[.comQuickTranslation] 根据Gartner的研究，大约37%的组织正在实施某种形式的人工智能。然而，据知名咨询公司安永的一项调查显示，只有20%的企业能够将人工智能发展成为企业的战略能力。很少有组织能够成功利用人工智能的真正力量来创造有意义的影响。 如何使用人工智能？实施框架应该是什么样的？这篇由麦肯锡全球研究院(MGI)发表的论文提出了组织需要关注的五个领域。 这些领域是相互关联的，每个领域都需要协同工作才能显示出可见的影响。在本文中，我将详细说明实现该框架的可能方法。 1。确定正确的用例 当组织决定踏上人工智能之旅时，首要任务是确定正确的用例。在这方面，发散收敛法是一种行之有效的方法。尽可能多地集思广益AI用例，完成后，编制候选清单并找出前三名。 问题的症结在于：如何聚合用例？应该考虑哪些维度？ 建议从以下三个方面着手： 业务影响：这个用例是否有实际的业务影响？量化它。 技术可行性：当前的技术环境是否支持这个用例的实现？创建技术地图。 数据有效性：是否有相关的数据点来支持这个用例？做你的研究。 这三个元素组成了一个benchmarkmap，可以用来判断用例是否可行。以下图为例： 大家可以看到，在这张图上，横轴和纵轴分别代表业务影响和技术可行性，圆圈的大小代表数据有效性。用例7和用例6在三个元素中表现出较高的层次。用例3虽然在其中一个维度上表现不佳，但与其他用例相比，整体上可以列为下一个候选。 这其实涉及到一个无法回避的问题：多少数据才算足够？ 这个问题其实并没有一个确定的答案。解决这个问题的经验法则是首先回答以下问题：可用数据是否足以支持建立最小可行模型？如果答案是肯定的，那么建议继续考虑这个用例的潜力。 2。打造高效数据平台 数据是一种新型“石油”，在组织中“泛滥”。如何从中提取价值已成为每个组织面临的挑战。人工智能和数据是共生关系，需要彼此才能相互成就。 长期以来，组织一直在尝试创建数据分析平台，从数据库到数据仓库再到数据湖，试图驯服这只“野兽”。随着数据技术的发展，新的数据结构模式应运而生。2017年，我在博客文章《揭秘数据湖架构》中重点介绍了实用的AI数据平台的要素。尽管数据技术在不断发展，但核心始终不变，概念仍然可用。 但有一个问题需要深入思考：数据平台使用人工智能的原理是什么？很复杂。只有当你实际使用它时，你才能了解这些数据的用途。最好的策略是将它们全部以原始格式存储，不做任何更改。云技术的出现降低了数据存储的成本。存储在云中的数据可能会根据其在其生命周期中的生成、处理和访问方式而有所不同。以Azure为例，AzureStorage提供了不同的访问层，包括热访问层、冷访问层和存档访问层。0-50TB用户存储的数据，平均每GB每月收费0.044美元，约合每月每TB4.4美元，成本还不如一杯星巴克摩卡。这是一条建议。对于企业，我建议至少存储过去5年的数据。之后，如果发现没用，再归档也不迟。 （2）存储与计算解耦：存储与计算负载对计算机资源的需求完全不同，存储与计算解耦有利于系统的负载均衡与调度。处理引擎可以是面向批处理或面向流的。按需加工可以在一定程度上控制成本。根据所需的处理类型构建合适的处理引擎，当任务完成时可以中止或销毁它。将计算和存储解耦，节省了大量开支，也提供了极大的灵活性。 (3)数据编目和管理：防止数据湖成为交换平台的最关键原则之一是数据的详尽编目和管理。根据经验，任何非瞬态的都会被编目。对于业务分析师、数据科学家或任何希望以正确格式查找正确数据的人来说，活动编目的重要性怎么强调都不为过，因为它有助于轻松搜索数据元素。编目和管理可以成就或破坏数据分析平台。 3。采用正确的工具、流程和技术 除了确定正确的用例和创建高效的数据平台外，选择正确的工具和技术来实施人工智能也非常重要。推动人工智能蓬勃发展，遵循三个原则： 发挥规模优势：数据与人工智能密切相关。一般来说，训练的数据越多，模型越可用。过去，训练模型的能力一直受到有限的存储和计算能力的限制。近二十年来，存储和计算技术不断演进，云平台不断创新，存储和计算成本变得可控，可接受范围内的大规模数据处理和模型训练逐渐成为可能。 