如何成功實(shí)施人工智能？

　　人工智能(AI)和機(jī)器學(xué)習(xí)(ML)正在從商業(yè)流行語轉(zhuǎn)向更廣泛的企業(yè)采用。圍繞戰(zhàn)略和采用的努力讓人想起企業(yè)云戰(zhàn)略的周期和轉(zhuǎn)折點(diǎn)，當(dāng)時(shí)企業(yè)不再有遷移到云的選擇，只剩下何時(shí)以及如何遷移的問題。

　　人工智能和機(jī)器學(xué)習(xí)的實(shí)施策略與企業(yè)構(gòu)建其方法的演變模式相同。在本文中，我們將帶大家了解如何讓人工智能和機(jī)器學(xué)習(xí)充分發(fā)揮其潛力。

　　據(jù)研究報(bào)告發(fā)現(xiàn)，近三分之二的企業(yè)技術(shù)決策者已經(jīng)實(shí)施、正在實(shí)施或正在擴(kuò)大人工智能的使用。這項(xiàng)工作和努力是由企業(yè)內(nèi)部的企業(yè)數(shù)據(jù)湖驅(qū)動(dòng)的，由于合規(guī)性和低成本存儲(chǔ)，這些數(shù)據(jù)湖大部分處于閑置狀態(tài)，利用這些豐富的存儲(chǔ)庫，讓人工智能回答我們沒有問的問題，或者可能不知道該問的問題。

　　預(yù)計(jì)到2026年，以人工智能為中心的系統(tǒng)支出將超過3000億美元，而未來幾年，各行業(yè)的企業(yè)將繼續(xù)采用人工智能和機(jī)器學(xué)習(xí)技術(shù)，轉(zhuǎn)變其核心流程和業(yè)務(wù)模式，以利用機(jī)器學(xué)習(xí)系統(tǒng)來增強(qiáng)運(yùn)營(yíng)并提高成本效率。當(dāng)企業(yè)領(lǐng)導(dǎo)者開始制定如何充分利用這項(xiàng)技術(shù)的計(jì)劃和策略時(shí)，他們必須記住，采用人工智能和機(jī)器學(xué)習(xí)的道路是一段旅程，而不是一場(chǎng)競(jìng)賽。

　　如何成功實(shí)施人工智能?

　　1.明確定義用例

　　對(duì)于企業(yè)領(lǐng)導(dǎo)者及其項(xiàng)目經(jīng)理來說，首先要花時(shí)間明確定義和闡明他們希望人工智能解決的特定問題或挑戰(zhàn)，這一點(diǎn)很重要，因?yàn)槟繕?biāo)越具體，他們實(shí)施人工智能的成功機(jī)會(huì)就越大。

　　2.驗(yàn)證數(shù)據(jù)的可用性

　　一旦明確定義了用例，下一步就是確保現(xiàn)有的流程和系統(tǒng)能夠捕獲和跟蹤執(zhí)行所需分析所需的數(shù)據(jù)。

　　大量的時(shí)間和精力花費(fèi)在數(shù)據(jù)攝取和整理上，因此企業(yè)必須確保捕獲足夠數(shù)量的正確數(shù)據(jù)，并具有正確的變量或特征，例如年齡、性別或種族。值得記住的是，由于數(shù)據(jù)的質(zhì)量與數(shù)據(jù)的數(shù)量對(duì)成功的結(jié)果同樣重要，因此企業(yè)應(yīng)該優(yōu)先考慮數(shù)據(jù)治理程序。

　　3、開展基礎(chǔ)數(shù)據(jù)挖掘

　　對(duì)于企業(yè)來說，一頭扎進(jìn)模型構(gòu)建練習(xí)可能很誘人，但至關(guān)重要的是，它首先要進(jìn)行快速數(shù)據(jù)探索練習(xí)，以驗(yàn)證其數(shù)據(jù)假設(shè)和理解。這樣做將有助于根據(jù)企業(yè)的主題專業(yè)知識(shí)和商業(yè)頭腦，確定數(shù)據(jù)是否在講述正確的故事。

　　這樣的練習(xí)還將幫助企業(yè)了解重要的變量特征應(yīng)該或可能是什么，以及應(yīng)該創(chuàng)建哪種數(shù)據(jù)分類，作為任何潛在模型的輸入。

　　4.匯集多元化、包容性的工程團(tuán)隊(duì)

　　為了使人工智能模型真正成功，管理該模型的團(tuán)隊(duì)需要帶來各種想法和觀點(diǎn)。這就要求在考慮到諸如性別、種族和神經(jīng)多樣性等人口和社會(huì)因素的情況下，從盡可能多的人群中雇用和納入工作人員。

