新闻 / 人工智能技术
鉴于大多数企业都没有大量实施人工智能，各组织对 artificial intelligence 的理解和经验不断增加，这似乎是自相矛盾的。.
鉴于大多数企业都没有大量实施人工智能，各组织对 artificial intelligence 的理解和经验不断增加，这似乎是自相矛盾的。.
在本文中，我们将研究造成这种两极分化的根本原因，并探讨取得成功所需的条件。.
成功实施人工智能技术的组织正在看到新模式的出现，特别是以 “人工智能工厂 ”的形式出现，即人才、方法和技术的结合，为整个公司服务。.
新生技术的创新总是遵循 Gartner 品牌的 “Hype Cycle”，其中确定了五个相互重叠的生命周期阶段：
- 创新触发器:在这一阶段，潜在技术开始起步。可能会有原型，也会有很多媒体关注和宣传，但往往没有商业上可行的产品。.
- 预期膨胀的顶峰:在这一阶段，技术得到实施；成功的案例很多，但失败的案例更多。一些公司采用了该技术，但许多公司没有采用。.
- 幻灭的低谷:随着缺陷和失败的曝光，人们的兴趣开始减退。一些技术生产商退出竞争。只有当幸存的供应商改进其产品，使用户满意时，投资才会继续。.
- 启蒙的斜坡:使企业受益的技术变得更加明显。更多的企业进行测试；一些公司生产第二代和第三代产品。.
- 生产力高原:技术得到广泛应用。其市场应用变得明晰，并开始得到高增长的采用。.
正如这个周期所显示的那样，每个具体成功阶段之前都有一个幻灭阶段。太多的复杂因素会阻碍这些项目的成功。应对 人工智能 据埃森哲公司称，充分利用 artificial intelligence 技术的企业，其盈利能力可增长 30% 以上！此外，增强客户体验或提高竞争优势还可能带来新的潜在收入来源。.
什么是人工智能？它能为企业带来什么价值？
人工智能仍处于起步阶段，是一门高度理论化的科学；然而，企业必须从节约成本的角度来看待它，而不是从创新（“最新流行语 ”综合症）的角度来看待它。企业如何才能从这些人工智能实验中获得真正的价值？它们如何才能成功 “升级”？我们的答案需要新的组织框架，即我们所说的 “人工智能工厂”。.
如今，越来越多的算法和 “智能产品 ”摆上了货架。至少在低层次上是这样。欧洲的首批云合作伙伴亚马逊（AWS）、微软（Azure）、谷歌（GCP）和 IBM 都提供了不同程度的抽象产品，使企业能够在内部 “生产 ”人工智能（谷歌最近推出了一项名为 Anthos 的新型托管通用服务）；这些解决方案的工作原理有点像我们小时候玩过的化学工具包。这些解决方案的工作原理有点像我们小时候玩的化学工具包。 机器学习 例如谷歌的 TPU，它是一种管理服务，可使团队集中于特定的应用程序。.
此外，还有许多 开放源代码 这些测试可以使用各种库（scikit-learn、TensorFlow、Pytorch）以及专有 API（图像、文本和语音识别）。但在取得初步成功后可能会出现问题，因为这些测试中只有一小部分最终进入了生产模式，这不仅令人沮丧，而且显然会丧失机会。.
大多数大型企业都在 Data 科学领域进行了大规模投资，这也是理所当然的：麦肯锡在 2016 年宣布，到 2021 年，仅美国就需要 25 万名 Data 科学家。但我们现在意识到，这些高度集中于 data 模型、统计和算法的人才，不足以用人工智能改变企业。例如，我们忽略了宝贵的 Data Engineer 和 Data 架构师，他们的才能是确保未来几年取得成功的关键，但他们尚未融入团队项目。.
一种新的组织模式逐渐浮出水面：人工智能工厂，简称 AI 工厂、,
它遵循一定数量的指导原则，这些原则虽然简单，但对这些举措的成功至关重要。.
人工智能工厂从集中管理开始
一个目标非常远大的项目......我们的想法是集中并协调投资和指导工作。只有极少数公司价值最高的项目才会由最希望其成功的发起人进行审查。对这些用例的选择必须极其严格：具体来说，任何项目如果不符合简单的 10 倍定律（提供 10:1 的投资回报），都不应予以考虑。每个用例的成功和影响都应根据简单易懂的关键绩效指标（KPI）来衡量，而系统性地改进这一关键绩效指标应是 基本原则 的团队。.
