如今“人工智能”这个词似乎无处不在，给行业市场的应用带来了一些困惑，甚至可能让技术决策者感到困惑。人工智能究竟是什么？一个常见的定义是“在机器中模拟人类智能，这些机器被编程为像人类一样思考并模仿他们的行为。”人工智能系统可以被视为表现出与人类思维相关的特征并具有学习和解决问题能力的任何系统。人工智能支持的技术、产品和服务可以为组织带来巨大的好处：提高效率、手动流程自动化、增强决策能力、改善客户服务和体验，以及解决复杂问题的能力等。然而，IT和业务领导者必须善于区分炒作和现实。正如研究公司Gartner指出的那样，许多组织都在努力为AI分配现实世界的价值。组织领导者往往会高估人工智能技术的影响而低估其复杂性。该公司基于对来自美国、德国和英国组织的600多名高级管理人员的调查，发布了一份关于2020年初组织AI采用情况的报告。报告显示，超过三分之一的受访者表示已经部署和使用人工智能，超过半数的受访者表示计划在一年内部署人工智能。大约三分之一的受访者表示他们计划在两年内部署人工智能。该报告称，组织开发AI计划从原型到生产平均需要九个月的时间。尽管人工智能技术人才普遍短缺，但人才匮乏并不是人工智能成功部署的主要障碍。人工智能成功应用的主要限制因素是缺乏明确的结果。制定战略根据Gartner的调查，组织还面临着涉及集成、安全和隐私问题的挑战，这些问题阻止他们有效地将AI实践从原型转移到生产。这就是人工智能工程可以发挥关键作用的地方。卡内基梅隆大学软件工程研究所（SEI）新兴技术中心主任兼国家人工智能工程计划主任马特加斯顿说：“人工智能工程是设计、构建、测试、部署、运行和运行的过程。开发可靠的人工智能系统、流程、工具和最佳实践。人工智能本身就是创造智能模型或能力，例如特定的人工智能技术，如机器学习。人工智能工程将这些智能模型或能力转化为功能齐全的系统，为业务提供，操作或任务解决方案。Gartner副总裁兼分析师ErickBrethenoux认为，人工智能工程汇集了一个组织中的各个学科，为多种人工智能技术的结合提供了更清晰的价值路径，并整合了人工智能工程。被列为2021年最具战略意义的技术趋势之一。与客户合作采用AI工程策略的Brethenoux表示，强大的AI工程策略将提高AI模型的性能、可扩展性、可解释性和可靠性，同时实现AI的全部价值人工智能投资。他说：“AI工程包括将AI投入生产的方法、最佳实践、能力和技术，并可以管理和监控AI在组织中的使用。根据Brethenoux的说法，人工智能通常可以分为两个主要周期：第一个周期是根据应用程序类型开发和训练机器学习模型，例如基于规则的模型、优化模型或自然语言处理模型。第二个周期是模型在组织内的实施。“众所周知Brethenoux说：“有些组织在实施AI模型方面很差。他们擅长开发模型，并且已经大量开发了许多模型。但是将这些模型投入生产是困难的。我们需要一种方法来系统化这些模型的生产，而这正是人工智能工程发挥重要作用的地方。根据Brethenoux的说法，人工智能工程不应该是非正式的或广告的-为特定项目实施AI的特殊努力。相反，它应该在组织中正式化，以便它成为AI和机器学习的所有用途中最好的。实践。Gaston指出，“人工智能工程是一门新兴学科，它将随着时间的推移而发展，并与我们在人工智能领域看到的快速创新保持同步。也就是说，组织正在使用AI工程来创建和维护包含AI技术的业务解决方案。“这包括确保系统需求由业务需求驱动，为这些需求选择合适的人工智能技术，测试和监控工具以确保系统继续按预期运行。随着需求或操作环境的变化，流程和框架已经到位，人工智能系统是可以更新和演进的。主要组件成功使用人工智能的关键之一是认识到进入运营阶段不仅是技术问题，而且是业务问题。Brethenoux说，“当将人工智能引入生产，组织必须与主题专家一起讨论他们正在运行的应用程序、人工智能的用例以及这些应用程序如何为组织服务，然后必须知道已经建立的KPI是否真正起作用。Brethenoux说，组织需要将业务用户置于其AI工程实践的核心，以确保AI交付组织正在努力实现的目标。这并不是说技术不重要。AI团队在选择工具和技术见解时需要敏锐，以确保他们能够实现组织在AI方面的目标，并且可以轻松地与现有产品以及其他新的AI工具集成。另一个重要的考虑因素是组织输入模型的数据质量。Brethenoux说，“数据从哪里来，可靠性如何？”DataOps是一种可以帮助组织提高数据质量的相对较新的学科，它是一种自动化的、面向过程的方法，数据分析团队使用它来实现敏捷方法，从而提高数据质量并缩短分析周期。DataOps适用于从数据准备到报告的完整数据生命周期，它认识到数据分析团队和IT运营是相互关联的。希望利用人工智能的组织也需要具备适当的技能。