實(shí)施人工智能從來不是一件一勞永逸的事情，它需要廣泛的戰(zhàn)略，以及不斷調(diào)整的過程。

以下了解企業(yè)成功實(shí)施人工智能的一些關(guān)鍵的實(shí)施步驟，以幫助人工智能和機(jī)器學(xué)習(xí)充分發(fā)揮其潛力。

人工智能和機(jī)器學(xué)習(xí)正從商業(yè)流行術(shù)語轉(zhuǎn)向更廣泛的企業(yè)應(yīng)用。圍繞戰(zhàn)略和采用的努力讓人們想起企業(yè)云戰(zhàn)略的周期和轉(zhuǎn)折點(diǎn)，企業(yè)如今不再有是否遷移到云平臺(tái)的選擇，只剩下何時(shí)以及如何遷移云平臺(tái)的問題。人工智能和機(jī)器學(xué)習(xí)的實(shí)現(xiàn)策略在企業(yè)構(gòu)建方法時(shí)處于相同的進(jìn)化模式。

根據(jù)調(diào)研機(jī)構(gòu)Forrester公司發(fā)布的調(diào)查報(bào)告，將近三分之二的企業(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。這種做法和努力是由企業(yè)內(nèi)部的企業(yè)數(shù)據(jù)湖驅(qū)動(dòng)的，由于合規(guī)和低成本的存儲(chǔ)，這些數(shù)據(jù)湖大部分處于閑置狀態(tài)。利用這些豐富的知識(shí)庫，讓人工智能回答人們沒有問也可能不知道問的問題，這是企業(yè)需要理解的好處。

到2026年，在以人工智能為中心的系統(tǒng)上的支出預(yù)計(jì)將超過3000億美元，因此，這種利潤需要物有所值，而且壓需要妥善處理。

未來幾年，所有行業(yè)的組織都將繼續(xù)接受人工智能和機(jī)器學(xué)習(xí)技術(shù)，轉(zhuǎn)變其核心流程和業(yè)務(wù)模型，以利用機(jī)器學(xué)習(xí)系統(tǒng)來增強(qiáng)運(yùn)營和提高成本效益。隨著企業(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)劃和戰(zhàn)略，重要的是他們要記住，采用人工智能和機(jī)器學(xué)習(xí)的道路是一個(gè)旅程，而不是一場比賽。企業(yè)應(yīng)該從考慮以下八個(gè)步驟開始。

1.清楚地定義用例

重要的是，商業(yè)領(lǐng)袖和他們的項(xiàng)目經(jīng)理首先要花時(shí)間清楚地定義和闡明他們希望人工智能解決的特定問題或挑戰(zhàn)。目標(biāo)越具體，他們實(shí)施人工智能的成功機(jī)會(huì)就越大。

例如，企業(yè)表示希望“在線銷售增加10%”就不夠具體。與其相反，一個(gè)更明確的聲明，例如旨在通過監(jiān)測網(wǎng)站訪問者的人口統(tǒng)計(jì)數(shù)據(jù)來增加10%的在線銷售，在闡明目標(biāo)和確保所有利益相關(guān)者清楚地理解這一目標(biāo)方面更有用。

2.驗(yàn)證數(shù)據(jù)的可用性

一旦明確定義了用例，下一步就是確保已經(jīng)就位的流程和系統(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)間和精力都花在了數(shù)據(jù)的攝取和爭論上，因此企業(yè)必須確保以足夠的數(shù)量捕獲正確的數(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，對(duì)于一個(gè)成功的結(jié)果來說，數(shù)據(jù)的質(zhì)量和數(shù)據(jù)的數(shù)量一樣重要，企業(yè)應(yīng)該優(yōu)先考慮數(shù)據(jù)治理程序。

3.進(jìn)行基礎(chǔ)數(shù)據(jù)挖掘

對(duì)于企業(yè)來說，通過模型構(gòu)建練習(xí)可能很有誘惑力，但首先進(jìn)行快速的數(shù)據(jù)探索練習(xí)是至關(guān)重要的，這樣可以驗(yàn)證其數(shù)據(jù)假設(shè)和理解。這樣做將有助于確定基于企業(yè)的主題專業(yè)知識(shí)和商業(yè)頭腦，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)理解重要的變量或特征應(yīng)該或可能是什么，以及應(yīng)該創(chuàng)建哪種數(shù)據(jù)分類，以用作任何潛在模型的輸入。

