如今，人工智能無處不在，給人的印象是幾乎每家公司都在實(shí)施它。但實(shí)際上并非如此，因?yàn)樗麄冎械脑S多人經(jīng)常會(huì)遇到問題。人工智能會(huì)以某種方式影響每個(gè)品牌和幾乎所有行業(yè)。而那些不適應(yīng)新變化的公司將退出競(jìng)爭(zhēng)。僅僅掌握思維是不夠的，這將有助于公司進(jìn)入一個(gè)業(yè)務(wù)，其中的平衡更傾向于人工智能。你需要為真正的挑戰(zhàn)和障礙做好準(zhǔn)備，這些挑戰(zhàn)和障礙可能會(huì)讓你的 AI 產(chǎn)品回到一個(gè)新的水平。

為 AI 設(shè)置正確的指標(biāo)

需要強(qiáng)調(diào)的是，沒有必要對(duì)人工智能設(shè)定過高的期望。這些初創(chuàng)公司故意夸大了他們的人工智能項(xiàng)目的能力。一再有報(bào)道稱，微軟、Facebook、谷歌和蘋果的承包商已經(jīng)竊聽了他們用戶的錄音。這些案例可以解釋為現(xiàn)代人工智能系統(tǒng)不夠智能，到目前為止還不能滿足這些公司對(duì)它們施加的要求水平。結(jié)果，科技巨頭被迫在員工的幫助下道歉并解決人工智能問題。設(shè)定切合實(shí)際的期望是確保任何 AI 項(xiàng)目成功的關(guān)鍵。設(shè)定目標(biāo)同樣重要。

就優(yōu)化內(nèi)容達(dá)成一致

與每一項(xiàng)新的特別是大肆宣傳的技術(shù)一樣，一個(gè)常見的錯(cuò)誤是創(chuàng)建一個(gè)人工智能項(xiàng)目而沒有定義問題的本質(zhì)。AI的實(shí)力也值得關(guān)注。通常，如果不是所有業(yè)務(wù)流程，大多數(shù)業(yè)務(wù)流程都包含許多簡(jiǎn)單但耗時(shí)的任務(wù)，例如識(shí)別文檔中的關(guān)鍵字。與執(zhí)行這些行動(dòng)所涉及的人力資源相比，這些行動(dòng)的價(jià)值微乎其微。耗時(shí)的常規(guī)程序是人工智能自動(dòng)化的理想目標(biāo)。

決定收集哪些數(shù)據(jù)

盡管數(shù)據(jù)是任何 AI 應(yīng)用程序功能的來源，但隨機(jī)收集數(shù)據(jù)是魯莽的。數(shù)據(jù)必須滿足三個(gè)關(guān)鍵標(biāo)準(zhǔn)：

數(shù)據(jù)的提?。ú蓸樱┎粦?yīng)侵犯任何人的合法權(quán)利。公司必須遵守保密規(guī)則和接收數(shù)據(jù)的限制；

CIO需要了解數(shù)據(jù)的價(jià)值并知道如何使用它；

提取和處理數(shù)據(jù)的成本不得超過其使用的潛在收入。

此外，數(shù)據(jù)的可靠性及其存儲(chǔ)方式也很重要，因?yàn)橛袝r(shí)攻擊者會(huì)針對(duì)底層 AI 數(shù)據(jù)系統(tǒng)，將算法暴露在錯(cuò)誤、扭曲或錯(cuò)過危險(xiǎn)信號(hào)的風(fēng)險(xiǎn)之下。公司需要控制進(jìn)入系統(tǒng)的數(shù)據(jù)，過濾掉未經(jīng)驗(yàn)證的單位或欺詐案件。通過使用區(qū)塊鏈，公司可以有效地跟蹤誰訪問或更改了數(shù)據(jù)，從而使他們能夠排除錯(cuò)誤數(shù)據(jù)并確定根本原因。

測(cè)試和再培訓(xùn)

除了少數(shù)專業(yè)人士外，很少有人了解 AI 的工作原理，因此并不是每個(gè)人都敢用它來運(yùn)行關(guān)鍵任務(wù)應(yīng)用程序。在一定程度上可以通過綜合測(cè)試降低風(fēng)險(xiǎn)，保證預(yù)測(cè)的準(zhǔn)確性。許多組織在幾個(gè)月內(nèi)進(jìn)行比較測(cè)試，將測(cè)試的 AI 模型的結(jié)果與實(shí)際結(jié)果進(jìn)行比較，調(diào)整計(jì)算機(jī)算法以改進(jìn)結(jié)果。

人工智能測(cè)試是必不可少的，因?yàn)樵趯?shí)驗(yàn)室中表現(xiàn)出良好性能的算法在商業(yè)環(huán)境中可能表現(xiàn)得非常不同。人工智能是一種反復(fù)試驗(yàn)的方法，所以起初看起來不錯(cuò)的想法往往在現(xiàn)實(shí)世界中用處不大。這就是為什么快速迭代是自動(dòng)化的關(guān)鍵。要解決這個(gè)問題，您需要注意重新訓(xùn)練 AI 模型的重要性。

在某些情況下，人工智能解決方案中的弱點(diǎn)在推出之前不會(huì)出現(xiàn)。最大的問題之一是算法中的偏移誤差。就其本質(zhì)而言，任何數(shù)據(jù)都反映了人類的偏見，因此它可能會(huì)歪曲結(jié)果。持續(xù)測(cè)試和再培訓(xùn)將有助于糾正錯(cuò)誤的配置。

人工智能開發(fā)自動(dòng)化

測(cè)試、重新訓(xùn)練 AI 模型以及數(shù)據(jù)清理和特征提取都非常耗時(shí)。為了解決這個(gè)問題，專家們正在借鑒傳統(tǒng)軟件開發(fā)人員的流程自動(dòng)化技術(shù)。DevOps 專注于持續(xù)交付、按需利用 IT 資源以及自動(dòng)化代碼測(cè)試和部署。DataOps 為數(shù)據(jù)分析帶來了同樣的改進(jìn)。

簡(jiǎn)而言之，DataOps 通過在問題出現(xiàn)時(shí)快速解決問題，實(shí)現(xiàn) AI 培訓(xùn)和開發(fā)中每一步的自動(dòng)化。DataOps 通過在管道交付的每個(gè)階段檢查問題來消除數(shù)據(jù)生命周期早期的問題。如果在此過程中出現(xiàn)任何異常情況，數(shù)據(jù)分析團(tuán)隊(duì)將通過自動(dòng)警報(bào)的方式第一時(shí)間了解情況。機(jī)器學(xué)習(xí)可用于識(shí)別違規(guī)行為。

結(jié)論

AI理應(yīng)走在數(shù)字化轉(zhuǎn)型的前沿，很多人對(duì)它寄予厚望，但CIO們不要忘記這是一項(xiàng)年輕的技術(shù)。在此基礎(chǔ)上，有理由相信它并不總是能滿足人們對(duì)它的期望，或者更糟的是，它可能會(huì)導(dǎo)致問題。CIO 應(yīng)該對(duì)技術(shù)的能力持現(xiàn)實(shí)態(tài)度，并為與實(shí)施和維護(hù) AI 項(xiàng)目相關(guān)的挑戰(zhàn)做好準(zhǔn)備。

　審核編輯：湯梓紅