摘要：实施人工智能从来不是一件一劳永逸的事情，它需要广泛的战略，以及不断调整的过程。

   实施人工智能从来不是一件一劳永逸的事情，它需要广泛的战略，以及不断调整的过程。
　　
　　以下了解企业成功实施人工智能的一些关键的实施步骤，以帮助人工智能和机器学习充分发挥其潜力。
　　
　　人工智能和机器学习正从商业流行术语转向更广泛的企业应用。围绕战略和采用的努力让人们想起企业云战略的周期和转折点，企业如今不再有是否迁移到云平台的选择，只剩下何时以及如何迁移云平台的问题。人工智能和机器学习的实现策略在企业构建方法时处于相同的进化模式。
　　
　　根据调研机构Forrester公司发布的调查报告，将近三分之二的企业技术决策者已经实施、正在实施或正在扩大人工智能的使用。这种做法和努力是由企业内部的企业数据湖驱动的，由于合规和低成本的存储，这些数据湖大部分处于闲置状态。利用这些丰富的知识库，让人工智能回答人们没有问也可能不知道问的问题，这是企业需要理解的好处。
　　
　　到2026年，在以人工智能为中心的系统上的支出预计将超过3000亿美元，因此，这种利润需要物有所值，而且压需要妥善处理。
　　
　　未来几年，所有行业的组织都将继续接受人工智能和机器学习技术，转变其核心流程和业务模型，以利用机器学习系统来增强运营和提高成本效益。随着企业领导者开始制定如何充分利用这项技术的计划和战略，重要的是他们要记住，采用人工智能和机器学习的道路是一个旅程，而不是一场比赛。企业应该从考虑以下八个步骤开始。
　　
　　1.清楚地定义用例
　　
　　重要的是，商业领袖和他们的项目经理首先要花时间清楚地定义和阐明他们希望人工智能解决的特定问题或挑战。目标越具体，他们实施人工智能的成功机会就越大。
　　
　　例如，企业表示希望“在线销售增加10%”就不够具体。与其相反，一个更明确的声明，例如旨在通过监测网站访问者的人口统计数据来增加10%的在线销售，在阐明目标和确保所有利益相关者清楚地理解这一目标方面更有用。
　　
　　2.验证数据的可用性
　　
　　一旦明确定义了用例，下一步就是确保已经就位的流程和系统能够捕获和跟踪执行所需分析所需的数据。
　　
　　大量的时间和精力都花在了数据的摄取和争论上，因此企业必须确保以足够的数量捕获正确的数据，并具有正确的变量或特征，例如年龄、性别或种族。值得记住的是，对于一个成功的结果来说，数据的质量和数据的数量一样重要，企业应该优先考虑数据治理程序。
　　
　　3.进行基础数据挖掘
　　
　　对于企业来说，通过模型构建练习可能很有诱惑力，但首先进行快速的数据探索练习是至关重要的，这样可以验证其数据假设和理解。这样做将有助于确定基于企业的主题专业知识和商业头脑，数据是否在讲述正确的故事。
　　
　　这样的练习还将帮助企业理解重要的变量或特征应该或可能是什么，以及应该创建哪种数据分类，以用作任何潜在模型的输入。
　　
　　4.组建多元化和包容性的工程团队
　　
　　对于一个真正成功的人工智能模型，管理该模型的团队需要带来各种想法和观点。这要求从尽可能多的人群中招聘和纳入工作人员，同时考虑到性别、种族和多样性等人口和社会因素。
　　
　　在科技行业和商业领域，技能差距仍然突出，但招聘和留住来自各种可能背景的员工可以缓解这一问题，并确保人工智能模型尽可能具有包容性和可操作性。因此，企业需要花费时间根据其所在的行业进行基准测试，找出需要更多代表的地方。
　　
　　5.定义模型构建方法
　　
　　与其关注假设应该达到的最终目标，不如关注假设本身。运行测试来确定哪些变量或特征最重要，将验证假设并改善其执行。
　　
　　企业的不同的业务和领域专家小组应该参与进来，因为他们的持续反馈对于验证和确保所有涉众在同一页面上是至关重要的。事实上，由于任何机器学习模型的成功都依赖于成功的特征工程，当涉及到派生更好的特征时，主题专家总是比算法更有价值。
　　
　　6.定义模型验证方法
　　
　　性能度量的定义将有助于对多种算法的结果进行评估、比较和分析，进而有助于进一步完善具体的模型。例如分类精度，即正确预测的数量除以所做预测的总数再乘以100，在处理分类用例时，这将是一个很好的性能度量。
　　
　　数据将需要分为两个数据集:一个是训练集，算法将在其上进行训练;另一个是测试集，算法将在其上进行评估。根据算法的复杂性，这可能简单到选择一个随机的数据分割，例如60%用于训练，40%用于测试，或者可能涉及更复杂的抽样过程。
　　
　　与测试假设一样，业务和领域专家应该参与验证结果，并确保一切都朝着正确的方向发展。
　　
　　7.自动化和生产部署
　　
　　一旦构建并验证了模型，就必须将其推出到生产中。从几周或几个月的有限推出开始，在此基础上，业务用户可以对模型行为和结果提供持续的反馈，然后可以向更广泛的受众推出。
　　
　　应该选择正确的工具和平台来自动化数据摄取，并建立系统将结果传播给适当的受众。该平台应提供多种接口，以考虑组织最终用户的不同知识程度。例如，业务分析师可能希望基于模型结果进行进一步的分析，而普通终端用户可能只想通过仪表板和可视化与数据交互。
　　
　　8.继续更新模型
　　
　　一旦模型发布并部署使用，就必须对其进行持续监控，因为通过了解其有效性，组织将能够根据需要更新模型。
　　
　　由于多种原因，模型可能会过时。例如，市场动态可能会发生变化，企业本身及其商业模式也可能发生变化。模型建立在历史数据的基础上，以便预测未来的结果，但随着市场动态偏离组织一贯的经营方式，模型的性能可能会恶化。因此，重要的是要注意必须遵循哪些流程才能确保模型是最新的。
　　
　　企业人工智能正迅速从炒作走向现实，并将对业务运营和效率产生重大影响。现在就花时间来计划它的实施，将使企业处于更有利的地位，以便在未来享受它的好处。
　　
　　编辑：Harris