编译:ronghuaiyang

正文共: 3121 字 5 图

估量阅读韶光: 9 分钟

导读

人工智能(AI)是所有当代问题的新灵丹灵药吗?或者它是一把双刃剑,有时是毁坏性的,有时是很有用的。

运用AI的实战方法论做好这5个步骤

事实是这样的:有了精确的框架,人工智能就有潜力被利用

根据Gartner的研究,大约37%的组织正在履行某种形式的人工智能。
然而,根据安永(EY)的一项调查(https://www.technologyreview.com/s/611013/impact-ofai-on-business/),只有大约20%的公司认为自己拥有计策人工智能能力。
很少有组织能够成功地利用人工智能的真正力量来产生故意义的影响。

如何利用人工智能?框架该当是什么?这篇由麦肯锡环球研究所MGI揭橥的论文推举了组织须要关注的五个领域。

这些领域不是伶仃的。
它们是相互关联的。
这些领域中的每一个都须要共同努力,才能产生明显的影响。

作为一名数据计策家有其上风。
在本文中,我将详细解释实现这个框架的实际方法。

1. 识别精确的用例

当公司已决定踏上人工智能之旅。
第一个任务是识别精确的用例。
发散收敛法是一种行之有效的方法。
头脑风暴来探索尽可能多的AI用例。
一旦完成,聚合到前3个用例的候选列表。

如何聚合用例?探索的维度是什么

我建议以从下几个方面入手:

业务影响:这个用例有实际的业务影响吗?对其进行量化。
技能可行性:当前的技能环境是否支持此用例的实现?创建一个技能舆图。
数据可用性:是否有干系的数据点可用来交付用例?探索这些。

在这三个维度上映射用例供应了一个关于什么可行,什么不可行的用例图。
这方面的一个例子如下:

在上面的用例图中,用例#7和#6在三个维度上都得分很高。
用例#3是下一个候选者,只管它短缺所需的所有数据。

一个挥之不去的问题是:有多少数据是足够的

这个问题没有明确的答案。
办理这个问题的履历法则是回答以下问题:

可用的数据是否足以构建最小可行模型

如果上述问题的答案是“是”,那么建议连续并考虑潜在开拓的用例。

2. 构建高效的数据平台

数据是新的石油。
这种新的石油扩散到全体公司。
有必要从中提取代价。
有必要对其进行改进。
人工智能和数据有一种共生关系。
他们须要彼此的繁荣和茂盛。

从远古时期起,各个公司就试图创建一个数据剖析平台。
企业数据仓库、数据集市、数据湖都试图驯服这头猛兽。
随着数据技能的进一步发展,新的数据体系构造模式不断呈现。

2017年,我写了一篇博客:Demystifying Data Lake Architecture,强调了创建一个有用的人工智能数据平台的关键组件。
此后,数据技能不断发展。
然而,核心仍旧是相同的。
这些观点仍旧可以运用。

然而,须要思考的问题如下:

利用人工智能的数据平台的原则是什么

以下是我的三条建议:

以原始格式存储所有数据:数据的性子比较繁芜。
一个人只有在利用它的时候才知道它的用法。
最好的策略是将它们全部存储为它们自己的格式。
没有转换。
没有管理。
只是原始的存储。
随着云技能的涌现,数据存储变得廉价。
可以利用许多存储层选项。
例如,在Azure中,人们可以在许多层(高等、热、冷、存档)中存储前50TB的数据,均匀本钱为0.044美元/GB/月,即4.4美元/TB/月(比一杯星巴克高杯摩卡还低)。
作为辅导原则,我建议至少在过去5年内存储数据。
在此之后,如果创造无用,总是可以归档。
解耦存储和打算:存储是常年的。
处理是短暂的。
处理引擎可以是批处理的,也可以是面向流的。
处理也可能是一项昂贵的操作。
因此,按需处理是故意义的。
根据所需的处理类型,创建适当的处理引擎。
一旦任务完成,处理引擎就可以停息或销毁。
解耦打算和存储节省了大量本钱。
它还供应了很大的灵巧性。
一样平常来说,这是明智的做法。
分类目和管理数据:防止数据湖变成交流空间的一个最主要的原则是仔细地分类目和管理数据。
作为一个履历法则,任何持久化的东西都会被编类目。
主动编类目将使业务剖析职员、数据科学家或任何希望以精确格式查找精确数据的人能够轻松地搜索数据元素。
积极编类目的主要性再怎么强调也不为过。
编类目和管理决定了数据剖析平台的成败。
3. 采取精确的工具、过程和技能

