但是，實施人工智能戰略面臨著挑戰，特別是對于那些根本不知道從哪里開始的傳統企業來說。

 

 

根據定義，企業在進行大規模定量研究之前需要進行試點，以避免在設計不足的項目上浪費更多的時間和費用。試點項目與正式項目實際上并沒有什么不同，但提供了“先試后買”的功能，可以幫助企業了解新的解決方案或流程、面臨的挑戰和帶來的潛在價值。盡管大多數人遵循相同的基本原則(定義問題、期望的目標、成本、所需的資源，以及衡量結果)，但是不斷變化的人工智能領域具有一些應該了解的細微差別。企業選擇人工智能試點項目之前，需要考慮以下四個標準：

 

 

在過去的幾年中，人工智能獲得了巨大的發展，如今仍然是一個熱門話題。雖然某些方面讓人們感到振奮，人工智能有助于提高冠狀病毒疫苗接種率，改善購物體驗。但在某些方面卻令人感到沮喪，例如可能帶來的失業或道德困境，但人工智能仍不斷發展。明智的企業正在尋找各種使用人工智能的策略和方法。

 

盡管具有廣泛的吸引力，但人工智能并非適用于每個業務流程，并且也不是萬能的。在企業開始實施人工智能試點項目之前，需要確保已經明確定義面臨的問題和希望得到的結果。是否有商業措施來跟蹤進度?

 

定義項目并將其提交給企業的領導者批準之后，就將應對下一個挑戰。

 

 

通過采用開源、云服務、具有內置人工智能功能的產品，企業可以聘請數據科學家來構建自己的解決方案，或者采用現成的人工智能方案，但這兩種方法各有利弊。例如，現成的云計算解決方案已經廣泛使用，但是接受訓練的數據并不是企業自己的，并且成本可能非常昂貴。企業聘請數據科學家構建自己的解決方案可以提供在其他地方找不到的自定義級別，但要獲得適當的人才和專業知識是很困難的。

 

為了在阻力最小的路徑上獲得所需的結果，企業需要考慮最終選擇的解決方案所帶來的挑戰，但沒有一個解決方案是完美的。權衡現有IT生態系統中最合適的資源，不僅需要讓企業的試點項目啟動和運行，而且需要對其進行部署，持續改進所需的資源，以及利益相關者積極地參與試點項目，以使其計劃步入正軌。

 

 

人工智能模型需要訓練。隨著時間的推移，它們會變得越來越智能(在經過適當設計的情況下)，但是其學習曲線并不僅僅針對與之交互的人類。這是針對模型本身的。即使使用主要云計算提供商提供的開箱即用的解決方案，也需要進行調整以適應企業的業務需求、固有偏差和目標，這將花費大量時間和精力，因此需要考慮這些因素對項目的成功來說有多重要。

 

另一方面，企業可以使用先進的技術，但是如果沒有為使用這些技術的人員提供適當的培訓，那么無法充分利用這些技術的好處。例如，一種算法可以像人類一樣準確地了解X射線的結果，但是如果醫療保健機構沒有充分了解其使用的技術和過程，那么將會面臨失敗。

 

 

人工智能的試點計劃之所以獲得關注，是因為它們在提交之前會測試提議的解決方案的最高風險。如果項目太復雜、資源過多或財務負擔沉重，那么企業可以從中學到一些經驗教訓，并從最小的損失中解脫出來。但是也要注意，成功的人工智能試點項目并不能保證成功進行生產。

 

業務需求和數據在不斷變化。為了從企業的人工智能計劃中獲得最好的結果，必須對模型進行持續的測試和再訓練，才能為企業的客戶提供準確的結果。

 

這種情況在將人工智能用于生產之后并不會消失。一次性驗收測試適用于傳統(靜態)軟件，但不適用于人工智能系統，因為隨著周圍世界的變化，人工智能系統必須自行改變。企業需要規劃一種不同類型的監控、在線測量和再訓練策略，以糾正數據和概念漂移、潛在偏差和道路上其他在早期測試中可能不明顯的問題。

 

通過將這四個標準考慮在內，企業可以為其業務選擇最具影響力的人工智能試點項目，并為其提供最佳采用人工智能技術的速度最快、風險最低的學習途徑。

 

版權聲明：本文為企業網D1Net編譯，轉載需注明出處為：企業網D1Net，如果不注明出處，企業網D1Net將保留追究其法律責任的權利。