人工智能可以為今天的企業和組織提供許多好處。從理解客戶行為到欺詐檢測，可視化分析情緒，以及預測機器故障。機器學習，如果有效實施，承諾將為許多行業的企業帶來改變遊戲的價值。

在一兩個試點項目中，你的業務可能已經用機器學習（ ML ）或 AI 來劃破了表面。但你是否成功地利用了這些技術來提供實實在在的好處？如果答案是否定的，繼續讀下去；你的大多數同齡人也面臨類似的挫折。

Gartner 預計，未來12個月：

“80%的人工智能項目仍將是鍊金術，由那些在組織中不會擴大人才規模的巫師管理。”

過去，許多組織因著手進行AI和ML項目而失敗。 有些人設立了創新實驗室，聘請“ AI專家”施放Gartner提到的咒語，只是意識到他們的帽子裡沒有兔子。 這裡的問題是，大多數將業務放在AI和ML的寧靜環境中的企業都難以將他們創建的模型投入實際業務流程中。

只有完全可操作的ML模型才能提供任何類型的ROI或業務價值。 因此，這就引出了一個問題：您的企業如何成功地大規模實施AI和ML模型？ 應考慮以下

確保利益相關者保持一致

由於公司利益相關者之間缺乏共識，許多人工智能項目都失敗了。一旦為您的項目確定了用例，請確定哪些利益相關者需要參與。要計算這一點，您需要計劃如何使用 ML 模型的輸出（分類、預測、檢測、推薦或分段），以及由誰使用。

如果所獲得的信息不可訪問、不可使用或不是公司總體業務戰略的計劃部分，那麼構建一個 ML 系統來調查消費者行為模式是毫無意義的。此外，營銷專家需要隨時準備好這些數據，我將在下一步討論這些數據。

請注意，對於如何將預測交付給下游人員/工具/流程並由其訪問，必須有一個可靠的計劃。

僱傭有正確技能的員工

儘管數據科學人才在就業市場上明顯存在短缺，而且為這類職位招聘可能具有挑戰性，但 AI 和 ML 的成功需要的不僅僅是數據科學家的技能。我說的是模型構建、數據準備、訓練和干擾。如果你是認真的擴展和收穫人工智能和 ML 必須提供的好處，你應該尋求與 ML 架構師、數據工程師和操作經理合作。這篇文章更詳細地介紹瞭如何構建數據科學團隊。

下一個挑戰是有效地組織和擴展你的團隊。你是否有經過內部培訓的員工，具備必要的技能，將這個項目從概念轉移到完成？你是通過再培訓和招聘來培養這些技能的嗎？或者，您是否會與團隊簽訂合同，以幫助在預先確定的時間內完成此項目？

建立您當前團隊的技能集將幫助您長期擴展。然而，第三方承包商將幫助你的項目以快速和高效的方式啟動。

明確定義業務目標

讓我們在這裡清楚地看到，大多數 ML / AI 項目之所以無法交付，是因為人們對 AI 能夠實現的巨大期望。因此，在開始 AI 計劃之前，必須確定項目的目標。

從業務目標開始——您希望改進哪些指標？你想減少欺詐嗎？改進營銷實踐？節省手動任務的時間？瞭解有關目標市場或現有客戶的詳細信息？將您已從此類客戶獲得的數據貨幣化？

從第一天開始，至關重要的是，您必須以絕對清晰的方式確定用例，基準當前性能，定義可衡量的目標，並找到將決定成功標準的實際 KPI 。

識別、投資和使用正確的技術和工具

數據科學項目一次又一次地掙扎，因為有人沒有計劃出成功所需的技術。獲得開發和構建模型的正確技術和工具是一回事；然而，生產部署和操作方面往往是 AI 或 ML 項目面臨的最大挑戰。

你需要考慮：

• 工具

在 ML 、 AI 和數據科學生態系統中有數百個可用的工具。決定要實現哪些功能通常取決於用例。是的， Keras 和 Theano 非常棒，但是它們不能解決所有的問題。機器學習空間處於不斷進化的狀態，因此您的技術堆棧應該支持多個框架。

此外，項目的架構必須允許不同專業人員之間的跨團隊協作。這包括軟件工程師、 ML 架構師、數據工程師以及將參與項目的其他任何人。

• 數據

所有用例都需要正確的數據。例如，如果您正在創建和訓練一個機器學習模型來預測客戶行為，您將需要大量的客戶數據，以及人工智能系統，它們可以使用算法來分解這些數據並將其轉化為可操作的洞察力。

• 基礎架構

雖然公共雲服務是有利的，但對於大型組織中的大規模 M1/ AI 項目來說，雲並不是最安全的地方。最近，許多企業使用了混合雲方法。這將本地存儲與雲基礎架構結合起來，具體取決於項目所需的數據位於何處。

這種方法允許企業利用它們在其內部擁有的技術和數據，同時利用公共雲服務提供的彈性和靈活性。

您的業務當前如何實現、擴展和測量 ML 或基於 AI 的項目？你面臨哪些問題，你採取了哪些措施來克服這些問題？

本文由未艾信息（www.weainfo.net）編譯，

查看更多最新資訊，歡迎大家點擊閱讀原文登錄我們的AI社區。

關注我們的公眾號：為AI吶喊（weainahan），免費學習

閱讀更多 為AI吶喊 的文章

關鍵字: 人工智能 突飛猛進