人工智能的准备过程多为组织变革。人工智能的使用可能需要创造一类新的劳动力：新领工人。新领工作可以包括网络安全、云计算、数字设计和认知业务方面的工作。在世界范围内，大多数组织都同意人工智能可以帮助他们保持竞争力，但许多组织通常仍然使用不太先进的分析形式。对于经历过AI失败或次优结果的组织，自然的方法似乎是消除而不是增加严谨性。从AI阶梯的角度来看，梯级被冲过了，甚至是完全跳过了。随着组织开始认识到并接受这种范式，他们必须重新审视分析的基础知识，以便为他们期望的未来状态和获得AI好处的能力做好准备。他们不一定要从头开始，但他们需要评估自己的能力以确定可以从哪个梯级开始。他们需要的许多技术组件可能已经到位。01关键技术领域如图1-1所示，组织可获得的分析复杂度水平随着梯级的增加而增加。在机器学习和人工智能的进步的推动下，这种复杂性可能会导致数据管理实践蓬勃发展。在某些时候，拥有大量数据的组织将需要探索多云部署。当他们攀登AI阶梯时，他们需要考虑以下三个基于技术的领域：以机器学习为核心的混合数据管理。在安全用户配置文件中提供安全和无缝用户访问的治理和集成。用于高级和传统分析的自助服务和全方位服务用户环境的数据科学和人工智能。这些基础技术必须结合现代云计算和微服务基础设施，为组织敏捷、快速地向前和向上发展创造途径。这些技术必须在所有级别实施，以支持数据移动并从部署在从单一环境到多云环境的各种环境中的机器学习模型获得预测能力。02一步步攀登阶梯如图1-1所示，人工智能阶梯的梯级分别标注为“采集”、“组织”、“分析”和“注入”。每个梯级都提供了信息架构所需的元素。▲图1-1人工智能阶梯的第一梯级实现完整数据和分析的集合代表了构建基本数据技能的一系列过程。理想情况下，无论数据采用何种形式或位于何处，都应简化对数据的访问并使之可用。由于用于高级分析和人工智能的数据是动态和流动的，因此并非所有数据都可以在物理数据中心进行管理。随着数据源数量的不断增加，如何收集虚拟化数据是信息架构中需要考虑的关键活动之一。以下是收集梯级中包含的关键主题：使用通用SQL引擎收集数据、使用API进行NoSQL访问以及在广泛的数据生态系统（数据行业）中支持数据虚拟化。部署始终具有弹性和可扩展性的数据仓库、数据湖和其他基于分析的存储库。考虑实时数据摄取和高级分析。存储或提取结构化、半结构化、非结构化和所有类型的业务数据。使用AI优化的集合，其中可能包括图形数据库、Python、用于机器学习的SQL和基于置信度的查询。深入研究可能包含MongoDB、Cloudera、PostgreSQL、Cloudant或Parquet等技术的开源数据存储。组织级联意味着需要创建可信的数据基础。可信数据基础必须至少对组织已知的内容进行分类。所有形式的分析都高度依赖数字资产。数字资产构成组织可以合理了解的基础：业务语料库是组织话语域的基础，即可以通过数字资产了解的信息总量。拥有可用于分析的业务就绪数据是AI业务就绪数据的基础，但仅仅能够访问数据并不意味着数据已为AI用例做好准备。不良数据会使AI瘫痪并误导任何使用AI模型输出的过程。为了组织起来，组织必须制定程序来集成、清理、整理、保护、编目和管理其数据的整个生命周期。以下是组织梯级的关键主题：清理、整合、分类来自不同来源的所有类型的数据。支持和提供自助分析的自动化虚拟数据管道。甚至跨多个云确保数据治理和数据沿袭。部署具有基于角色的体验的自助数据湖，提供个性化服务。通过梳理来自多个云数据存储库的业务就绪视角，获得360度360度视图。简化数据隐私、数据策略和合规性控制。分析梯级包含基本业务和程序分析功能，这些功能对于AI的持续成功至关重要。分析阶梯进一步封装了在集成组织技术组合中构建、部署和管理AI模型所需的功能。以下是分析梯级的关键主题：为AI模型准备数据，在统一体验中构建、运行和管理AI模型。降低自动生成AI构建AI模型所需的技能水平。应用预测、规范和统计分析。允许用户选择适合自己的开源框架来开发人工智能模型。在精度分析和质量控制的基础上不断改进模型。检查偏差，确保线性决策解释并遵守合规性。注入是一门涉及将人工智能集成到有意义的业务功能中的学科。虽然许多组织能够创建有用的AI模型，但他们很快被迫应对交付持续、可操作的商业价值的运营挑战。AI阶梯中的“注入”梯级突出了在模型推荐的决策中获得信任和透明度所需的纪律，解释决策，避免偏见或确保公平检测，并为审计提供足够的数据线索。InjectionRung旨在通过处理时间值连续体来使AI用例可操作。以下是InfusionRung的关键主题：通过为客户服务和财务规划等常见用例预构建AI应用程序，或为物流和运输等特殊用例定制AI应用程序，缩短实现价值的时间。优化知识工作和业务流程。利用AI辅助的商业智能和数据可视化。自动化规划、预算编制和预测分析。使用符合行业需求的AI驱动框架进行自定义。通过使用人工智能支持新商业模式的创新。一旦每个梯级都掌握到新尝试重复模式并且不被视为定制或需要大量努力的程度，组织就可以认真地朝着未来的状态迈进。在AI阶梯的顶端是不断的现代化：本质上是按照自己的意愿重塑自己。现代化梯级只不过是实现的未来状态。但一旦实现，这种状态就成为组织的当前状态。到达阶梯顶端后，一个充满活力的组织开始了新的阶梯攀登。该循环如图1-2和图1-3所示。▲图1-2AI阶梯是持续改进和适应的迭代攀登的一部分▲图1-3当前状态←未来状态←当前状态以下是现代化阶梯的关键主题：部署多云人工智能的信息架构。利用跨任何私有云或公共云的统一选择平台。使用数据虚拟化作为从任何来源收集数据的手段。使用DataOps和MLOps为自助服务构建可信的虚拟数据管道。使用开放且易于扩展的统一数据和AI云服务。动态实时扩展以适应不断变化的需求。现代化是指升级或更新的能力，或者更具体地说，包括新的业务能力或产品，这些能力或产品来自利用重新构想的业务模型的变革性想法或创新。正在进行现代化改造的组织的基础设施可能包括具有多云拓扑的弹性环境。鉴于AI的动态特性，使组织现代化意味着构建灵活的信息架构，以不断展示相关性。大蓝图在敏捷开发中，史诗用于描述被认为太大而无法在单个迭代或冲刺中解决的用户故事。因此，史诗被用来提供大局。该蓝图提供了需要完成的工作的端到端视图。然后可以将史诗分解为可处理的可操作故事。史诗的作用是确保故事的顺序正确。在人工智能阶梯中，阶梯代表“大蓝图”，分解以梯级代表。这个阶梯用于确保每个梯级（收集、组织、分析、注入）的概念都被正确地串联起来，以确保获得成功和价值的最佳机会。
