摘要： 如今，数据无处不在。经销商在经营销售方面减少了高达180亿美元的资金。

     如今，数据无处不在。经销商在经营销售方面减少了高达180亿美元的资金。
　　
　　卡特彼勒集团董事长兼首席执行官Doug Oberhelman表示，该公司及其经销商的销售收入减少了90-110亿美元，因为他们的销售（包括内部和经销商网络）并没有将数据的实际价值货币化。
　　
　　他担心他们现在没有充分利用丰富的实时客户数据，他们没有相互沟通，他们在从电子商务到零部件和服务定价等各个方面都没有为全球客户提供一致的经验。
　　
　　长话短说，整个想法是将企业的心态转变为数据驱动和机器学习驱动的销售。
　　
　　很多人从媒体的年度报告中彻底了解了他们的策略，阅读了他们的投资者资料，并最终写信给首席执行官。但首先，需要将他的困境并将其与所提到的价值损失联系起来。
　　
　　该公司一直在争取额外的收入，以规避经济和需求的波动。比如说，当世界上规模最大的钢铁公司收入约1200亿美元时，对全球钢铁市场有了一点了解，因此知道市场走向何方。这不是秘密！
　　
　　在2012年达到659亿美元的峰值之后，由于全球采矿业的资本投资佝预期的那样下滑，销售额在一年后暴跌近16％。出现了更多的销售问题。
　　
　　现在是时候将他们定义的全局驱动程序（确信战略顾问可能为他们创建）映射到数据驱动的目标和操作。在此不会分享，但人们可以看到与这些业务驱动因素相关的问题的基本原理。
　　
　　最后在行业专家给当时的首席执行官Doug Oberhelman的信中，提出了以下三个行动：
　　
　　•在企业的数据驱动的人工智能转型战略中包括整个生态系统和合作伙伴网络。实际上，将它们全部包含在内，并尝试在统一控制台中捕获机器聊天和消费者聊天。
　　
　　•如果企业还没有进行人工智能转型计划，需要从一开始就涉及所有这些业务。让企业的CIO为用户提供当前状态分析，了解自己的位置！
　　
　　•教育企业的合作伙伴生态系统，以便他们可以有效地使用数字技术和人工智能技术和平台，并在其境内拨打更多电话和安全目标。只知道那些物联网就绪的十亿台机器部件是不够的，经销商和消费者只想知道适用于他们的域名和地区的内容。
　　
　　卡特彼勒集团发生了很多事情，希望他们现在已经取得了一些进展。而其目的是划清界面，看看是否有办法开始绘图和识别潜在的数据驱动的MVP（最小可行的人工智能项目），其中机器和深度学习可能用于创建服务，解决方案可以帮助两者弥合差距，并为企业首席执行官希望的额外收入来源搭建新的桥梁。
　　
　　数据驱动的旅程可以自上而下或自下而上，这由用户来选择。
　　
　　企业需要首席人工智能官员？事实并非如此，企业只需要一位能够精通业务，并且技术先进的机器学习或深度学习技术的高级管理人员！
　　
　　许多组织采用自上而下的战略，聘请战略顾问。这包括对其组织的各个方面进行全面的温度检查，如财务、营销、销售、采购、法律、IT、并购、研发等，并通过多维状态分析返回。
　　
　　自上而下的战略主要是报告该公司与数据驱动的人工智能公司之间存在多大距离。自上而下的策略然后被转换到各个领域，预算被分发出去，这会逐渐变成一个多年的计划，最终变成一个伟大的事情。
　　
　　自下而上的旅程由营销和销售领域的专家或机器学习部门推动，他们看到人工智能的价值并坚持采用。
　　
　　人们已经看到这种情况发生在一个简单的数据技术问题，将导致全球公司建立全面的人工智能路线图开发。企业实际上已经建立了一个庞大的基金来进行全面建设（重新设计他们的组织、流程和技术），并购买拥有强大数据和体验产品的玩家进入市场。
　　
　　企业的高管也将采用机器学习，并最终解决了整个全球组织采用机器学习。这是一种独特但非常受欢迎的方法，工程师认为他们可以改变世界。
　　
　　底线：
　　
　　企业需要伟大的领导力，能够全神贯注地理解人工智能，并真正地改变其组织。
　　
　　在人工智能经济中，这是一个赢家通吃的游戏。
　　
　　企业高管坐在办公室分析公司似乎很容易，但问题是大多数公司都面临着巨大的挑战，在机器学习和深度学习中采用颠覆性技术可以使它们成为食物链的顶端。