特色团队确保专门的项目组织
由 Spotify 推广的功能团队可应对缩短上市时间、横向性和项目连续性等挑战。在业务经理的指导下，功能团队由产品负责人、data 科学家、data 工程师和 DevOps 专家组成。将 DevOps / IT 纳入功能团队可确保对人工智能解决方案进行出色的监督和长期维护。平台团队 “确保了功能团队部署的构建模块在技术上的一致性。值得注意的是，这种组织模式非常适合大规模运作（在 Spotify，每个 ”部落 “最多有 10 个功能团队）。
功能团队的优势
- 功能团队能够更好地评估设计决策的影响. .在冲刺阶段结束时，功能团队将完成端到端功能的构建，穿越应用程序技术栈的所有层级。这将最大限度地帮助成员了解他们所做的产品设计决策（用户是否喜欢所开发的功能？）和技术设计决策（这种实现方法对我们的效果如何？）
- 功能团队可减少移交造成的浪费。. 把工作从一个小组或个人交给另一个小组或个人是一种浪费。就组件团队而言，可能会出现开发的功能过多或过少、开发的功能有误、某些功能不再需要等情况。.
- 它能确保正确的人在说话。. 由于功能团队包含了从想法到运行、测试功能所需的所有技能，因此它能确保拥有这些技能的个人至少每天都能进行交流。.
- 它将重点始终放在提供功能上。. 团队很容易回到 Scrum 之前的习惯中去。围绕功能交付，而不是围绕架构元素或技术来组织团队，可以不断提醒大家，Scrum 的重点是在每个冲刺阶段交付功能。.
具体方法：精益人工智能
精益人工智能是一种降低人工智能解决方案效率和适用性不确定性的方法。模型从来都不是完美无缺的，必须在实际情况中进行测试。该方法包括一个持续改进的短周期循环，其中包括提出假设、确定相关的 data、构建和测试一个或多个模型，然后在测试周边进行部署并收集用户反馈。.
如此循环往复，提出新的假设、新的 data 等。通过这种方法，可以在实际情况下进行测试，然后对未探索的情况进行改进，直至达到组织认为可以接受的满意度，从而开始生产。.
......以及经过调整的基础设施
应从项目的最初几天就开始设想部署工作，以避免在不同的技术环境中从头开始。.
还必须最大限度地利用组织现有的 data 湖和 data 井，避免建立新的 data 孤岛。人工智能应用程序应采用面向服务的架构逻辑。.
容器化和协调技术（如 Docker 和 Kubernetes）可简化微服务生态系统的管理，通过 API 促进人工智能模型的使用，这些 API 可供企业的所有部门使用。.
... 并致力于内部转型和采用
尽管许多公司已经共享一个共同的空间，但由于缺乏共同的运营模式，人工智能项目的成功受到了影响。例如，隶属于商业网站的 “聊天机器人 ”应该是销售路径的自然组成部分，而不是被视为一个独立的收购孤岛，但事实往往并非如此。当整个企业的不同部门采用相同的技术时，人工智能就更有可能取得成功。.
人工智能项目的成功步骤
#1 确定人工智能目标
2 用 Data 支持
#3 让内部的主题专家（SME）参与进来。.
#4 衡量结果，而不是产出
#5 快速迭代！
最后：日益重要的伦理挑战
最近，我们看到了 Alexa 的例子，以及她的倾听带来的令人不快的惊喜（为了改进监督学习，这是必要的，也是有计划的）。法规永远落后于技术。采用 artificial intelligence 技术的企业必须了解这些解决方案所面临的道德挑战。欧盟委员会授权的独立专家委员会发布了七项指导性伦理原则：人工智能服务于人类、值得信赖、尊重私人data、透明、非歧视、致力于改善共同利益，最后是明确人类责任。.
越来越多的组织决定应用这些原则来挖掘人工智能的价值：家乐福最近宣布与谷歌合作推出人工智能实验室，沃尔玛宣布与微软在奥斯汀合作推出 “云工厂”。毫无疑问，这些以价值为中心、务实创新的新组织方法将在未来几年得到更频繁、更成功的应用。.
