拥抱人工智能，企业如何制定成功的AI战略？

现在机器学习和人工智能受到各行各业的广泛关注。尽管人工智能已经变成科技媒体最热门的话题，被认为讲引领下一个科技潮流，但事实上大多数人(尤其是企业管理层)仍然不知道如何在企业生成活动中成功的应用机器学习。

最终，机器学习可以被描述为人与机器之间的协同关系。机器学习在实践中需要运用科学的方法和人际沟通技巧。成功的公司拥有分析基础设施、专门知识以及分析师和业务专业人员之间的密切协作，可以将这些协同作用转化为投资回报率。

如果企业想在未来保持竞争力，就必须提前制定人工智能战略。但仅仅建立人工智能战略是远远不够的。在下面的文章中，我们将描述一些成功的AI战略的基本要素。

在企业内部建立创新性/实验性的思维方式：

机器学习是一个迭代和探索的过程。尽管核心算法越来越多地批量产生，但每个项目的算法都必须根据业务上下文和数据进行定制。

就像任何好的实验一样，一些假设最初会被证明是错误的。可能需要获取或生成新的数据，或者根据发现的内容重写问题描述。因此，决策者和团队成员都需要应用一种机器学习测试和学习的心态来建立成功的数据分析。

提供最大灵活性和敏捷性的迭代过程允许对进展进行更快的评估，并确定是否需要替代方法。

建立跨学科的数据科学团队：

投资机器学习，你不能只关注于技术。您还需要确保您拥有正确的人员或专家来管理系统。

同样重要的是动态团队模型，其中包括具有业务、数据和技术专长的各种专家。这包括数据专家，他们可以评估所需的数据并将其带到工作中。最后它还要求IT人员具有部署和维护技术生态系统的能力。

整个团队的成员可以在定量分析师、数学家/统计学家和经理之间进行转换，如果没有很好的沟通机制，不可避免的会产生误解，导致巨大的失败危险。

建立健壮的数据策略和生态系统:

机器学习需要数据——通常是大量的数据。因此，建立一个充分查明、采购和交付以及取得高质量数据和信息资源的程序是至关重要的。

要做到这一点，治理指南和数据生态系统必须支持探索性环境(通常称为沙箱)和生产环境。这需要一种多层次的方法来协调访问和灵活性，同时又不牺牲安全性、隐私或质量。

引入非传统(丰富的)数据源，包括非结构化文本、语音、图像等，也可能需要新的数据管理能力。

企业的高风险容忍度:

从对“足够好”的标准达成一致，到理解必须如何验证和开发模型，机器学习经常挑战传统的质量保证和风险管理方法。为什么?在某种程度上，培训或测试数据必须被生产数据所取代。真正的验证只针对新数据产生结果。

参与已建立的业务流程的调整:

无论是将现有的决策点自动化，还是提供新产品或服务，机器学习都具有破坏性。评估对现有业务流程、角色和功能的潜在影响是关键。这并不意味着您必须在开始之前设计可能的效果。但快速检查可能会降低事后进行代价高昂的重组的可能性。

致力于新的IT实践:

部署之后，机器学习模型的迭代建模和调优必须稳定地继续下去。需要更新的间隔是不可预测的，并且不符合传统的计划部署模式。因此，机器学习的使用需要完全不同的QA和交付模型。维护模型是一个关键的、持续的过程，必须以与初始模型开发相同的方式进行。