稍微有點想法的公司不是已經部署了AI項目就是在部署AI項目的路上。確實，在全面商業(yè)化的今天，這種激情促進了人工智能的普及，也在一定程度上降低了企業(yè)的成本，提高效率。

尤其，有些自動化工具的出現(xiàn)，例如谷歌的Auto系列，使得那些非技術專家也能采用AI的解決方案。

但是，在趕AI浪潮時髦之前，還是要問問自己以下三個問題：

• 任務是否屬于數(shù)據(jù)驅動型？

• 是否有足夠的數(shù)據(jù)來支持AI驅動的解決方案？

• 是否了解AI的工作原理？

如果對于上面的三個問題，沒辦法做到心中有數(shù)，那么就要掂量掂量所做的AI項目是否能夠成功。

如果你能夠對這三個基本問題說YES，那么，恭喜你，你可以嘗試構建AI解決方案了。

通常來說，啟動AI解決方案有三個基本選項可供參考：

• 用AI-aaS解決方案，例如Amazon AI（Rekognition），Google Cloud Vision或IBM Watson。它們提供一定的AI功能，主要通過API實現(xiàn)文本和圖像識別。

• 與第三方應用的AI公司合作，這些公司專注于更廣泛，更個性化的垂直AI服務。

• 使用內部團隊和數(shù)據(jù)從頭開始創(chuàng)建屬于自己的機器學習系統(tǒng)。這主要適用于跨國公司以及AI對其核心價值和收入至關重要的組織。

采用第二種方案是大多數(shù)企業(yè)的選擇，因為對比收益和風險，第二種方案帶來的回報合算。第三種方案風險最大，當然帶來的收益也是最大的，畢竟風險和收益成正比。

那么，如何正確認識一個AI項目，如何為AI項目選擇最高效的解決方案，讀讀下面幾條經驗，相信你會找到答案。

重整傳統(tǒng)業(yè)務流程徹底向AI轉型聽起來確實很有魄力。但是，從概率上來講，這種方式失敗的概率也是最大的。

實際上，最明智的做法是從小項目中獲得經驗，然后厚積薄發(fā)，為更大，更復雜人工智能項目奠定堅實的基礎。此外，強烈建議關注一些成功和成熟的項目，畢竟，他們大多數(shù)具有可靠的投資回報率。

盡量避免使用有過多變量和潛在結果的任務。在項目中，先把注意力集中在流程的一小部分，而不是整個流程。即使在今天，用單一的AI解決方案替換完整的流程仍然是非常困難的，更何況是設計一套這樣的系統(tǒng)。最好的辦法是采用化整為零：將完整的凌流程分解，然后逐個擊破。

此外，在開展此任務的時候，要想想自動化的任務是否允許重復以及容忍低成本的錯誤。

每個人可以對同一問題以及如何解決問題有不同的看法。但是，缺乏明確的愿景可能會阻礙成果的充分實現(xiàn)。建議多花時間定義目標。明確你想要實現(xiàn)什么以及為什么？

讓合適的人員參與過程的定義。這些人員必須是業(yè)務決策者和數(shù)據(jù)科學家之，因為只有他們才能真正了解業(yè)務案例。

如果開發(fā)人員不是機器學習專家，如果開發(fā)人員和數(shù)據(jù)科學家之間存在差異。這時候作為企業(yè)的領導，就需要確保AI易于使用并有一套長期解決方案。

機器學習可以用很多不同的方法來進行，但是正確的解決方案將取決于對問題的良好理解。如果缺乏必要的人力資源，強烈建議采用外包服務。實際上，確定不同過程需要什么樣的人工智能，以及這些過程是以內部，外包還是合作實施的方式實現(xiàn)，是制定戰(zhàn)略的重要一步。

如果在組織內部開發(fā)AI解決方案，不要忘記學習曲線的陡峭性，因為實施方案所需資源的成本可能非常高。例如，一個簡單的識別模型解決方案的開發(fā)成本可能非常高。但是在市場上，這些方案依賴于現(xiàn)有軟件服務或平臺。

如果外包AI解決方案的開發(fā)，那么讓技術和業(yè)務專家參與開發(fā)過程是明智之舉。此外，數(shù)據(jù)科學家，數(shù)據(jù)工程師和操作系統(tǒng)工程師需要團結一致，因為他們能夠提供充分的技術環(huán)境，幫助你完美使用解決方案。

此外，AI解決方案必須具有內置的反饋循環(huán)機制，以便可以糾正AI的預測和輸出。

最后，構建的AI工具交互界面，必須易于使用，可擴展且安全。

根據(jù)我的經驗，大多數(shù)AI項目出問題都因為以下因素造成的：

在大多數(shù)人工智能項目中，公司傾向于忽視“人”的因素。事實上，人工智能不只是關于框架，數(shù)據(jù)和算法，它也與人有關。行政領導的支持以及關鍵AI崗位的合適人才非常重要。在開發(fā)方面，可以利用人力和機器智能來創(chuàng)建機器學習模型。讓人類直接參與訓練，調整和測試特定ML算法的數(shù)據(jù)能夠培養(yǎng)“AI直覺”。

值得注意的是，成功的項目總有一個共同點，即新的AI部署始終在一小組員工中進行測試，因為他們提供有關系統(tǒng)界面的真實反饋。

大多數(shù)項目都基于機器學習，因此大量的數(shù)據(jù)是必須的。通過足夠的數(shù)據(jù)，就可以利用模型來預測未來的決策，而這正是公司所尋求的。

在開始人工智能之旅之前，必須確保所有操作系統(tǒng)中的數(shù)據(jù)都流水線化并存儲在大數(shù)據(jù)存儲系統(tǒng)中，方便供AI解決方案使用。

需要多少數(shù)據(jù)？這取決于數(shù)據(jù)的質量以及項目的實際情況。如果沒有足夠的標簽數(shù)據(jù)，就需要開始以結構化的方式收集因素和決策，以便可以在不久的將來將它用于AI平臺。

另一個問題可能是數(shù)據(jù)集。

擁有正確的數(shù)據(jù)集至關重要。但是，數(shù)據(jù)集的大小不是真正的問題，范圍才是。AI的挑戰(zhàn)不在于實施，最重要的問題是如何訓練AI？這就是為什么需要花時間確保數(shù)據(jù)與AI解決方案兼容的原因。

此外，投資AI轉型所需的基礎架構硬件也是必須的。機器學習需要高水平的計算能力，以及高帶寬和存儲系統(tǒng)。

AI提供公司發(fā)展的絕佳機會。但是，它也很容易出錯，畢竟它是一種新的復雜技術。如果你對某種解決方案感興趣，但是忽略了數(shù)據(jù)和技術，那就不要在問題面前提出承諾，因為這可能是一個糟糕的解決方案。建議花點時間思考，不要急于開發(fā)人工智能。

相關報道：

https://medium.com/predict/what-i-have-learned-after-several-ai-projects-131e345ac5cd

文章來源：medium

IEEE Spectrum

《科技縱覽》

官方微信公眾平臺