根據(jù)Gartner的研究，大約37%的組織正在實施某種形式的人工智能。然而，根據(jù)安永（EY）的一項調(diào)查，只有大約20%的公司認為自己擁有戰(zhàn)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(chǎn)生有意義的影響。

如何利用人工智能？框架應(yīng)該是什么？這篇由麥肯錫全球研究所MGI發(fā)表的論文推薦了組織需要關(guān)注的五個領(lǐng)域。

這些領(lǐng)域不是孤立的。它們是相互關(guān)聯(lián)的。這些領(lǐng)域中的每一個都需要共同努力，才能產(chǎn)生明顯的影響。

作為一名數(shù)據(jù)戰(zhàn)略家有其優(yōu)勢。在本文中，我將詳細說明實現(xiàn)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(wù)是識別正確的用例。發(fā)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：

業(yè)務(wù)影響：這個用例有實際的業(yè)務(wù)影響嗎？對其進行量化。

技術(shù)可行性：當前的技術(shù)環(huán)境是否支持此用例的實現(xiàn)？創(chuàng)建一個技術(shù)地圖。

數(shù)據(jù)可用性：是否有相關(guān)的數(shù)據(jù)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(guān)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(shù)據(jù)。

一個揮之不去的問題是：有多少數(shù)據(jù)是足夠的

這個問題沒有明確的答案。解決這個問題的經(jīng)驗法則是回答以下問題：

可用的數(shù)據(jù)是否足以構(gòu)建最小可行模型

如果上述問題的答案是“是”，那么建議繼續(xù)并考慮潛在開發(fā)的用例。

2. 構(gòu)建高效的數(shù)據(jù)平臺

數(shù)據(jù)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(shù)據(jù)有一種共生關(guān)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(chuàng)建一個數(shù)據(jù)分析平臺。企業(yè)數(shù)據(jù)倉庫、數(shù)據(jù)集市、數(shù)據(jù)湖都試圖馴服這頭猛獸。隨著數(shù)據(jù)技術(shù)的進一步發(fā)展，新的數(shù)據(jù)體系結(jié)構(gòu)模式不斷涌現(xiàn)。

2017年，我寫了一篇博客：Demystifying Data Lake Architecture，強調(diào)了創(chuàng)建一個有用的人工智能數(shù)據(jù)平臺的關(guān)鍵組件。此后，數(shù)據(jù)技術(shù)不斷發(fā)展。然而，核心仍然是相同的。這些概念仍然可以應(yīng)用。

然而，需要思考的問題如下：

利用人工智能的數(shù)據(jù)平臺的原則是什么

以下是我的三條建議：

以原始格式存儲所有數(shù)據(jù)：數(shù)據(jù)的性質(zhì)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?nèi)看鎯樗鼈冏约旱母袷?。沒有轉(zhuǎn)換。沒有管理。只是原始的存儲。隨著云技術(shù)的出現(xiàn)，數(shù)據(jù)存儲變得廉價?？梢允褂迷S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(shù)據(jù)，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(nèi)存儲數(shù)據(jù)。在此之后，如果發(fā)現(xiàn)無用，總是可以歸檔。

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(jù)所需的處理類型，創(chuàng)建適當?shù)奶幚硪?。一旦任?wù)完成，處理引擎就可以暫?；蜾N毀。解耦計算和存儲節(jié)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。

分類目和管理數(shù)據(jù)：防止數(shù)據(jù)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(shù)據(jù)。作為一個經(jīng)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(yè)務(wù)分析人員、數(shù)據(jù)科學家或任何希望以正確格式查找正確數(shù)據(jù)的人能夠輕松地搜索數(shù)據(jù)元素。積極編類目的重要性再怎么強調(diào)也不為過。編類目和管理決定了數(shù)據(jù)分析平臺的成敗。

3. 采用正確的工具、過程和技術(shù)

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

利用規(guī)模：數(shù)據(jù)與人工智能之間存在相關(guān)關(guān)系。通常，需要訓練的數(shù)據(jù)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(shù)得到了發(fā)展。云計算平臺正在創(chuàng)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(guī)模的數(shù)據(jù)處理和模型訓練是可能的。過去的局限現(xiàn)在已不復存在了。

關(guān)注功能而不是技術(shù)：創(chuàng)建一個靈活的數(shù)據(jù)架構(gòu)。每個組件都滿足特定的功能?？捎玫募夹g(shù)特性不固定組件。功能是不變的，而技術(shù)是不斷變化的。這是云平臺的另一個好處。云平臺創(chuàng)新。他們引進新技術(shù)，以更低的成本提供相同或更好的功能。

擁抱數(shù)據(jù)項目中的敏捷性：著名統(tǒng)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?！钡玫侥莻€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(jīng)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(chǎn)生積極的影響。無論是商業(yè)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(diào)都不為過：AI項目是基于影響力的項目。他們需要一個結(jié)果。它們不是技術(shù)項目

想象一個AI項目不應(yīng)該是關(guān)于模型和算法的。它必須是關(guān)于結(jié)果的。將給最終用戶帶來利益的結(jié)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(jù)答案，畫出正確的路線。

5. 構(gòu)建實驗文化

文化是任何變化的基石。Peter Drucker曾經(jīng)說過：“文化以戰(zhàn)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(xiàn)來說，反復灌輸實驗文化是至關(guān)重要的。根據(jù)定義，實驗是一種證明或推翻假設(shè)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(chuàng)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(nèi)嘗試的實驗次數(shù)。

在給定的時間內(nèi)采用到業(yè)務(wù)工作流的實驗數(shù)量。

在給定的時間內(nèi)，管道中的實驗次數(shù)。

2、擁抱敏捷，敏捷是人工智能之路。鑒于其本質(zhì)，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(xié)作應(yīng)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?wù)撍?。伴隨著這種炒作而來的是恐懼。害怕被取代。對失業(yè)的恐懼。這種擔心是沒有根據(jù)的。在公司中建立對人工智能的普遍認識是至關(guān)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(jié)

采用負責任的人工智能（AI）是不可避免的。所有人都應(yīng)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(chǎn)生影響。