https://www.technologyreview.com/s/611013/impact-ofai-on-business/)，只有大約20%的公司認為自己擁有戰略人工智能能力。很少有組織能夠成功地利用人工智能的真正力量來產生有意義的影響。

如何利用人工智能?框架應該是什么?這篇由麥肯錫全球研究所MGI發表的論文推薦了組織需要關注的五個領域。

這些領域不是孤立的。它們是相互關聯的。這些領域中的每一個都需要共同努力，才能產生明顯的影響。

作為一名數據戰略家有其優勢。在本文中，我將詳細說明實現這個框架的實際方法。

1. 識別正確的用例

當公司已決定踏上人工智能之旅。第一個任務是識別正確的用例。發散收斂法是一種行之有效的方法。頭腦風暴來探索盡可能多的AI用例。一旦完成，聚合到前3個用例的候選列表。

如何聚合用例?探索的維度是什么

我建議以從下幾個方面入手：

1. 業務影響：這個用例有實際的業務影響嗎?對其進行量化。
2. 技術可行性：當前的技術環境是否支持此用例的實現?創建一個技術地圖。
3. 數據可用性：是否有相關的數據點可用來交付用例?探索這些。

在這三個維度上映射用例提供了一個關于什么可行，什么不可行的用例圖。這方面的一個例子如下：

在上面的用例圖中，用例#7和#6在三個維度上都得分很高。用例#3是下一個候選者，盡管它缺少所需的所有數據。

一個揮之不去的問題是：有多少數據是足夠的

這個問題沒有明確的答案。解決這個問題的經驗法則是回答以下問題：

可用的數據是否足以構建最小可行模型

如果上述問題的答案是“是”，那么建議繼續并考慮潛在開發的用例。

2. 構建高效的數據平臺

數據是新的石油。這種新的石油擴散到整個公司。有必要從中提取價值。有必要對其進行改進。人工智能和數據有一種共生關系。他們需要彼此的繁榮和興旺。

從遠古時代起，各個公司就試圖創建一個數據分析平臺。企業數據倉庫、數據集市、數據湖都試圖馴服這頭猛獸。隨著數據技術的進一步發展，新的數據體系結構模式不斷涌現。

2017年，我寫了一篇博客：Demystifying Data Lake Architecture，強調了創建一個有用的人工智能數據平臺的關鍵組件。此后，數據技術不斷發展。然而，核心仍然是相同的。這些概念仍然可以應用。

然而，需要思考的問題如下:

利用人工智能的數據平臺的原則是什么

以下是我的三條建議：

1. 以原始格式存儲所有數據：數據的性質比較復雜。一個人只有在使用它的時候才知道它的用法。最好的策略是將它們全部存儲為它們自己的格式。沒有轉換。沒有管理。只是原始的存儲。隨著云技術的出現，數據存儲變得廉價。可以使用許多存儲層選項。例如，在Azure中，人們可以在許多層(高級、熱、冷、存檔)中存儲前50TB的數據，平均成本為0.044美元/GB/月，即4.4美元/TB/月(比一杯星巴克高杯摩卡還低)。作為指導原則，我建議至少在過去5年內存儲數據。在此之后，如果發現無用，總是可以歸檔。
2. 解耦存儲和計算：存儲是常年的。處理是短暫的。處理引擎可以是批處理的，也可以是面向流的。處理也可能是一項昂貴的操作。因此，按需處理是有意義的。根據所需的處理類型，創建適當的處理引擎。一旦任務完成，處理引擎就可以暫停或銷毀。解耦計算和存儲節省了大量成本。它還提供了很大的靈活性。一般來說，這是明智的做法。
3. 分類目和管理數據：防止數據湖變成交換空間的一個最重要的原則是仔細地分類目和管理數據。作為一個經驗法則，任何持久化的東西都會被編類目。主動編類目將使業務分析人員、數據科學家或任何希望以正確格式查找正確數據的人能夠輕松地搜索數據元素。積極編類目的重要性再怎么強調也不為過。編類目和管理決定了數據分析平臺的成敗。

3. 采用正確的工具、過程和技術

第三部分是選擇合適的工具和技術來實現AI。當然，有很多可用的工具來實現它。有三個基本原則對于人工智能的蓬勃發展至關重要。

1. 利用規模：數據與人工智能之間存在相關關系。通常，需要訓練的數據越多，就意味著模型越可用。在過去，訓練模型的能力受到限制。存儲和計算能力有限。在過去的20年里，存儲和計算技術得到了發展。云計算平臺正在創新。存儲是便宜。計算是負擔得起的。以可接受的成本進行大規模的數據處理和模型訓練是可能的。過去的局限現在已不復存在了。
2. 關注功能而不是技術：創建一個靈活的數據架構。每個組件都滿足特定的功能。可用的技術特性不固定組件。功能是不變的，而技術是不斷變化的。這是云平臺的另一個好處。云平臺創新。他們引進新技術，以更低的成本提供相同或更好的功能。
3. 擁抱數據項目中的敏捷性：著名統計學家George Box曾打趣道：“所有模型都是錯的，但有些模型是有用的。”得到那個有用的模型是一個迭代的過程。每次迭代都是向那個有用的模型邁進的一步。不要在AI項目中追求絕對。它不存在。完美的模型是烏托邦。以該模型為目標，它對于給定的上下文來說已經足夠好了。

4. 在過程中集成AI決策

任何基于AI的項目的最終目標都是產生積極的影響。無論是商業還是社交。然而，許多成功的人工智能項目在它的搖籃里夭折了。他們看不到光明。因此，一個人工智能項目，因為它的孵化階段，需要從頭到尾的觀察。

我再怎么強調都不為過：AI項目是基于影響力的項目。他們需要一個結果。它們不是技術項目

想象一個AI項目不應該是關于模型和算法的。它必須是關于結果的。將給最終用戶帶來利益的結果。

每個過程都是一步一步連鎖的。需要回答的問題如下:

AI會影響多少個階段 ?

• 它能使過程自動化嗎?
• 它是否增加了一個過程?

根據答案，畫出正確的路線。

5. 構建實驗文化

文化是任何變化的基石。Peter Drucker曾經說過：“文化以戰略為早餐。”“在采用人工智能方面，沒有什么與這個事實相距甚遠。對于成功的AI實現來說，反復灌輸實驗文化是至關重要的。根據定義，實驗是一種證明或推翻假設的過程。并不是所有的實驗都會成功。然而，所有的實驗都是有收益的。這種實驗文化需要滲透到公司的精神中。三個原則可以幫助公司創建實驗文化。

1、度量指標，每個部門都需要度量以下三個方面的指標：

• 在給定的時間內嘗試的實驗次數。
• 在給定的時間內采用到業務工作流的實驗數量。
• 在給定的時間內，管道中的實驗次數。

2、擁抱敏捷，敏捷是人工智能之路。鑒于其本質，迭代方法最適合人工智能。它的三個核心原則：改善、透明度和深度協作應該滲透到公司的DNA中。

3、具有AI意識，人工智能是很多炒作，每個人、每個地方都在談論它。伴隨著這種炒作而來的是恐懼。害怕被取代。對失業的恐懼。這種擔心是沒有根據的。在公司中建立對人工智能的普遍認識是至關重要的。員工必須意識到AI能做什么和不能做什么。有了這種重要的意識，員工更容易接受人工智能，并利用它來增強他們的技能。

總結

采用負責任的人工智能(AI)是不可避免的。所有人都應該接受它。這不是長生不老藥。但是，有了正確的框架，它就有可能產生影響。