本文由星空传媒联合创始人兼首席技术官Sergii Gorpynich撰写，星空传媒董事总经理Perry Simpson和写，编辑和我们的透明发表在对齐Emerj赞助的内容指南。了解更多关于实现我们的AI-专注于执行我们的观众Emerj广告页面。
虽然很容易找到医疗保健AI使用情况在网上，目前尚不清楚哪些应用是可行的，哪些是炒作。医疗保健领导层需要决定的AI行动之前需要考虑具体的数据资产，资源，和他们的组织的需求。
在这篇文章中，我们深入探究高管如何需要适应的是AI会在商家带来的变化更多的细节。
欲了解更多关于在医疗行业采用AI，下载Emerj明星白皮书，执行指南AI收养在医疗保健。
医疗人员如何适应AI
如果没有一个基本的接地什么AI可以做，它是如何工作的，也可以是不可能的高管发现和评估AI机会的领域。
什么高管们知道
AI有什么可以做
卫生保健领导人应该了解人工智能背后的技术如何工作的基础知识，机器学习和数据科学的关键概念，数据的关键作用，数据基础设施的重要性，以及人工智能可以解决和不能解决的各种问题。
基本用例
熟悉一些基本的AI使用情况在医疗保健可以是一个非常有益的开端。知道的先例计算机视觉对于诊断，NLP工作流管理，为客户服务的自动化，以及其他使用情况聊天机器人可以帮助领导者看看他们的企业通过AI机会镜头，发现在其他医疗机构或在不同的领域内的企业已经证明了宝贵的唾手可得。
设置预期AI项目
AI是不是。谁想到“塞”机器学习算法，以改善他们的流程管理人员缺乏如梦初醒。AI举措包括确定假设，组织数据，训练算法，并反复和快速检测的想法的可行性。
许多领导者已经有这种差异有一定的了解，很多卫生保健领导人的做与他们已经坐在了数据的东西的重要性感。他们大多承认数据的重要性。他们知道，没有价值在那里。他们已经觉得迫切需要利用该值。
一些紧急程度可以是一个良好的开端，但它不会对迭代准备领导，测试和实验需要把人工智能项目的生活。，而且在试点初期和概念验证集思广益的AI行动不只是当领导者还应该了解数据相结合的科学和主题专家队伍的极端重要性在一起。
随着团队动态，数据要求和必要的迭代/实验时间的理解，主管可以更加放心地选择AI项目，数据科学团队更有可能保持该高管买入的整个项目。
克服初始数据跨栏
最AI项目需要可用于训练算法以机器可读格式的历史数据集。在获取这些数据所面临的挑战是，尽管许多企业可能存在的历史数据，很多数据的可能不是一个格式，机器学习项目访问或有用。
例如，在医疗行业，电子病历（EMR）和电子健康记录（EHR）现在被用来训练AI算法和人工智能供应商提供的解决方案，在不同的使用 - 使用这种类型的患者数据的医院和诊所例（从诊断，计费，及以后）。虽然医院被授权来存储这些记录，他们通常没有保存与利用他们训练算法的意图。
这对包括医院和医疗服务提供商在内的大型组织的管理团队意味着，数据能力需要成为一种草根驱动，企业的整个数据基础设施都需要定制，以满足自学习算法的需求。这是组织中高管心态的变化，是向更以数据为中心的方法的变化。在人工智能应用程序证明其价值之前，这种数据检查通常不需要进行。在前一篇文章中，我们讨论了在医疗领域开始使用人工智能的三阶段方法。
了解时间实现价值
对于高管团队期望在初始AI项目眼前的金融投资回报率往往是不合理的。迭代时间，改变数据基础设施，并调整团队动态意味着AI是在学习和技术，而不是快速的螺栓上改善投资真实。
通过查看AI作为一个重要的能力，作为一个新的重要的技能，主管可以框定的AI项目的“投资回报率”，在更广泛和更准确的术语比测量短期的财务回报，以及。虽然公司应该用一记清楚端来衡量的AI应用程序的成功的方式进入项目，他们应该看到AI作为一个学习的经验，这将在未来几年产生的竞争优势。
在AI提高技能参与阶段
我们认为，企业管理者可能更关注与他们的特定功能使用情况，如在大相对于业务。大多数经理级员工今天似乎认为AI作为一个有用的附加技术了解，而不是看它作为知识的提高技能。这就是我们称为的人工智能的出现阶段。
在过去的几年里，我们在Emerj看到了大量的AI会议和活动，企业高管们希望通过这些会议和活动来深入了解AI的基本原理。这可能是一个必要的过渡时期，在此期间，企业高管要熟悉什么是AI，以及它能做什么，最终的目标是了解正确的AI策略是什么，或者需要与哪些AI供应商合作。
很可能在未来我们会发现大量的谁拥有AI使用情况很强一般的理解和能力可以通过技术来获得什么企业高管。我们称之为收养阶段。
在接下来的两到三年里，我们相信商业领袖应该对人工智能有以下程度的了解:
