人工智能(AI)和機器學(xué)習(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，當時企業(yè)不再有遷移到云的選擇，只剩下何時以及如何遷移的問題。

人工智能和機器學(xué)習的實施策略與企業(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器學(xué)習充分發(fā)揮其潛力。

據(jù)研究報告發(fā)現(xiàn)，近三分之二的企業(yè)技術(shù)決策者已經(jīng)實施、正在實施或正在擴大人工智能的使用。這項工作和努力是由企業(yè)內(nèi)部的企業(yè)數(shù)據(jù)湖驅(qū)動的，由于合規(guī)性和低成本存儲，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)采用人工智能和機器學(xué)習技術(shù)，轉(zhuǎn)變其核心流程和業(yè)務(wù)模式，以利用機器學(xué)習系統(tǒng)來增強運營并提高成本效率。當企業(yè)領(lǐng)導(dǎo)者開始制定如何充分利用這項技術(shù)的計劃和策略時，他們必須記住，采用人工智能和機器學(xué)習的道路是一段旅程，而不是一場競賽。

如何成功實施人工智能?

1、明確定義用例

對于企業(yè)領(lǐng)導(dǎo)者及其項目經(jīng)理來說，首先要花時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)，這一點很重要，因為目標越具體，他們實施人工智能的成功機會就越大。

2、驗證數(shù)據(jù)的可用性

一旦明確定義了用例，下一步就是確?，F(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)。

大量的時間和精力花費在數(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

對于企業(yè)來說，一頭扎進模型構(gòu)建練習可能很誘人，但至關(guān)重要的是，它首先要進行快速數(shù)據(jù)探索練習，以驗證其數(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、包容性的工程團隊

為了使人工智能模型真正成功，管理該模型的團隊需要帶來各種想法和觀點。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間根據(jù)行業(yè)進行基準測試，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)該實現(xiàn)的最終目標，不如關(guān)注假設(shè)本身。運行測試以確定哪些變量或特征最重要，將驗證假設(shè)并改進其執(zhí)行。

應(yīng)讓多元化的業(yè)務(wù)和領(lǐng)域?qū)＜覅⑴c其中，因為他們的持續(xù)反饋，對于驗證和確保所有利益相關(guān)者達成共識至關(guān)重要。事實上，由于任何機器學(xué)習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，主題專家總是比算法更有價值。

6、定義模型驗證方法

性能指標的定義將有助于對多種算法的結(jié)果進行評估、比較和分析，進而有助于進一步完善特定模型。例如，分類準確性在處理分類用例時將是一個很好的性能衡量標準。

數(shù)據(jù)需要分為兩個數(shù)據(jù)集：一個訓(xùn)練集，用于訓(xùn)練算法;一個測試集，用于評估算法。根據(jù)算法的復(fù)雜性，這可能就像選擇隨機分割數(shù)據(jù)一樣簡單，例如60%用于訓(xùn)練，40%用于測試，或者可能涉及更復(fù)雜的采樣過程。

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

7.自動化和生產(chǎn)推廣

模型構(gòu)建并驗證后，必須將其投入生產(chǎn)。從幾周或幾個月的有限推出開始，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來自動化數(shù)據(jù)攝取，并建立適當?shù)南到y(tǒng)將結(jié)果傳播給適當?shù)氖鼙?。該平臺應(yīng)提供多個接口，以滿足企業(yè)最終用戶不同程度的知識需求。例如，業(yè)務(wù)分析師可能希望根據(jù)模型結(jié)果進行進一步分析，而臨時終端用戶可能只想通過儀表板和可視化與數(shù)據(jù)進行交互。

8.繼續(xù)更新模型

一旦模型發(fā)布并部署使用，就必須對其進行持續(xù)監(jiān)控，因為通過了解其有效性，企業(yè)將能夠根據(jù)需要更新模型。

由于多種原因，模型可能會過時。例如，市場動態(tài)可能會發(fā)生變化，企業(yè)本身及其商業(yè)模式也可能會發(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入現(xiàn)實，并將對業(yè)務(wù)運營和效率產(chǎn)生重大影響?，F(xiàn)在花時間規(guī)劃其實施將使企業(yè)處于更有利的地位，以便進一步享受其好處。