其中包括使用Python、R、Java、C++等编程语言的经验；机器学习，包括算法和数据库；数据科学神经网络架构；应用数学，包括概率和统计；智能项目的专业人员还需要软技能，例如良好的沟通和协作、批判性思维和创造力。Brethenoux说，新兴的相关技能之一是机器学习验证。模型验证是使用测试数据集对训练好的模型进行评估的过程。使用测试数据集的主要原因是测试训练模型的一般能力。Brethenoux说：“这些人会参与人工智能模型的整个生命周期，从数据的角度验证它，然后从开发的角度验证它，再从开发的角度验证它。验证从运营的角度来看。他们将评估使用这些模型所做的一切是否有效、合法和技术上可行。根据Brethenoux的说法，获得AI技能并不像许多组织认为的那么困难。组织需要有合适的人才发现计划，内部适当的技能提升和教育实践，以及外部人才组合是他们取得成功所需的全部人工智能的未来Gaston表示，许多组织意识到人工智能可以在许多方面提供真正的商业价值，并开始建立自己的数据科学、机器学习和人工智能团队。加斯顿说，“虽然这些很重要p，但大多数数据科学或机器学习团队的职能是在严格控制的环境中使用数据生成模型。至关重要的是，组织必须全面了解如何为业务解决方案实施、运营和维护AI，并且他们需要为此汇集各种人才、想法和经验。“组织不需要制定AI工程战略来推进AI项目。但是，如果他们这样做，该技术取得长期和全面成功的潜力将受到限制。它是一种战略性的强大工具，不适合随意使用Brethenoux说，“我认为这是解决人工智能问题的唯一途径。如果不进行人工智能工程，只有大约35%到45%的模型能够投入生产。结果，组织将浪费模型的其余部分，并且每次都必须从头开始。“AI的主要问题之一将继续从开发和培训阶段过渡到运营/产品阶段。如果组织不对AI采取结构化、工程化的方法，这将仍然是一个问题。做得好的组织这样做更加系统化，他们从中获得了很好的收益。我很想问，“如果一个组织不打算实现其运营目标，为什么要采用人工智能？”在那之前，这只是一项有趣的智力练习。当组织部署人工智能时，它会成为一种经济优势。“人工智能工程的基本实践作为卡内基梅隆大学联邦政府资助的研发中心的一部分，其软件工程研究所(SEI)已经编纂了11人工智能工程的“基本实践”。这些是安全和应用人工智能领域的专家为IT和业务决策者提供的软件工程、网络建议。以下是这些做法的总结：（1）确保组织有一个问题应该用人工智能来解决。从定义明确的问题开始完成的工作和预期的结果，同时确保可以使用数据来实现这些结果。(2)在组织的软件工程中包括各种主题专家，例如数据科学家和数据架构师团队。有效的AI工程团队包括问题领域专家、数据工程、模型选择和优化、硬件基础设施和软件架构以及软件工程专业知识。(3)认真对待数据。数据摄取、清理、保护、监控和验证对于设计成功的AI系统至关重要，它们需要大量的资源、时间和注意力。确保组织的流程考虑到环境的变化、可能的偏见和潜在的对抗性利用。(4)根据组织需要模型做什么而不是流行程度来选择机器学习算法。算法在几个重要方面有所不同，包括它们可以解决的问题类型、输出信息的详细程度以及输出和模型的可解释性。组织需要选择适合解决特定问题并满足业务和工程需求的算法。(5)通过部署综合监控和缓解策略来保护人工智能系统。软件工程研究所(SEI)的研究表明，AI系统的攻击面正在扩大，而更广泛的攻击面加剧了操作环境的脆弱性。通过进行持续的评估和验证来解决这个问题。考虑到新威胁出现的速度，这一点尤为重要。(6)定义检查点以考虑恢复、可追溯性和决策制定的潜在需求。人工智能系统对输入数据、训练数据和模型之间的依赖关系非常敏感。对任何一个系统的版本或特性的任何更改都会迅速影响其他系统。(7)结合用户体验和交互，不断验证和开发模型。尽可能使用自动化方法来获取系统输出的反馈并改进模型。监控用户体验以及早发现问题。此外，还必须考虑用户偏见。(8)准备解释输出。软件工程研究所(SEI)的研究表明，与大多数其他系统相比，AI输出需要更多解释。在某些情况下，人工智能系统引入的不确定性可能是不可接受的。结合机器学习组件还需要针对输出中的不确定性进行设计。(9)实施松散耦合的工具，这些工具可以扩展或替换以适应不可避免的数据和模型变化。人工智能系统组件之间的界限比传统系统恶化得更快。(10)组织在系统的整个生命周期内投入足够的时间和专业知识来持续改变。许多组织中的团队严重低估了所需的资源。构建AI系统最初需要更多资源，这些资源需要快速扩展，并且需要在系统的整个生命周期内做出重大承诺。(11)将道德因素纳入软件设计和政策考虑。评估人工智能系统的各个方面是否存在潜在的道德问题，并说明此类系统各个方面的组织和社会价值，从数据收集到决策制定，再到性能和有效性的验证和监控。