- 哪些人工智能应用被炒作，以及供应商声称的人工智能产品的采用标准和回报的类型似乎是合理的。与正确的顾问和AI供应商合作可以帮助加速这一过程。
- 该组织现有的数据地形和确定哪些用例最适合公司的业务目标。
- 如何开发和维护一个健壮的、可伸缩的、适合业务需求的数据基础设施。
- 如果能够对整个组织的概念层次数据的科学理念，技术和非技术人员熟悉基本术语和使用情况进行沟通。
在第三个阶段，就是我们所说的分散阶段，我们预计企业领导者对一般的AI概念，牢牢把握着如何申请通过AI获得的能力，解决实际业务问题更细致入微的理解，有一些积极的回报沿通常在成本，时间和人的努力降低形式。
为了更好地理解这一阶段，我们使用互联网的比喻。怎样的哪些功能是通过互联网提供“理解”类似的是几乎一致司空见惯的今天，未来的业务部门。大多数医疗保健企业目前都在兴起阶段，那些对提高技能他们的球队在技术上（数据科学家）和AI的概念的把握和数据（企业领导）的重要性方面迅速采取行动将能够迅速采取行动更进AI采用。
两种查找的AI机会
有时候，企业领导人可能是不确定的，其中以处理数据并识别其中可以有效地应用于人工智能，解决了业务成果开始。
在其他情况下，企业可能在自己专注的领域有信心，但不确定的地方或如何人工智能可能会增加值到他们的过程。有原产地整合AI和数据科学纳入业务计划的两个潜在点。
从业务结果开始
在某些情况下，企业可能已经参与在收集消费者数据可能是工作流程的一部分项目。
了解通过人工智能获得的能力的业务主管可以发现这些潜在的数据“矿山”，并尝试确定如何使用人工智能来利用这些数据。
让我们假设一家公司正在部署智能注射设备，该设备连接到一个移动应用程序，可以为患者提供更高效、更可靠的家庭注射。如项目将可能涉及通过注射设备和连接到云数据存储的移动应用收集患者数据。如果一家医疗公司在考虑人工智能之前就已经启动了这个项目，他们就会收集有价值的数据，这些数据可能会用于人工智能项目，比如预测病人的治疗结果。
我们可以想象另一个涉及医疗账单的例子。连锁医院可能会实施一种新的软件来跟踪支付，跟踪病人的账单问题。医院可能会决定，在这个系统中跟踪的数据可以用于更好的预测收集，或者从患者消息中收集的数据可以用于定制与计费相关的消息(以及该消息的时间)，以提高总体收集率。
这些都是典型的用例，但数以百计的其他例子可能是集体讨论，涉及到几乎任何现有的医疗技术或数据的倡议。这样一来，现有的经营目标有可能成为为进军通过找到AI是这个职位的最佳工具领域建设公司内部AI能力。
与数据资产开始
虽然现有的业务计划可能会开始寻找机会AI的好地方，它也可以开始与数据本身。医疗保健领导人经常意识到他们已经收集到的数据的价值，但无法确定它究竟会如何利用带来在他们的组织价值。
与从业务计划的过程中,是非常重要的商业领袖的概念理解艾未未的功能,并且能够培养一个跨学科和数据科学家(内部或外部)和主题专家为了发展最丰硕的思想从现有数据中提取价值。
例如，诊所链可能有医疗图像，如骨科X射线图像或病变和肿瘤的影像的历史记录。医疗保健企业有可能利用这些数据来训练计算机视觉算法。例如：
- 算法可能能够以对膝关节的矫形X射线图像（来自各种年龄和活动水平的患者）训练，以更好地确定一个特定的关节损伤的未来严重性，还是那种止痛药大部分可能帮助病人。
- 训练有素的各种工作人员感染病灶的算法也许能帮助医生确定感染的严重程度，或者讲药物或治疗更明智的决策。
机会也可以呈现自身的操作数据的形式。这可能是可以使用有关医疗预约卷中的数据，以更好地预测需求，或者更准确地预测人员成本。
结论
With a clear line of sight on the company’s goals and data assets, leadership teams (and their data science/subject-matter expert task force) can develop an almost unlimited number of potentially valuable AI use-cases in an effort to determine a first application area.
最终，无论是与业务结果或与数据资产开始，其在组织中，尤其是在C-套件和管理团队创新的文化是在AI项目成功的关键。副总裁，经理和商家内部各部门的其他负责人都需要理解和沟通的组织权AI策略和技术解决方案的评估的其余部分向前推进了公司的目标。
大多数所有重要的是开始。
标题图片来源：Datameer
