準備和實施人工智能項目可能是一個多年的旅程。根據最新的調查數據，只有28%的受訪者表示，其第一年就通過了人工智能規劃階段。這是由于一些因素造成的，其中包括技術的相對成熟度(至少在不斷擴展的一系列行業用例中是這樣)、所涉及的復雜程度(例如廣泛的集成需求、有限的企業經驗和缺乏內部技能集)、對人工智能的偏見準則以及治理、風險和合規問題、廣泛的變更管理要求等。

 

無論是作為企業創新計劃的一部分，還是作為數字轉型計劃的一部分，長期的人工智能項目都非常重視展示快速的成功，因此它可能會影響比自身更大計劃的聲譽。隨著首席信息官在產品管理方法上從“項目到產品”的轉變，這些冗長的人工智能項目也會推遲得以創新的內部產品或外部產品發布。

 

為了使人工智能技術迅速取得成功，并進一步推動對更廣泛的數字轉型和創新計劃進行更多投資的商業案例，以下是首席信息官快速跟蹤其人工智能實施的五種方法：

 

雖然人們專注于人工智能和機器學習(ML)計劃以及與金融服務貸款決策相關的示例，但這些建議適用于許多其他人工智能計劃和行業。

 

 

組織首先要做的決定之一是構建還是購買。雖然人們聽到很多關于構建自己的人工智能的各種平臺、基礎設施和框架，但是無名英雄通常是更具特色的專業人工智能供應商，他們提供基于云計算的人工智能服務，可以為組織的特定服務快速培訓和部署用例。構建或購買的決定實際上是基于人工智能作為未來核心能力對組織的重要性。

 

例如，雖然每家金融服務公司都應該關注人工智能采用和沒有采用之間即將出現的數字和金融鴻溝，但不是每家公司都需要在內部構建自己的算法。規模較小的組織可以更有效地關注將第三方人工智能技術納入其核心工作流程(如貸款承保)的業務收益和成果，而無需構建自己的內部人工智能/機器學習的專業知識。

 

 

曾經有人說，成功是10%的靈感和90%的汗水。在人工智能方面，成功實施通常是10%的人工智能和90%的數據。用于訓練人工智能/機器學習算法以反映人類決策的任何數據集都需要盡可能大，并盡可能地干凈。

 

致力于應用人工智能的進步的Underwrite.AI公司首席執行官Marc Stein表示，簡單來說，這意味著每行1,000個屬性的10,000行數據對于機器學習算法比對每行100個屬性的1,000行數據更有用。為貸款者提供非線性、動態的信用風險模型，但它并不像“越多越好”那么簡單。數據類型和數量必須與算法類型匹配。深度學習需要大量記錄才能有效，而基于統計的算法可以更好地處理較小的數據集。

 

如果組織使用人工智能來模擬人類的決策，盡可能多地獲取數據，確保每個數據字段都有價值，并重視數據質量和一致性。這可能非常耗時，尤其是從多個不同的源中提取數據時，但如果在早期徹底完成，則可以避免大量代價高昂的返工。

 

 

雖然在技術上直接調用人工智能API來傳遞新的數據集并獲得分數，但更難以進行變更管理和培訓，以使業務分析師能夠最好地解釋這些分數，并將新流程納入其日常工作中。

 

雖然某些形式的人工智能可能會產生自動決策，例如基于信用記錄的新貸款的“是”或“否”決策，但機器學習算法通常也會提供更微妙的響應。這種反應可能需要與現有的人工流程結合使用，才能最好地決定貸款。作為示例，人工智能“得分”可以是從“A”到“D”和“F”的等級。“A”和“F”可以是明確的“是”或“否”決定，可以完全自動化以進行實時決策，但是“B”到“D”等級仍然可能需要循環中的承保人。

 

與組織花費時間培訓分析師使用新的財務模型，以及如何最好地解釋模型的結果一樣，基于人工智能的結果也是如此。業務分析師可能需要花費數周甚至一個月的時間來觀察機器學習算法返回的結果，因此他們在如何最好地解釋分數方面有一個基線。如果組織與人工智能供應商合作，該供應商可以提供有關如何解釋結果以及如何培訓員工，以充分利用新系統的指導。

 

行業專家表示，理解人工智能并不是至關重要的。這只是一個識別過去行為模式的過程，可以更準確地預測未來。只有在企業有明確定義的問題和易于理解的成功指標的情況下，它才能成功。例如，“我們需要減少以損失率衡量的貸款違約”或“我們需要提高當前的轉換率”等等。如果不完全理解該問題，也就不會理解其解決方案。

 

 

由于每個人工智能實現都是獨一無二的，因此重要的是以“假設和測試”思維模式進入每個項目，而不是將項目視為完全成功或失敗。通過在每個步驟中做出假設，并將每個步驟的學習內容納入下一次迭代，組織可以快速優化人工智能部署，直到它成為可以提供有意義結果的可行解決方案。

 

雖然假設和測試方法將延長項目部署時間，但好處是組織不斷微調解決方案以結合實際經驗教訓，與客戶和員工要求保持一致，并不斷轉向最引人注目的業務將使組織的解決方案可持續。

 

 

當組織現在開始進行初始人工智能試驗、概念驗證或MVP時，請記住，組織在企業范圍內的人工智能的未來愿景可能是從完全人工流程一直到多種類型的自動化的融合，那些采用機器人過程自動化(RPA)來實施更復雜的人工智能。通常情況下，從頭開始重新創建業務流程，然后在每個新步驟中應用最佳工具。簡單地將機器人過程自動化(RPA)或人工智能插入到未改變的現有業務流程中可能會錯過可能的發展。

 

另一個重要因素是每個工具之間發生的切換。這可能是人對機器或機器對機器。通過優化切換并使其快速、無縫和可靠，組織可以進一步增強未來的業務流程，使其具有成本效益和競爭力，就像組織的業務目標和市場要求一樣。

 

好消息是，人工智能實施可以快速跟蹤。這將促進做出正確的選擇，例如構建與購買，組織專注于數據質量(以及客戶)，在變更管理上花費足夠的時間并盡早參與業務，采取“假設和測試”方法，并最終將多種自動化技術結合到組織的未來愿景中。

 

如果組織實施人工智能項目需要相當長的時間，需要耐心等待，并堅持到底。組織也可以利用一些建議來幫助快速完成競賽。當然，就像數字化轉型一樣，這場競賽永遠不會結束。