融入现有工作流程讲话。我们也试着列出企业领导人如何能避免一些与AI采用相关的常见陷阱。
我们打破由我们与这四个专家对谈话的重要见解我们人工智能在工业播客,包括有关的讨论:
- 设定高管对人工智能应用的期望
- 选择一个初始的AI项目
特别感谢四位受访者:
- 弗拉德Sejnoha,合伙Glasswing创投
- 戴维卡莫纳,总经理,人工智能在微软
- 扬·诺伊曼,高级总监,应用人工智能研究,康卡斯特
- 一月Kautz酒店,在NVIDIA学习与认知研究副总裁
你可以在AI in Industry播客的“如何开始人工智能——4位行业专家的最佳实践”中收听我们完整的播放列表。这篇文章很大程度上基于这四个访谈:
订阅人工智能在工业播客,无论你让你的播客:msports万博体育官网
我们将开始分析企业应该如何采用人工智能,以及他们最重要的人工智能采用策略。这些决定可能会影响他们如何投资和部署人工智能以保持竞争力。
设定高管对人工智能应用的期望
AI是不是像普通软件
企业领导者应该明白,他们需要从根本上改变他们对这些项目相比传统软件自动化的方式。实现软件自动化项目,不涉及任何AI通常更容易并采取了很多的时间更少。
机器学习计划是时间和资源密集型的。它们通常需要大量非常具体的数据,而企业可能已经收集了这些数据,也可能尚未收集。
他们需要从两个数据科学家和主题专家认为告知他们的工作时间;企业需要不会介意的拍摄主题专家们从他们赚钱的业务,而不是常规的方式废除数据科学家合作,以建立一个AI模式。尽管所有的投资资金,任何给定的AI项目的投资回报率可能会在短期内最小的,如果有一个在所有。
Kautz酒店已经为采用AI商界领袖以下忠告:
你需要知道,进入这不仅仅是买现成的,但你必须投资于数据基础设施,并聘请数据科学家来看看你正在试图解决的具体问题。从Excel电子表格建模到人工智能的区别是,你将不得不雇用在那个特定问题的科学数据和经验看
具体部门的AI理解
企业也需要了解概念什么样的问题,AI可以解决。有几种方法,以人工智能和机器学习,包括自然语言处理、计算机视觉和异常检测。所有这些在行业中都有自己的特定用例。
一旦一个企业领导者明白什么是可能的AI,他们可以在自己的组织,AI能解决识别业务问题。Sejnoha补充说:
有很多在市场AI应用。它是选择试图解决有足够的技术业务问题和可衡量的方式提供价值相应的应用程序非常重要。企业必须考虑嵌入现有工作流程的新技术的整体组织准备。最后,企业必须有训练的机器学习算法准确输出充足和相关数据。
一个从知名AI供应商和大型企业与AI行动研究AI在给定的行业,了解案例的最佳途径是阅读我们的不同空间范围:
清晰的目标
我们采访到似乎专家们一致认为,制定一个长期的AI的目标是成功的关键。与此同时,企业领导人必须明白,任何企业工作流程的“重塑”通过AI是成功的不同速率的浩大工程。
企业需要把重点放在第一获得AI功能,然后把它们作为一个晴雨表定义的长期目标。扬Kautz酒店同意,如果我们的目标是提高技能的团队AI的理解,企业应该以小项目开始,并挑选一个领域,传统的软件解决方案存在:
如果你想确保人们在你的团队获得一些能力在AI是有意义的开始很小,所以不要检修你的整个欺诈检测的例子。捡东西,你已经有一个相当不错的现有模型,这样你至少可以比较AI模型的结果,并知道如果你是在正确的方向前进。
尽管实现这些长远的目标不是一朝一夕的过程中,要接近他们是开始了与那种长期的AI技能,一个企业想要获得对准小AI项目的方式。
弗拉德Sejnoha讨论,当谈到AI企业领导人如何能接近目标设定。在他看来,这可以分三个阶段进行:
首先:商业领袖可能至少需要对人工智能能做什么有一个概念上的理解。在这种情况下,他们可以引入人工智能顾问,而不是开发任何人工智能项目,而是识别他们业务中的机会。然后,在第三阶段,领导者需要确定这些AI项目的需求是什么。他们必须问这样的问题,‘需要什么样的数据?我们能访问这些数据吗?我们能从客户和企业中获取正确的数据吗?”