关注功能而不是技术：构建一个灵活的数据架构，其中每个组件都完成特定的功能，但可用的技术特性不绑定到组件。基于功能不变和技术不断变化的事实，突出了云平台的优势之一。云平台的创新往往意味着可以不断引入新技术，以更低的成本提供相同或更好的功能。 在数据项目中拥抱敏捷：著名统计学家GeorgeBox曾打趣道：“所有模型都有谬误，但有些仍然有用。”因为模型是建立在一定的假设之上的，超出一定的范围就可能会出现错误。寻找有用模型是一个迭代过程，每次迭代都是朝着该有用模型迈出的一步。请记住，不要在AI项目中追求“绝对答案”。完美的模型是乌托邦，瞄准给定的现实就足够了。 4。在流程中整合AI决策 任何基于AI的项目的最终目标都是创造积极的影响。但许多有前途的AI项目在婴儿期就夭折了，从此再也没有出现过。因此，一个AI项目从孵化阶段就需要充分观察。 有一点我需要再三强调：AI项目不是纯技术项目，而是注重影响力的项目。所有项目都需要一个结果。 这意味着当你设想一个人工智能项目的未来时，它不应该是关于模型和算法的，而必须是关于结果的，一个能给最终用户带来好处的结果。因为每个过程都是环环相扣的，所以需要回答一些问题： AI会影响过程中的多少步骤？ -这会促进流程自动化吗？ -这会加强流程建设吗？ 根据答案画出正确的路线。 5.建立实验文化 文化是所有变革的基石。现代管理学大师彼得·德鲁克曾说过：“文化可以把战略当早餐吃”。对于AI项目来说，这句话非常精辟。决定成败的往往不是技术，而是价值观。灌输实验文化对于AI实施至关重要。根据定义，实验是检验或反驳假设的过程。并非所有的实验都会成功，但所有的实验都会有回报。这种实验文化需要渗透到公司的灵魂中。以下是可以帮助公司建立实验文化的三项准则。 1。衡量指标。组织中的每个部门都需要衡量以下三个指标：在给定时间段内尝试的实验次数；在给定时间段内业务工作流程中采用的实验数量；在给定时间范围内进行的实验数量。 2。拥抱敏捷。敏捷是AI的出路。鉴于AI的性质，迭代方法最适合AI。敏捷哲学中的三个核心教义：持续改进、信息透明和深度协作应该渗透到公司的DNA中。 3。树立员工对人工智能的正确认识。围绕人工智能的炒作可以说是铺天盖地，而这种炒作伴随着的是一种对它会被取代、会导致失业的恐惧。这种担忧是没有根据的。在公司中建立对AI的清醒认识非常重要。员工需要清楚地了解AI能做什么和不能做什么。建立正确的认识后，员工对人工智能的接受度更高，也更愿意使用人工智能来提升工作技能。 总结 负责任的AI采用是不可避免的，每个人都应该接受这个现实。AI不是万灵药，但只要有正确的框架，AI就有可能产生积极的影响。 原文：https://medium.com/swlh/a-practical-framework-for-ai-adoption-a-five-step-process-ed8349977695 参考： 科技评论：Thegrowing人工智能对商业的影响 https://www.technologyreview.com/2018/04/30/143136/the-growing-impact-of-ai-on-business/ ZDNET：企业采用人工智能已经过去四年增长了270% https://www.zdnet.com/article/enterprise-adoption-of-ai-has-grown-270-percent-over-the-past-four-years/ 麦肯锡全球研究所：人工智能下一个数字前沿 https://www.mckinsey.com/~/media/McKinsey/Industries/Advanced%20Electronics/Our%20Insights/How%20artificial%20intelligence%20can%20deliver%20real%20value%20to%20companies/MGI-Artificial-Intelligence-Discussion-paper.ashx【合作站点转载请注明原译者及出处.com】