　　
　　这次没有办法绕过它。大多数企业都处于市场竞争区域，仅仅依靠新的平台是不够的，更难以转向颠覆性的人工智能平台并采用破坏性流程。
　　
　　人们需要非常认真地对待这个巨大的中断，并确保企业、初创生态系统和数据科学家找到并解决现实世界的问题，AnalyticsVidhya公司首席执行官Kunal认为，通过解决现实问题，才能实现真正的转型。
　　
　　采用深度学习
　　
　　基本上企业领导者都在询问人工智能技术是否可以应用于他们的企业，就像Netflix、优步、亚马逊等公司。
　　
　　请注意，这是这座山的顶部，但幸运的是，有很多方法可以达到顶峰。这些是什么？
　　
　　让我们找出答案：
　　
　　（1）基础
　　
　　简要说明：大学水平数学线性代数、概率和编程是企业开始使用数据科学技术和机器学习和深度学习所需的基本技能。
　　
　　为企业和员工带来的好处：企业需要高度重视对内部招聘和/或外部招聘的这些技能的理解。谷歌、Facebook公司和所有其他渴望数据的公司都知道并招募这些人才。拥有这种基本的理解是发展直觉的关键，你企业开发自己的算法，使其具有巨大的竞争优势。
　　
　　理想的应聘者有很好的潜力成为算法工程师和统计分析师。
　　
　　（2）数据可视化
　　
　　使用Datadeepkapha.ai进行可视化
　　
　　简要说明：绘图工具，特定于域的库和供应商和/或开源工具来处理数据。
　　
　　为企业和员工带来的好处：人们正在处理的任何事情都需要用尽可能少的文字来解释，以便商业伙伴、经销商、供应商，能够清楚地理解它。这也是一项必不可少的技能，不仅需要了解数据需要如何切割和拼接，还需要良好的演示技巧。
　　
　　理想的应聘者可以是数据分析师、视觉艺术家，也可以是以前从未接触过这些工具的企业管理人员。
　　
　　（3）机器学习
　　
　　机器学习是企业人工智能之旅的关键
　　
　　简要说明：企业已使用各种技术（如采样、聚类、回归和分类）数十年。只有现在这些才能达到企业可以扩展的程度，因为组织中有越来越多的数据。
　　
　　为企业和员工带来的好处：机器学习是一项似乎难以实现的技能，但如果仔细检查，就会发现在企业中使用这些技术很长一段时间了。它只是被称为其他东西、专家网络或简单的ETL任务，涉及大量的预处理，仍然可以很好地知道企业的DBA。
　　
　　理想的应聘者是数据工程师，统计学家，还有开发人员和架构师，这两个是使机器学习系统开发并提供企业的生产环境的关键。
　　
　　（4）深度学习
　　
　　简要说明：当它是图像、文本、音频或视频数据时，企业可以采用各种技术，如计算机视觉技术，称为CNN（卷积神经网络），文本分析自然学习处理技术，如RNN（回归神经网络）或其他新兴形式神经网络，如GAN（生成性对抗网络）。
　　
　　为企业和员工带来的好处：从上述任务角度（如愿景和文本）快速识别甚至观察其环境的企业已经可以让他们的工程师开展工作。人脸识别、停车场规划、占地面积管理、对话背景，解决医疗诊断中的紧迫问题，解决交通拥堵问题，抑郁症检测和解决方案等等多！
　　
　　理想的应聘者是生物医学工程师。
　　
　　深度学习解决方案的愿望清单无穷无尽，而且正在急剧增长。将其应用到行业领域！
　　
　　将人工智能应用于行业
　　
　　简要说明：企业将从Plateau1到Plateau4的所有学习应用到其行业特定领域是发展方向。这个例子只是看你如何在机器学习或深度学习中完成一个完整的堆栈数据驱动项目。
　　
　　为企业和员工带来的好处：在此遗漏了很大一部分关于假设，概念化、扩展、文档、MVP（最小可行项目）识别、平台化，以及最终在各地区和运营国家业务部门规模化的工业化。这样做的好处是没有用的。
　　
　　想要在这种数据丰富的人工智能经济中生存的组织更好地关注或准备通过竞争来摧毁。
　　
　　企业似乎已经意识到应用人工智能的呼声，但还有更多需要做的事情。
　　
　　企业需要达到成熟水平的步骤，配备合适的人才，拥有足够和安全的基础设施，可以访问开发自定义构建算法，并且企业董事会不仅意识到并积极支持这种转变，这似乎令人生畏。
　　
　　编辑：Harris