成功的人工智能战略的6大支柱


机器学习和人工智能,总的来说,现在大家挂在嘴边已经有一段时间了。当AI的话题在媒体上处于前台的时候,大多数人(尤其是管理层)仍然不知道机器学习如何得到最好的应用。

最终,机器学习可以被描述为人机之间的协同关系。机器学习在实践中需要运用科学的方法和人类的沟通技巧。成功的公司拥有分析基础设施,专门知识,以及分析师和业务专业人员之间的密切协作,将这些协同作用转化为ROI。

企业如果想要在未来保持竞争力,就必须定义一个AI战略。但仅仅建立AI战略是不够的。当然,它还必须体现在组织结构中,或者应该能够成功地执行所定义的战略。在下面,描述了一些你的公司应该履行的成功的AI战略必不可少的基石。

1.在公司建立实验性的思维方式

机器学习是一个迭代和探索的过程。虽然核心算法日益量产化,但每个项目都必须基于业务上下文和数据进行定制。

就像任何好的实验一样,一些假设最初会被证明是错误的。可能需要获取或生成新的数据,或者根据发现的内容重写问题描述。因此,决策者和团队成员都需要应用机器学习测试和学习的心态来建立成功的数据分析。

提供最大灵活性和敏捷性的迭代过程允许更快地评估进度并确定是否需要替代方法。

2.组建跨学科数据科学团队

投资机器学习,看到成果,你不能只投资技术。您还需要确保您有合适的人员或专家来管理系统,并给予它们最大的影响。

同样重要的是一个动态的团队模型,它涉及具有业务,数据和技术专长的各种专家。这包括数据专家,他们可以评估所需的数据并将其带上船。最后但并非最不重要的是,它还需要能够部署和维护技术生态系统的it人员。

不可忽视的是雇佣合作者,他们可以在定量者,数学家/统计学家和经理之间进行转换。如果没有链接,那么误解和曲解就在所难免,失败的危险就很大。

3.制定强有力的数据战略和生态系统

机器学习需要数据--通常是海量数据。因此,建立一个充分确定,采购和交付以及获取高质量数据和信息资源的程序至关重要。

要做到这一点,治理准则和数据生态系统必须支持探索性环境(通常称为沙箱)和生产环境。这就需要一种多层次的方法来协调访问和灵活性,同时又不牺牲安全性,隐私性或质量。

引入非传统的(丰富的)数据源,包括非结构化的文本,语音,图像等,也可能需要新的数据管理能力。

4.本组织的高风险容忍度

从同意什么是“足够好”的标准到理解必须如何验证和开发模型,机器学习经常挑战传统的质量保证和风险管理方法。为什么?在某些时候,训练或测试数据必须被生产性数据替换。真正的验证只针对新数据产生结果。

5.参与调整既定业务流程

无论是自动化现有的决策点,还是提供新的产品或服务,机器学习都具有颠覆性。评估对现有业务流程,角色和功能的潜在影响是关键。这并不意味着你要在开始之前设计可能的效果。但快速的检查可以降低之后进行昂贵重组的可能性。从这个问题开始:

如果我们回答这个问题或提出这个假设,我们可以用这些信息做什么?

这如何影响现有流程?

我们是否准备好并能够作出必要的改变?

6.对新的信息技术实践的承诺

部署之后,机器学习模型的迭代建模和调优必须稳定地继续进行。需要更新的时间间隔是不可预测的,不符合传统的计划部署模式。因此,机器学习的使用需要完全不同的QA和交付模型。维护模型是一个关键的,持续的过程,必须以与初始模型开发相同的方式进行。