从想法到实施：成为人工智能工厂

人工智能（AI）被视为竞争优势的主要杠杆。data 不会说谎：在全球范围内，人工智能已经成为一种新的竞争手段。 企业使用人工智能的数量同比增长近 25%, 63%的企业高管认为这有助于增加收入。全球大流行病使这一问题变得更加突出。那些能够采用正确的人工智能解决方案，并快速高效地部署和扩展这些解决方案的企业，将能够蓬勃发展并生存下来。.

然而，与所有改变游戏规则的举措一样，人工智能举措也提出了新的挑战。实施过程中会遇到许多问题，其中最主要的问题是，如何采用正确的 data 方法，快速高效地部署人工智能计划，避免失败并实现长期可持续发展？人工智能工厂 ‘方法正是为此而开发的。.

人工智能工厂是一种组织运营模式，它以系统化的方式将不同的人才、能力和流程结合在一起，从而在人工智能部署和可扩展性方面取得成功。行业领导者已经有效地利用了这一模式，例如 家乐福 和 ENGIE 以在其业务中实施变革性的人工智能项目。然而，从零开始建立一个有效的人工智能工厂可能令人望而生畏。您需要专业的团队和清晰的愿景来实现这一过程。.

至关重要的第一步是确定人工智能工厂的愿景和用例。这将是您的 data 战略。必须确定能为公司转型带来最大商业潜力的用例。无论是供应链优化还是合规管理，各个层面都存在机会。.

还应考虑公司的人工智能愿景。重要的是要有能力想象它如何发展，为它制定计划，并对未来有一个清晰的认识。从初步的整体视角出发，绘制适用于 data 和人工智能的细化版本。.

接下来，必须通过识别和整理使用案例来评估具体的业务机会。这需要评估业务影响和实施复杂性。在整个过程中，对思维方式的关注非常重要，这样才能管理大规模的变革，并让从公司领导到一线团队成员的每个人都参与进来。.

一旦确定了公司的 data 战略和人工智能愿景，您就应该有一个优先实施的用例列表。但如何着手实施呢？有效的人工智能工厂实施建立在四大支柱之上：

单一治理

为了提高效率，管理必须是高级别的、专门的和量身定制的。最高级别的人工智能工厂委员会--由关键的 C-suite data 领导人组成--在提供整体赞助和方向方面极其重要，因为它分享人工智能愿景，并使团队和路线图与之保持一致。在计划管理层面，应设立人工智能工厂总监一职，由业务、运营、法律、安全和 IT data 专家参与。他们的职责是审查、仲裁和验证进展情况。.

最后，在操作层面，需要有敏捷团队。功能团队负责交付人工智能产品的使用案例。他们是紧密合作的单位，确保永久的信息流和透明度。最重要的是，它们应该是多学科的，结合了整个企业的技能和专业知识。他们以成就为导向，每个人都有一个单一的目标：根据一个独特的目标交付一个用例。.

有组织、多样化的专家团队

为了提高效率，结构化组织应在基于敏捷方法的混合团队中汇集业务、data、软件和数字技术技能。敏捷性确保了工作方式的灵活性和适应性，避免了与筒仓式方法相关的问题，如同一结构中的孤立部门或过于僵化的程序。这需要业务和技术的良好融合，以确保技术方面的开发始终具有满足业务需求的有用目的。.

可扩展性是团队构成的一个重要总体特征。其理念是，团队结构可以像乐高积木一样轻松复制。有了完全可扩展的模式，就可以增加更多的团队，以应对更多的用例。.

先进的人工智能技术

当然，有效的人工智能部署需要以人工智能赋能技术为基础。人工智能工厂使用开源、专有和 cloud 解决方案的组合。在整个 data 管道中，从摄取到可视化，自始至终都应根据最佳实践对这些解决方案进行标准化。.

系统化和经过验证的方法

要确保一系列步骤始终按照特定顺序进行，每个步骤都有自己的明确目标，就需要系统化。这样做有两个好处。首先，它提供了一个贯穿始终的共同参照的整体结构，形成了一个保证一致性的支柱。其次，这使得方法具有可复制性和可扩展性，大大加快了产业化阶段的部署。.

MLOps：保持工厂运转

除了一套用例方法之外，还必须部署 MLOps（机器学习运营）实践，以缩小概念阶段与生产阶段之间的差距。受 DevOps 流程的启发，这应该将软件开发和 IT 运营结合起来，以缩短开发生命周期。.

MLOps 的目的是应对传统编码系统所不具备的挑战。第一个挑战是团队之间的协作：不同的单位往往各自为政，拥有流程的不同部分。这扼杀了投入生产所需的团结。.

其次是管道管理，因为 ML 管道比传统管道更加复杂。它们具有特定的特征，包括必须在整个生产过程中进行测试和监控的 "砖块"。.

最后一个障碍是，人工智能模型通常需要多次迭代--如果以人工、临时的方式投入生产，这些模型就会变得僵化，难以更新。.

相反，MLOps 方法应将所有 ML 资产嵌入持续集成和持续交付管道 (CICD)，以确保快速、无缝地推出。所有 data、功能和模型都应在每次新版本发布前进行测试，以防止质量或性能偏移。所有利益相关者都应在同一画布上工作，并将软件工程最佳实践应用于 data 科学项目--版本、部署环境和测试。.

归根结底，MLOps 是以与所有其他生产要素相统一的方式持续管理 ML 项目的一门学科。它确保了从用例早期阶段（第一个模型）到用例产业化的高效技术交付。.

成功框架

人工智能前景广阔，但对于无法正确部署人工智能的组织来说，风险也很大。人工智能工厂模式的真正好处在于，它建立了一个快速成功实施的核心框架。流程、团队和工具在本质上是可转移和可重复的，这意味着公司在追求其人工智能愿景时可以保持灵活性。一旦建立了流程并得到 MLOps 的支持，企业就拥有了成为人工智能强国所需的一切。.