人工智能（AI）被组织视为获得竞争优势的重要技术。市场数据显示，2020年，人工智能在商业中的使用同比增长25%，63%的组织高管认为人工智能可以带来收入增长。疫情在全球范围内的持续蔓延，将使其表现更加突出。越来越多的组织依靠可以快速有效地部署和扩展的正确AI解决方案生存和繁荣。然而，与所有改变游戏规则的变化一样，组织采用人工智能的举措也带来了新的挑战和实施问题，其中最主要的是：如何使用正确的数据方法快速有效地部署人工智能？计划，并在没有失败和可持续的情况下长期发展？正是出于这个原因，“人工智能工厂”诞生了。AI工厂是一种组织运营模式，以系统的方式汇集不同的人才、能力和流程，使组织能够在AI部署和可扩展性方面取得成功。家乐福和ENGIE等行业领导者已有效地使用AIFactory在其业务中交付变革性的AI项目。然而，从头开始构建有效的AI工厂可能会让人望而生畏，需要专家团队的帮助和清晰的愿景才能使流程顺利进行。组织制定合理计划的关键第一步是定义AI工厂的愿景和用例，这将成为组织的数据战略。组织必须确定其转型具有最大业务潜力的用例，无论是供应链优化还是合规管理，各个方面都存在机会。还应考虑组织的AI愿景。重要的是它如何发展，才能对未来有规划和清晰的认识。组织可以从初始的总体角度映射适用于数据和AI的版本。接下来，必须通过识别和分类用例来评估特定的商业机会。这是通过评估业务影响和复杂性来完成的。在整个过程中关注心态很重要，大规模管理变革需要从组织高管到一线员工的每个人的参与。AI工厂的四大支柱在定义了组织的数据战略和AI愿景之后，您应该优先考虑要实施的用例列表。但是你如何开始研究它们呢？AIFactory的有效实施建立在以下四大支柱之上：(1)单一治理为了高效，治理必须先进、专业和量身定制。由数据领导者组成的AI工厂委员会在提供整体赞助和指导方面很重要，因为它分享AI愿景并与团队和路线图保持一致。在项目管理层面，应该建立AIFactory的执行角色，包括业务、运营、法律、安全、IT数据专家，其角色应该是审查、仲裁和验证进度。最后，应在运营层面建立敏捷团队。该职能团队负责交付AI产品用例。它们是紧密联系的部门，通过协作确保信息的永久流动和透明度。最重要的是，它们应该是跨学科的，结合组织的技能和专业知识。它们以成就为导向，每个目标都是用一个单一的目标创建的：提供一个用一个独特的目标衡量的用例。(2)多元化的专家团队为了提高效率，结构化组织应基于敏捷方法将业务、数据、软件和数字技术技能聚集在混合团队中。敏捷性确保工作方式的灵活性和适应性，并避免与孤立方法相关的问题，例如同一结构内的孤立部门或过于严格的程序。这需要将业务和技术简报很好地结合起来，以确保在技术方面开发的内容始终具有满足业务需求的有用目的。可扩展性是团队组成的一个重要特征。这个想法是它的结构可以很容易地复制，类似于乐高积木。凭借其完全可扩展的模型，可以添加更多团队来处理其他用例。(3)先进的人工智能技术当然，有效部署需要以人工智能技术为基础。AIFactory结合了开源、专有和云计算解决方案。根据最佳实践，它们应该从头到尾在整个数据管道（从摄取到可视化）中标准化。(4)有效的方法和制度需要系统化，以确保一系列步骤始终按特定顺序执行，每个步骤都有自己明确的目的。这有双重好处：首先，这为公共参考提供了一个整体结构，从而确保了一致性。其次，这使其方法具有可复制性和可扩展性，大大加快了工业化阶段的部署。MLOps：保持工厂运行除了设置用例方法外，还必须部署MLOps（机器学习操作）实践以弥合概念阶段和生产之间的差距。受DevOps流程的启发，这应该将软件开发和IT运营结合起来，以缩短开发生命周期。MLOps的目的是克服传统编码系统所没有的挑战。第一个挑战是团队之间的协作：不同的部门通常是孤立的，并且拥有流程的不同部分。这扼杀了生产所需的协作性质。第二个挑战是管道管理，因为机器学习管道比传统管道更复杂。它们具有特定的特征，包括必须在整个生产过程中进行测试和监控的构建块。最后一个挑战是机器学习模型通常需要多次迭代，当以手动和临时方式投入生产时，它们会变得僵化且难以更新。相比之下，MLOps方法应将所有机器学习资产嵌入到持续集成(CI)/持续交付(CD)管道中，以确保快速无缝部署。在每次发布新版本之前，应对所有数据、功能和模型进行测试，以防止质量或性能下降。所有利益相关者都应该站在同一个页面上，并将软件工程最佳实践应用于数据科学项目——版本控制、部署环境、测试。最终，MLOps是以一种与生产的所有其他元素统一的方式对机器学习项目进行持续管理的学科。它确保了从用例的早期阶段到用例的产业化的有效技术交付。成功构建人工智能为组织带来了巨大的希望，但对于未能正确部署它的组织来说也存在巨大的风险。AIFactory模型的真正好处在于它建立了一个快速成功实施的核心框架。它的流程、团队和工具本质上是可转移和可重复的，这意味着组织在追求AI愿景时可以保持敏捷。一旦建立流程并得到MLOps的支持，组织将拥有AI增强业务所需的东西。
