Andrew C. Oliver

適當處理好這五個先決條件，就可以實際執(zhí)行企業(yè)的人工智能策略了。

人工智能和機器學習將開始作出更多的決策。它們可能還不會在近期被用于做出“重大”決策，例如，是否對商品征收25%的關稅，是否開始與合作伙伴進行貿(mào)易戰(zhàn)，等等。

你在Excel中幾乎所有的操作，以及梳理、編碼或者排序等操作，都是一種很好的聚類、分類和學習排序問題。任何可以歸納為一組可預測值的問題都是很好的機器學習問題。任何可以歸納為經(jīng)歷過的，“尋找”過的模式、形狀或者對象的問題，都是很好的深度學習問題。

業(yè)務領域也充斥著這些問題。就像這個世界處理器取代了打字機一樣，人工智能很快就會取代大批盯著Excel的辦公室工作人員，甚至取代一些分析師。

企業(yè)面對這種變革要做好準備。正如那些沒有準備好網(wǎng)絡和電子商務的企業(yè)最終會落伍一樣，那些不適應人工智能和機器學習的企業(yè)也會陷入困境。如果不關注所處理的大量數(shù)據(jù)和所做出的決策，而是問：“自動化之后我是不是就能實現(xiàn)最后一英里？”，或者，由于不能“實時”做出決策而獲得優(yōu)勢，轉而去關注一些自己不擅長的東西——那么，你的企業(yè)很可能在幾年內(nèi)就會宣布倒閉。

面對變革，在可以開始業(yè)務轉型之前，要處理好五個先決條件。企業(yè)需要制定好戰(zhàn)略，從這五個先決條件開始，在整個企業(yè)中推廣人工智能。

人工智能的第一個先決條件：培訓

企業(yè)里的每一名員工不可能都成為數(shù)據(jù)科學家。而且，有些數(shù)學運算速度太快了，以至于我們普通人無法理解——人們這星期還認為是最有效的某種算法過一星期就未必適用了。

然而，一些基本的東西是不會改變的。企業(yè)的每名員工都應該掌握機器學習的一些基本功能，尤其是開發(fā)人員：

·聚類：將事物分組。

·分類：將事物分類，并進行標記。

·線性預測：如果能畫出一條直線，就可以預測它的值是多少。

·方差預測：無論是流動風險，還是振動或者功率尖峰，如果有一組落在某一范圍內(nèi)的數(shù)值，就可以預測某一天的方差是多少。

·分類/排序/優(yōu)先級：我說的不是簡單的東西。無論是為了搜索還是進行優(yōu)先級排序，以便指導銷售部門或者支持人員下一步的工作，這些都是可以處理的。

·模式識別：不管是形狀、聲音，還是一組數(shù)值或者事件，計算機都能學會找到它。

關鍵點在于有一批人，他們可以根據(jù)人們的技能水平進行簡化。開發(fā)人員可能對具體的算法或者技術感興趣，但分析師和管理人員應該了解基本業(yè)務問題和計算機技術。管理人員不一定需要知道聚類是怎樣工作的，但他們確實應能夠識別出“看起來像”聚類的問題。

最后，由于功能在不斷擴展，因此，企業(yè)應該定期更新培訓，至少每年進行一次。

人工智能的第二個先決條件：組件化

最近在組件化方面的一些工具是數(shù)據(jù)科學家的“筆記本（notebooks）”；很多其他工具都是從中衍生出來的。對于數(shù)據(jù)科學家及其合作者而言，這是非常好的工具。

問題是，當涉及到產(chǎn)品的時候，會帶來不好的做法。分類算法的界面看起來與所有其他算法的大致相同。某種分類算法的實現(xiàn)不會隨著業(yè)務問題而改變。

正如很多企業(yè)必須弄清楚怎樣表示一名客戶一樣（并不是每一系統(tǒng)針對每個業(yè)務問題提供完全不同的表示），算法也是同樣的。這并不是說你想出了一個真正的聚類算法，而組件化實現(xiàn)的卻是完全不同的東西。

人工智能的第三個先決條件：系統(tǒng)化

盡管如此，大多數(shù)系統(tǒng)看起來還是一樣的。有一些過程把數(shù)據(jù)送入算法中，而一些過程則執(zhí)行算法，還需要存放輸出結果的地方。如果針對每一種算法反復定制設計所有這些東西，那就是在浪費時間和金錢——給自己造成更大的問題。就像SOA改變了很多企業(yè)部署應用軟件一樣，在部署人工智能的過程中也需要類似的技術。

你不需要運行大量定制的Spark集群，到處部署定制“筆記本”和定制開發(fā)的ETL過程。不管業(yè)務問題如何，企業(yè)確實需要能夠完成繁重工作的人工智能系統(tǒng)。

人工智能的第四個先決條件：AI/UI組件化

在后端提供RESTful服務的JavaScript/Web UI環(huán)境中，很多UI應該能混合使用人工智能組件。無論是基于用戶行為的推薦者，還是完全虛擬的助理，企業(yè)都應該構建包含人工智能功能的UI庫，這些功能可以方便地嵌入到業(yè)務應用程序中。

人工智能的第五個先決條件：配置

沒有數(shù)據(jù)，所有這一切都不起作用。我們不應該再回到過去，去創(chuàng)建大量臃腫的數(shù)據(jù)，那樣的話，我們只是收集了一堆HDFS垃圾，希望總有一天會產(chǎn)生價值——正如一些廠商敦促你去做的那樣。相反，讓我們看看應該配置什么。

如果你身處制造業(yè)，有一些簡單的出發(fā)點：任何手動進行操作的人都是在浪費時間。即使是在銷售和營銷領域，都有電子郵件和手機——可以自動從這些數(shù)據(jù)中收集顯然非常有用的數(shù)據(jù)。與其讓那些喋喋不休的銷售人員去完成他們的數(shù)據(jù)錄入，何不讓系統(tǒng)自己去做呢？

人工智能策略

總的來說，這五個關鍵的先決條件是：

·在整個企業(yè)中傳播人工智能知識。

·每個人都應該了解機器能夠獨立完成的日常工作。

·為企業(yè)的人工智能構建系統(tǒng)和組件。

·構建AI/UI混合結構，方便地把人工智能添加到業(yè)務應用中。

·配置系統(tǒng)來收集企業(yè)所需要的數(shù)據(jù)，并將其送入算法，為企業(yè)做出決定。

如果能把這些先決條件放在一起，剩下的就應該是從信息時代過渡到洞察時代了。

Andrew C. Oliver是企業(yè)搜索解決方案提供商LucidWorks公司的技術支持經(jīng)理。

原文網(wǎng)址

https：//www.infoworld.com/article/3267900/artificial-intelligence/how-to-get-started-with-ai-before-it-s-too-late.html