4.組建多元化和包容性的工程團(tuán)隊(duì)

對(duì)于一個(gè)真正成功的人工智能模型，管理該模型的團(tuán)隊(duì)需要帶來各種想法和觀點(diǎn)。這要求從盡可能多的人群中招聘和納入工作人員，同時(shí)考慮到性別、種族和多樣性等人口和社會(huì)因素。

在科技行業(yè)和商業(yè)領(lǐng)域，技能差距仍然突出，但招聘和留住來自各種可能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。因此，企業(yè)需要花費(fèi)時(shí)間根據(jù)其所在的行業(yè)進(jìn)行基準(zhǔn)測試，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)該達(dá)到的最終目標(biāo)，不如關(guān)注假設(shè)本身。運(yùn)行測試來確定哪些變量或特征最重要，將驗(yàn)證假設(shè)并改善其執(zhí)行。

企業(yè)的不同的業(yè)務(wù)和領(lǐng)域?qū)＜倚〗M應(yīng)該參與進(jìn)來，因?yàn)樗麄兊某掷m(xù)反饋對(duì)于驗(yàn)證和確保所有涉眾在同一頁面上是至關(guān)重要的。事實(shí)上，由于任何機(jī)器學(xué)習(xí)模型的成功都依賴于成功的特征工程，當(dāng)涉及到派生更好的特征時(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

性能度量的定義將有助于對(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)一步完善具體的模型。例如分類精度，即正確預(yù)測的數(shù)量除以所做預(yù)測的總數(shù)再乘以100，在處理分類用例時(shí)，這將是一個(gè)很好的性能度量。

數(shù)據(jù)將需要分為兩個(gè)數(shù)據(jù)集:一個(gè)是訓(xùn)練集，算法將在其上進(jìn)行訓(xùn)練;另一個(gè)是測試集，算法將在其上進(jìn)行評(píng)估。根據(jù)算法的復(fù)雜性，這可能簡單到選擇一個(gè)隨機(jī)的數(shù)據(jù)分割，例如60%用于訓(xùn)練，40%用于測試，或者可能涉及更復(fù)雜的抽樣過程。

與測試假設(shè)一樣，業(yè)務(wù)和領(lǐng)域?qū)＜覒?yīng)該參與驗(yàn)證結(jié)果，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)部署

一旦構(gòu)建并驗(yàn)證了模型，就必須將其推出到生產(chǎn)中。從幾周或幾個(gè)月的有限推出開始，在此基礎(chǔ)上，業(yè)務(wù)用戶可以對(duì)模型行為和結(jié)果提供持續(xù)的反饋，然后可以向更廣泛的受眾推出。

應(yīng)該選擇正確的工具和平臺(tái)來自動(dòng)化數(shù)據(jù)攝取，并建立系統(tǒng)將結(jié)果傳播給適當(dāng)?shù)氖鼙?。該平臺(tái)應(yīng)提供多種接口，以考慮組織最終用戶的不同知識(shí)程度。例如，業(yè)務(wù)分析師可能希望基于模型結(jié)果進(jìn)行進(jìn)一步的分析，而普通終端用戶可能只想通過儀表板和可視化與數(shù)據(jù)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，組織將能夠根據(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)測未來的結(jié)果，但隨著市場動(dòng)態(tài)偏離組織一貫的經(jīng)營方式，模型的性能可能會(huì)惡化。因此，重要的是要注意必須遵循哪些流程才能確保模型是最新的。

企業(yè)人工智能正迅速從炒作走向現(xiàn)實(shí)，并將對(duì)業(yè)務(wù)運(yùn)營和效率產(chǎn)生重大影響。現(xiàn)在就花時(shí)間來計(jì)劃它的實(shí)施，將使企業(yè)處于更有利的地位，以便在未來享受它的好處。