第三部分是选择得当的工具和技能来实现AI。
当然,有很多可用的工具来实现它。
有三个基本原则对付人工智能的发达发展至关主要。

利用规模:数据与人工智能之间存在干系关系。
常日,须要演习的数据越多,就意味着模型越可用。
在过去,演习模型的能力受到限定。
存储和打算能力有限。
在过去的20年里,存储和打算技能得到了发展。
云打算平台正在创新。
存储是便宜。
打算是包袱得起的。
以可接管的本钱进行大规模的数据处理和模型演习是可能的。
过去的局限现在已不复存在了。
关注功能而不是技能:创建一个灵巧的数据架构。
每个组件都知足特定的功能。
可用的技能特性不固定组件。
功能是不变的,而技能是不断变革的。
这是云平台的另一个好处。
云平台创新。
他们引进新技能,以更低的本钱供应相同或更好的功能。
拥抱数据项目中的敏捷性:著名统计学家George Box曾打趣道:“所有模型都是错的,但有些模型是有用的。
”得到那个有用的模型是一个迭代的过程。
每次迭代都是向那个有用的模型迈进的一步。
不要在AI项目中追求绝对。
它不存在。
完美的模型是乌托邦。
以该模型为目标,它对付给定的高下文来说已经足够好了。
4. 在过程中集成AI决策

任何基于AI的项目的终极目标都是产生积极的影响。
无论是商业还是社交。
然而,许多成功的人工智能项目在它的摇篮里短命了。
他们看不到光明。
因此,一个人工智能项目,由于它的孵化阶段,须要从头到尾的不雅观察。

我再怎么强调都不为过:AI项目是基于影响力的项目。
他们须要一个结果。
它们不是技能项目

想象一个AI项目不应该是关于模型和算法的。
它必须是关于结果的。
将给终极用户带来利益的结果。

每个过程都是一步一步连锁的。
须要回答的问题如下:

AI会影响多少个阶段 ?

它能使过程自动化吗?它是否增加了一个过程?

根据答案,画出精确的路线。

5. 构建实验文化

文化是任何变革的基石。
Peter Drucker曾经说过:“文化以计策为早餐。
”“在采取人工智能方面,没有什么与这个事实相距甚远。
对付成功的AI实现来说,反复贯注灌注实验文化是至关主要的。
根据定义,实验是一种证明或推翻假设的过程。
并不是所有的实验都会成功。
然而,所有的实验都是有收益的。
这种实验文化须要渗透到公司的精神中。
三个原则可以帮助公司创建实验文化。

1、度量指标,每个部门都须要度量以下三个方面的指标:

在给定的韶光内考试测验的实验次数。
在给定的韶光内采取到业务事情流的实验数量。
在给定的韶光内,管道中的实验次数。

2。
拥抱敏捷,敏捷是人工智能之路。
鉴于实在质,迭代方法最适宜人工智能。
它的三个核心原则:改进、透明度和深度协作该当渗透到公司的DNA中。

3、具有AI意识,人工智能是很多炒作,每个人、每个地方都在评论辩论它。
伴随着这种炒作而来的是恐怖。
害怕被取代。
对失落业的恐怖。
这种担心是没有根据的。
在公司中建立对人工智能的普遍认识是至关主要的。
员工必须意识到AI能做什么和不能做什么。
有了这种主要的意识,员工更随意马虎接管人工智能,并利用它来增强他们的技能。

总结

采取负任务的人工智能(AI)是不可避免的。
所有人都该当接管它。
这不是永生不老药。
但是,有了精确的框架,它就有可能产生影响。

英文原文:https://medium.com/swlh/a-practical-framework-for-ai-adoption-a-five-step-process-ed8349977695