人工智能可以为今天的企业和组织提供许多好处。从理解客户行为到欺诈检测，可视化分析情绪，以及预测机器故障。机器学习，如果有效实施，承诺将为许多行业的企业带来改变游戏的价值。

在一两个试点项目中，你的业务可能已经用机器学习（ ML ）或 AI 来划破了表面。但你是否成功地利用了这些技术来提供实实在在的好处？如果答案是否定的，继续读下去；你的大多数同龄人也面临类似的挫折。

Gartner 预计，未来12个月：

“80%的人工智能项目仍将是炼金术，由那些在组织中不会扩大人才规模的巫师管理。”

过去，许多组织因着手进行AI和ML项目而失败。 有些人设立了创新实验室，聘请“ AI专家”施放Gartner提到的咒语，只是意识到他们的帽子里没有兔子。 这里的问题是，大多数将业务放在AI和ML的宁静环境中的企业都难以将他们创建的模型投入实际业务流程中。

只有完全可操作的ML模型才能提供任何类型的ROI或业务价值。 因此，这就引出了一个问题：您的企业如何成功地大规模实施AI和ML模型？ 应考虑以下

确保利益相关者保持一致

由于公司利益相关者之间缺乏共识，许多人工智能项目都失败了。一旦为您的项目确定了用例，请确定哪些利益相关者需要参与。要计算这一点，您需要计划如何使用 ML 模型的输出（分类、预测、检测、推荐或分段），以及由谁使用。

如果所获得的信息不可访问、不可使用或不是公司总体业务战略的计划部分，那么构建一个 ML 系统来调查消费者行为模式是毫无意义的。此外，营销专家需要随时准备好这些数据，我将在下一步讨论这些数据。

请注意，对于如何将预测交付给下游人员/工具/流程并由其访问，必须有一个可靠的计划。

雇佣有正确技能的员工

尽管数据科学人才在就业市场上明显存在短缺，而且为这类职位招聘可能具有挑战性，但 AI 和 ML 的成功需要的不仅仅是数据科学家的技能。我说的是模型构建、数据准备、训练和干扰。如果你是认真的扩展和收获人工智能和 ML 必须提供的好处，你应该寻求与 ML 架构师、数据工程师和操作经理合作。这篇文章更详细地介绍了如何构建数据科学团队。

下一个挑战是有效地组织和扩展你的团队。你是否有经过内部培训的员工，具备必要的技能，将这个项目从概念转移到完成？你是通过再培训和招聘来培养这些技能的吗？或者，您是否会与团队签订合同，以帮助在预先确定的时间内完成此项目？

建立您当前团队的技能集将帮助您长期扩展。然而，第三方承包商将帮助你的项目以快速和高效的方式启动。

明确定义业务目标

让我们在这里清楚地看到，大多数 ML / AI 项目之所以无法交付，是因为人们对 AI 能够实现的巨大期望。因此，在开始 AI 计划之前，必须确定项目的目标。

从业务目标开始——您希望改进哪些指标？你想减少欺诈吗？改进营销实践？节省手动任务的时间？了解有关目标市场或现有客户的详细信息？将您已从此类客户获得的数据货币化？

从第一天开始，至关重要的是，您必须以绝对清晰的方式确定用例，基准当前性能，定义可衡量的目标，并找到将决定成功标准的实际 KPI 。

识别、投资和使用正确的技术和工具

数据科学项目一次又一次地挣扎，因为有人没有计划出成功所需的技术。获得开发和构建模型的正确技术和工具是一回事；然而，生产部署和操作方面往往是 AI 或 ML 项目面临的最大挑战。

你需要考虑：

• 工具

在 ML 、 AI 和数据科学生态系统中有数百个可用的工具。决定要实现哪些功能通常取决于用例。是的， Keras 和 Theano 非常棒，但是它们不能解决所有的问题。机器学习空间处于不断进化的状态，因此您的技术堆栈应该支持多个框架。

此外，项目的架构必须允许不同专业人员之间的跨团队协作。这包括软件工程师、 ML 架构师、数据工程师以及将参与项目的其他任何人。

• 数据

所有用例都需要正确的数据。例如，如果您正在创建和训练一个机器学习模型来预测客户行为，您将需要大量的客户数据，以及人工智能系统，它们可以使用算法来分解这些数据并将其转化为可操作的洞察力。

• 基础架构

虽然公共云服务是有利的，但对于大型组织中的大规模 M1/ AI 项目来说，云并不是最安全的地方。最近，许多企业使用了混合云方法。这将本地存储与云基础架构结合起来，具体取决于项目所需的数据位于何处。

这种方法允许企业利用它们在其内部拥有的技术和数据，同时利用公共云服务提供的弹性和灵活性。

您的业务当前如何实现、扩展和测量 ML 或基于 AI 的项目？你面临哪些问题，你采取了哪些措施来克服这些问题？

本文由未艾信息（www.weainfo.net）编译，

查看更多最新资讯，欢迎大家点击阅读原文登录我们的AI社区。

关注我们的公众号：为AI呐喊（weainahan），免费学习

閱讀更多 為AI吶喊 的文章

關鍵字: 投资 业务