AI技术已经在企业中得到应用，并已从梦想变为现实。事实上，根据O'Reilly最近的一项调查，大多数组织(85%)正在采用或评估人工智能，并且超过一半的组织在生产或分析中使用人工智能。但是，AI与IT过去使用的相同流程和方法不太吻合。虽然这些努力正在迅速扩大，但仍处于起步阶段。成长的痛苦变得显而易见。O'Reilly分析师指出：“公司需要做更多的工作来支持AI工作。无论是控制常见的风险因素（模型开发中的偏差、缺失或条件不佳的数据、生产中的模型回归），还是实例化正式流程以促进数据治理，采纳者在构建可靠的AI管道时需要为此做好准备。”AI无法完全适应IT组织过去使用的相同流程和方法。评估、测试、实施和扩展非学习系统的最佳实践和常识性方法可能并不总能很好地转化。在某些情况下，它们可能会适得其反。这里有8个帮助企业采用AI技术的技巧：1.放慢速度一些企业正急于为其业务采用AI技术，如果不加以控制，可能会面临风险。JerryA.Smith博士，数据科学副总裁Cognizant的机器学习和人工智能说，“现代人工智能具有高智商，但情商低。使用人工智能不带感情地分析和学习并大规模处理它可能会使事情变得更糟。”史密斯说，IT领导者应该花一些时间来确保他们尽早使用人工智能。聪明的讨论。企业高管通常有很高的期望2.在工具之前关注技能和文化ShawnRogers，分析策略副总裁在TIBCO，他说：“技术通常是公司尝试创新的起点，这并不奇怪。但是，放弃文化方面的公司注定要失败。需要新的技能来推动AI的成功，还需要一种文化来促进采用和对AI和ML技术采取行动。成功需要平衡的策略。”3.计划迭代希望使用AI的企业需要从用例入手。但开放数据湖提供商Qubole的首席执行官兼联合创始人AshishSuchoo指出，大多数人工智能和机器学习用例都会随着时间的推移而演变。“企业投资于执行连续数据工程的能力并提供SQL和编程访问以训练和部署模型是至关重要的，”他说。他共同创立了ApacheHive并构建了Facebook数据平台。4.采用DevOps是不够的大多数创新IT商店都采用了DevOps。这对于采用AI技术是必要的，但还不够。FractalAnalytics的技术服务客户合作伙伴GeorgeMathew表示，企业需要添加MLOps。“这种集成需要在应用程序生命周期的早期进行规划，并在后续阶段进行，”他说。例如，企业需要考虑在生产中重新训练人工智能模型。“这意味着必须建立一个额外的管道，将AI模型产生的见解（例如预测）与数周或数月后从现场收集的实际数据进行比较，”他解释说。5.及早扩大AI的采用倾向于使用一些使用一组定义的数据的模型。然而，这些努力可以迅速扩展到无法管理的领域。“随着成功率不断提高，为不断壮大的数据科学团队管理数百个生产模型和多个创作环境带来了新的挑战，以满足不断增长的需求，”TIBCO的罗杰斯说。6.发现并消除偏见Cognizant的Smith说，“了解输入和输出之间的关系是AI中比较容易的部分。许多公司向AI开发团队施加压力，要求他们发现并消除偏见。例如，不希望出现偏见。”人工智能算法做出贷款决策。”但与此同时，人类本身也可能存在偏见。“人们需要从中提取人类智能，并确保构建人工智能系统的人不会对模型产生偏见，”史密斯说。“消除偏见不能在数据层面开始或停止。”7.数据科学家不能只负责构建最有效的人工智能系统来增强人类。“如果你想建立一个支持人类的系统，它必须以人为本，”史密斯说。“你需要心理学家（了解客户行为的人）和社会学家（了解企业客户如何与社会互动的人）的帮助。人工智能太重要了，不能仅由数据科学家掌握。8.更好地解释人工智能可解释的人工智能（XAI）使人类能够理解、信任和管理人工智能技术，正变得越来越主流。因此，FractalAnalytics的Mathew表示，一些IT组织将在监管审查的接收端询问AI模型训练运行的详细信息，例如使用了哪些数据集、如何评估算法以及每次生成的模型指标阶段。Mathew说：在生产运行的整个时间段内收集和存储，对于某些用例，甚至更长时间。解决方案架构师需要准备架构以满足这些要求，项目负责人必须在项目计划中包含这些步骤和可交付成果，构建应用程序的数据科学家和工程师必须使用此框架。“在项目开始时规划这项工作并在整个系统开发生命周期中提供必要的支持已成为人工智能应用成功的关键因素。
