也許最為相關的是，技術的快速發展不斷顛覆組織開展業務的方式，這足以讓企業管理人員失眠。無可否認，如果企業未能跟上發展步伐，將不可避免地落后于競爭對手。這將成為進化或消亡的市場案例。

 

這個領域的主要參與者之一是人工智能(AI)。并且成為行業媒體時常提到的流行術語之一。許多企業仍在尋求采用人工智能以獲得更多的商業利益、更高效的運營以及向客戶提供新產品和服務。但是，他們是否采取了實現這些目標所需的最佳方法?

 

對于那些尚未通過人工智能取得成功的企業來說，即使是開始踏上旅程，也很容易對他們的競爭對手的領先地位感到失望。他們經常以絕對主義的觀點看待人工智能：要么擁有跨組織的全自動系統，要么根本沒有。

 

但人工智能并不是非此即彼的二元化技術：成功的應用程序可以建立在規模較小的、成功的項目平臺上，這本身就是試驗和錯誤的結果。與其盡快在整個企業中推出人工智能，不如嘗試在較小規模上提供真正好處的舉措，這樣更有效。

 

這并沒有改變這樣一個事實，即成功的人工智能項目將面臨多個障礙，但這些問題并不是不能克服的。然而，組織必須了解他們需要克服哪些困難才能開發和交付解決實際業務挑戰的項目。

 

 

今年早些時候，O'Reilly公司向3,000多名商業受訪者詢問了他們對人工智能和深度學習的準備情況，其中包括采用必要的工具、技術和技能。

 

特別值得注意的是調查中顯示的人工智能技能差距。缺乏人才被認為是成功實施人工智能項目的最大瓶頸，五分之一的受訪者這么認為。這在人工智能項目中尤其重要，因為從頭開始構建此類應用程序依賴于端到端數據管道(包括數據提取、準備、探索性分析以及模型構建、部署和分析)。

 

然而，企業所需要的不僅僅是技術人才。他們還要求有商業頭腦的人才根據人工智能提供的數據和洞察力做出戰略決策。

 

深度學習仍然是一種相對較新的技術，它尚未成為工業數據科學家使用典型算法集的一部分。那么誰來做這項工作?人工智能行業人才匱乏，人工智能項目的增加意味著人才庫可能會變得更小。企業需要認真解決技能差距。這可能包括聘用外部顧問，內部開發和培訓必要的技能——例如通過使用在線學習平臺。

 

在調查中，大多數企業(75%)表示他們的公司正在使用某種形式的內部或外部培訓計劃。幾乎一半(49%)的企業表示為員工提供內部在職培訓，而三分之一(35%)的企業表示采用來自第三方的培訓或來自個人培訓顧問或承包商的培訓服務。

 

而在另一方面，人工智能的商業理由要求企業管理層識別用例，并找到每個特定項目的贊助商，確保提供明確的商業案例。

 

 

成功項目的另一個關鍵挑戰是確保所使用的數據完全準確并且是最新的。機器學習和人工智能技術可用于全部或部分自動化許多企業工作流程和任務。由于這些技術依賴于從一系列新的外部資源，以及不同內部業務部門持有的現有數據集中提取信息，因此顯然必須對這些數據進行適當標記。

 

此過程的第一步是確定哪些任務應優先考慮自動化。人們所問的問題包括任務是否是數據驅動的?是否有足夠的數據來支持任務?以及計劃交付的項目是否有業務案例?

 

企業必須記住，雖然采用人工智能和機器學習技術可以更加輕松地工作，但是為了最大限度地利用它們，需要將它們調整到特定的領域和用例，可能涉及諸如計算機視覺(圖像搜索和對象檢測)或文本挖掘之類的技術。經常調整這些技術對于提供準確的洞察力是必不可少的，這需要精確地標記大型數據集。

 

首席數據官(CDO)是解決數據挑戰的關鍵。首席數據官(CDO)負責考慮獲取數據、數據治理以及為有用目的轉換數據的端到端流程。技術熟練的首席數據官(CDO)可以幫助確保人工智能計劃提供全部功能。

 

 

回到調查研究，四分之三的受訪者(73%)表示他們已經開始使用深度學習軟件。 TensorFlow是受訪者最受歡迎的工具，其中Keras位居第二，PyTorch排名第三。其他框架如MXNet、CNTK和BigDL也有越來越多的受眾。人們希望所有這些框架，其中包括那些現在不太受歡迎的框架將會繼續添加用戶和用例。

 

最終，每個企業都能夠成功實施人工智能，憑借決心和適當的培訓投資水平，人工智能將會蓬勃發展。但是，從一開始就制定明確的目標對于企業非常重要。在此過程中，需要確保團隊擁有適當水平的專業知識和技能，以使企業在應用人工智能方面邁出成功的第一步。