如何组织ai兼容的团队
一旦企业理解了人工智能能做什么,并将这些能力与它们的业务目标结合起来,下一步就是集合数据科学家和主题专家,创建多学科团队。主题专家是对特定功能或部门的业务流程有深刻理解的员工。
通常情况下,组装这样一个团队比传统的软件项目更加昂贵。此类项目的预算拨款通常需要通过在C-套件COO或某人的批准。组织这样一个团队的数据科学家可能包括以下步骤:
- 确保在解决方案中使用的数据科学家们清楚地意识到业务问题的AI被应用到的。这将有助于给他们上下文多少和什么类型的,他们需要的数据,以及什么其他团队成员的技能可能需要的项目。
- 主题专家需要确定需要解决的业务问题。然后,数据科学家可能更适合确定人工智能能否解决那个特定的业务问题。
- AI项目不是一次性投资。当企业产生新的数据,算法可能需要进行微调,以纳入更多的数据,并仍然保持精确的结果。维护和更新的AI系统是必要的,而企业领导者需要组装团队,能够完成,即使该项目主要是开发和部署此任务。此外,这个过程不是一个只涉及数据科学家。就像使用AI系统,维护和校准这些系统,以提高其准确性的发展也需要来自主题专家和其他团队成员的投入。
Carmona为企业领导人提供了一种简单的方法,让他们了解如何考虑为数据科学家提供业务上下文:
如果您在组织中问一个数据科学家,什么是你所支付的?您可能会收到的最常见的答案很可能是:“我支付给提供精确的模型。”这是一个人应该理想地说,我支付了百分之X或增加客户收购百分之Y减少的客户服务管理人员的工作量。
虽然企业可能很容易分配新的AI系统建设任务,新聘请的数据科学家,他们还需要找到一种方法来重新部署主题专家在他们目前的任务,以花费的时间以纳入AI项目的投入。
这可能包括重组其工作日程和奖励或聘请外部主题
专家顾问的项目。但是,如果标的顾问是暂时的,可能再次当系统需要更新或微调需要他们的服务。
卡莫纳似乎表明,最好的办法,以确保AI项目无论是在短期和长期是自动很多涉及学习机的内部流程正在返回值:
这里最好的做法是自动AI项目的生命周期。这意味着确保从目前的数据科学家创建一个模型当模型被打包部署到生产需要自动化来。从本质上讲,平均时间分辨率(MPTR)非常需要在几分钟而不是几天的顺序。
数据和数据基础设施的注意事项
虽然我们已经谈过所需的所有成功采用AI的人体所必需的成分,这些步骤均是值得的,除非它们是围绕整体数据为中心的战略构建。数据是什么使AI项目运行,该数据需要清理,分析和测试,然后才能使用它。
Reimagining一个企业如何收集,存储和管理数据是一个决定,获得数据能力一定水平后进行的需求。
一旦飞行员被测试的数据是可测量有价值的概念证明,企业可以考虑在整个数据基础设施的检修阶段。下面是什么,当谈到在AI项目的数据和数据基础设施管理业务负责人可以指望几个要点:
- 企业会发现,访问数据通常是更难比预期的。数据可能被存储在几个不同的格式或可能存储在具有不同的数据传输规定不同的地理位置。
- 即使是立即访问的数据通常不存储的格式,使得它易于使用。数据往往会需要大量的改组,并以对其进行格式化排序,并在某些情况下,清除它。
- 此数据的存储硬件,可能还需要升级。此外,企业还可能不得不重新考虑他们目前如何收集数据,有什么新的基础设施可能需要以可持续的方式实现AI
一月纽曼补充说:
它不只是正在AI项目工作的算法,也正在使用的数据训练的算法,也是最终结果的一部分。要成功地做到AI和ML,你必须确保让你的数据管道给予关心和照顾同级别传统上给予软件开发管道。这是什么,往往是不明确的商业领袖
选择一个初始的AI项目
从小处着手,但要有长远的人工智能技能眼光
AI项目也涉及到可能需要数天或数周才能完成几个单独的步骤。从本质上说,有几个优势,先发小:
- 小型项目可以帮助企业重点打造的技能,而不是立即寻找直接的回报。AI项目在技术上具有挑战性,需要大量的初始资本的部署。他们将需要两到六个月打造,而且当时可能没有一个成功的结果在某些情况下。小规模的尝试开始让企业知道哪些AI技能似乎是工作的,哪些是不值钱的。
