人工智能(AI)对企业有很多实际应用。将人工智能视为一个更大的框架,提供不同的能力。实施人工智能的公司应该重新审视自己的愿景,并制定与大目标和重点相一致的人工智能战略。要实现,数据驱动的用例是基本要求。同时,从一开始就应该选择一个灵活的、模块化的架构,将来可以随意扩展和改进。
Index
如果你已经读过《人工智能执行指南》系列的第一部分,你就会知道为什么人工智能对有效的数据处理至关重要,以及 “认知型企业”,即人工智能融入的公司由哪七个部分组成。
人工智能对企业有很多实际应用,如今正被用于提升、改进和改变流程或产品。
一个成功的人工智能系统不是偶然的
如果不了解某件事情,就不可能从它身上获得价值,除非是一个幸福的意外。在计算的世界里,因而也是人工智能的世界里,没有快乐的意外,一个人工智能解决方案的定义是细致精确的,要考虑到具体的目标、可用的数据和使用的算法。
AI基本上有两个核心竞争力。一是语音和图像识别、搜索和聚类等信息采集。这使得机器可以将信息从非结构化数据转换为结构化数据。其次,可以利用人工智能将信息互为背景,”知其然不知其所以然”。这包括自然语言理解(NLU)、优化、预测和(上下文)理解等能力。
这些不同的能力依次工作,通常也会与其他技术(如机器人过程自动化、云计算、物联网等)合并,形成一个实体。只有融合不同的方法和技术,才能充分挖掘数据的潜力。
数据驱动的用例是基本前提。
为了引入人工智能应用案例,企业应该从战略目标出发,确定亟待解决的挑战或流程/产品/服务愿景。有各种技术,如设计思维研讨会或用户故事图,可以支持这个过程。
下一步是分析所确定的领域的经济可行性和技术可行性。只有在数据充足的情况下,将不同系统的必要数据进行组合,才有可能形成基于人工智能的解决方案。如果不是这样,就必须事先调整数据管理,以适应未来的需求。
为了更好地了解情况,我建议将分析结果输入AI热图或以其他方式记录信息。有了这个概述,就可以对各种方案进行评估。如果公司决定推行人工智能项目,可以为每个项目制定一个商业案例。
AI的实施
AI解决方案的第一步可能很复杂,因为必须创建基础设施,并相应地准备、策划和合并数据。将大型用例(如核心流程的端到端自动化)划分为较小的用例和里程碑是有帮助的。
从最小可行产品(MVP)开始,然后再扩大规模,这可能会有所帮助。创建第一个人工智能组件,无论多小,对任何企业来说都是一个重要的里程碑。
建议从一开始就关注灵活、可扩展的基础设施和架构。正如前面已经解读过的,人工智能解决方案是由一系列人工智能功能以及其他技术组成的,这些技术在不断发展。为了让企业在未来继续扩大人工智能解决方案的规模,并将其扩展到 “认知企业 “的其他业务领域,应从一开始就考虑实施的灵活性。
理想情况下,在一个由多个组件组成的人工智能系统中,应该允许每个组件被替换,以提高整个系统的功能。
为了获得长期的成功,企业将开发一个 “生态系统 “来支持其人工智能和自动化项目。这应该反映出架构团队,通过开发和实施,到运营和进一步扩展,指导人工智能相关的选择。
诸如 “首席数据官 “等其他数据管理角色也可能是有用的。AI系统是建立在数据基础上的,因此倾斜或不恰当的数据会影响结果,甚至导致误解。
AI的热情得到了回报
对人工智能的普遍热情对任何公司都是有价值的。然而,这需要对创新技术和敏捷项目方法的开放性。
人工智能是一场马拉松,而不是短距离的短跑。迄今为止,当企业将人工智能逐一建立在其愿景和核心流程中时,我看到了智能计算领域最大的成功和附加值。当利用数据和架构专家的专业知识,并行建立自己的生态系统。
Comments are closed.