　　在科技行業(yè)和商業(yè)領(lǐng)域，技能差距仍然很突出，但招聘和留住各種背景的員工可以緩解這一問題，并確保人工智能模型盡可能具有包容性和可操作性?；〞r(shí)間根據(jù)行業(yè)進(jìn)行基準(zhǔn)測(cè)試，找出需要更多代表的地方。

　　5.定義模型構(gòu)建方法

　　與其關(guān)注假設(shè)應(yīng)該實(shí)現(xiàn)的最終目標(biāo)，不如關(guān)注假設(shè)本身。運(yùn)行測(cè)試以確定哪些變量或特征最重要，將驗(yàn)證假設(shè)并改進(jìn)其執(zhí)行。

　　應(yīng)讓多元化的業(yè)務(wù)和領(lǐng)域?qū)＜覅⑴c其中，因?yàn)樗麄兊某掷m(xù)反饋，對(duì)于驗(yàn)證和確保所有利益相關(guān)者達(dá)成共識(shí)至關(guān)重要。事實(shí)上，由于任何機(jī)器學(xué)習(xí)模型的成功都取決于成功的特征工程，因此在獲得更好的特征時(shí)，主題專家總是比算法更有價(jià)值。

　　6.定義模型驗(yàn)證方法

　　性能指標(biāo)的定義將有助于對(duì)多種算法的結(jié)果進(jìn)行評(píng)估、比較和分析，進(jìn)而有助于進(jìn)一步完善特定模型。例如，分類準(zhǔn)確性在處理分類用例時(shí)將是一個(gè)很好的性能衡量標(biāo)準(zhǔn)。

　　數(shù)據(jù)需要分為兩個(gè)數(shù)據(jù)集：一個(gè)訓(xùn)練集，用于訓(xùn)練算法;一個(gè)測(cè)試集，用于評(píng)估算法。根據(jù)算法的復(fù)雜性，這可能就像選擇隨機(jī)分割數(shù)據(jù)一樣簡(jiǎn)單，例如60%用于訓(xùn)練，40%用于測(cè)試，或者可能涉及更復(fù)雜的采樣過程。

　　與測(cè)試假設(shè)一樣，業(yè)務(wù)和領(lǐng)域?qū)＜覒?yīng)該參與進(jìn)來驗(yàn)證發(fā)現(xiàn)，并確保一切都朝著正確的方向發(fā)展。

　　7.自動(dòng)化和生產(chǎn)推廣

　　模型構(gòu)建并驗(yàn)證后，必須將其投入生產(chǎn)。從幾周或幾個(gè)月的有限推出開始，業(yè)務(wù)用戶可以提供有關(guān)模型行為和結(jié)果的持續(xù)反饋，然后可以向更廣泛的受眾推出。

　　應(yīng)選擇正確的工具和平臺(tái)來自動(dòng)化數(shù)據(jù)攝取，并建立適當(dāng)?shù)南到y(tǒng)將結(jié)果傳播給適當(dāng)?shù)氖鼙?。該平臺(tái)應(yīng)提供多個(gè)接口，以滿足企業(yè)最終用戶不同程度的知識(shí)需求。例如，業(yè)務(wù)分析師可能希望根據(jù)模型結(jié)果進(jìn)行進(jìn)一步分析，而臨時(shí)終端用戶可能只想通過儀表板和可視化與數(shù)據(jù)進(jìn)行交互。

　　8.繼續(xù)更新模型

　　一旦模型發(fā)布并部署使用，就必須對(duì)其進(jìn)行持續(xù)監(jiān)控，因?yàn)橥ㄟ^了解其有效性，企業(yè)將能夠根據(jù)需要更新模型。

　　由于多種原因，模型可能會(huì)過時(shí)。例如，市場(chǎng)動(dòng)態(tài)可能會(huì)發(fā)生變化，企業(yè)本身及其商業(yè)模式也可能會(huì)發(fā)生變化。模型建立在歷史數(shù)據(jù)的基礎(chǔ)上，以便預(yù)測(cè)未來的結(jié)果，但隨著市場(chǎng)動(dòng)態(tài)偏離企業(yè)一貫開展業(yè)務(wù)的方式，模型的性能可能會(huì)惡化。因此，重要的是要記住必須遵循哪些流程以確保模型保持最新。

　　企業(yè)人工智能正在迅速超越炒作并進(jìn)入現(xiàn)實(shí)，并將對(duì)業(yè)務(wù)運(yùn)營(yíng)和效率產(chǎn)生重大影響?，F(xiàn)在花時(shí)間規(guī)劃其實(shí)施將使企業(yè)處于更有利的地位，以便進(jìn)一步享受其好處。

來源：千家網(wǎng)