- 小项目可能并不是为了要求总数据基础设施的大修成功地测试和部署。举例来说,部署一个聊天机器人可能不需要企业检修他们的整个数据基础设施,但它会给他们进入AI点。企业可以保持小AI项目在闭合回路中的内部数据流而言不是从而破坏现有的流程。
- 小型项目可以帮助建立对数据管理能力的信心
获得在使用数据将有助于未来继续AI项目在未来的发展充满信心,并获得数据能力作为一项重要功能将允许企业保持竞争优势的。
卡莫纳还重申将短期和长期目标的分解AI目标的重要性。他补充说,在初始阶段盈利能力方面的关键洞察力,以及:
企业需要思考的AI在两个方面:一方面战术项目,并在一侧的战略举措。总的长期目标还需要建立,它代表机会的大小,如按一定比例增加收入或改善客户获取数字。在短期目标可能是类似于在组织财政收入增加为特定部门或减少对客户服务的工作量。有时,最理想的第一个小项目可能不是最有利可图的立即,但最终的目标应该是更大的长期泡沫。
开发AI在内部Vs的工作与供应商
一个可能的决策,企业领导人可能必须进行时,他们决定进入AI是能否建立一个系统或工作与供应商的解决方案。
在本节中,我们将讨论从AI供应商处购买和在内部构建AI解决方案的相对优势和劣势。是否建造或购买的问题可以根据以下因素来评估:
构建AI解决方案在内部
如果组织有机会获得正确的数据,现有的自动化工作,预算和已经确定了部署AI需要保持竞争力,很可能会诱因在内部建立的应用程序。例如,在应用如欺诈识别在银行业,可能需要人工智能解决方案来应对更复杂的网络威胁。
没有访问历史数据记录,企业可能需要现在就开始收集,以便在内部建立的解决方案中的数据。识别业务问题的AI可能会解决需要企业首先要分析是否有针对这一挑战任何现有供应商的解决方案。
领导者需要仔细辨认唯一供应商解决方案,在自己的行业解决确切的问题最好。这是因为厂商们很可能高估了他们软件的功能,以适应任何问题。如果一个供应商的解决方案并不存在,企业领导者需要知道,这可能是新的挑战来,即使顾问可能无法与帮助,实验用例。
与AI供应商合作
这是进入小AI项目可能不会大幅整顿他们的底线可能更愿意与供应商合作的企业。Sejnoha表明,这将使他们有机会转变成AI项目没有真正需要破坏任何现有的业务工作流程的太多:
在你知道你的整体发展方向之前,你不需要改变企业。你需要大量的人工智能项目的数据。识别您可以访问的数据资产,什么是好的小型试点测试,可以帮助您了解什么是可能的,什么是不可能的。
没有访问大量历史数据的企业可能受益于与提供预先训练AI的解决方案可能是在企业有大量的训练数据集的很少或没有接入的情况下有益的供应商合作。
最后,寻求即时投资回报的企业,或那些将人工智能应用于需要快速解决的问题的企业,最好与一家在解决该业务问题方面有着良好记录的供应商合作。
如果内部开发的小项目和项目较少的时间敏感型能成功。额外的时间可以有效地用于开发和测试内部强大的解决方案。
相关文章
- 购买和通过准备用于AI(7 AI时代精神5):本文着眼于如何购买人工智能解决方案的过程将在未来几年改变。
- 机器学习仍然获得在中型企业的世界海洋的腿 - 的对话与查尔斯·马丁:In this podcast, we talk to Charles Martin, PhD, about the areas in AI that he believes are ripe for implementation in a business context, and where he sees businesses getting AI ‘wrong’ before getting to the hard work of implementing systems that work for them.
- 如何确定最佳的人工智能应用领域在您的业务:亚马逊的Madhu Shekar详细介绍了机器学习在客户服务、市场营销、制造和其他应用领域的早期采用策略
- 人工智能的企业通过 - 当它并没有什么意义:这篇文章的读者可以得到的AI目前的应用和限制一个更好的主意 - 最重要的 - 思维在哪里AI可能在他们的企业承诺的框架。