人工智能：成功扩展概念验证
从人工智能 PoC 到生产
根据Gartner的数据，80%的人工智能项目在概念验证后失败。了解如何避免概念验证陷阱并成功扩大规模。
技术的进步使企业不再仅仅将数字化流程作为一种选择，而是将其视为一种必需。特别是人工智能的使用，它对企业的灵活性、效率以及流程的扩展起到了至关重要的作用。
最近发布的一项关于公司当前对“云计算”这一话题的看法的研究再次清楚地表明了公司代表对技术的评价以及他们希望在哪些领域在未来几年进行更多投资。毫不奇怪，认为人工智能是2024年核心投资与转型主题的受访者数量再次增加。
根据分析师公司techConsult的研究，56%的受访者表示人工智能对公司具有高度战略意义，紧随其后的是云计算，占47%。因此，这两个话题密切相关。
人工智能为数字产品和无缝客户体验的更快开发和交付铺平了道路，这一认识现已进入董事会。
这种变化势在必行，因为客户期望获得更好的数字化客户体验，而熟练工人日益短缺迫使越来越多的公司重新思考他们的方法。在提高客户服务水平的同时，必须有效地优化内部成本结构。人工智能在这方面可以提供帮助。
因此，越来越多的公司开始将单个流程和应用程序转化为概念验证（PoC），特别是在人工智能领域，以验证其可行性和效率提升。
尽管人工智能的应用潜力巨大，但绝大多数PoC在实施后都失败了，未能投入生产。
Index
人工智能概念验证失败的7个原因
但这是为什么，又该如何改变呢？从根本上讲，导致人工智能概念验证失败的七个核心因素是：
1. 不切实际的期望
人们期望立即获得可衡量、可用的结果，却没有考虑到收集和处理高质量数据需要时间。
因此，建议从一开始就确定可能的业务案例，并仔细区分有前景的PoC和那些只能在“创新实验室”中运作的PoC。诸如“我想在这个项目上花多少时间？我有多少预算？我是否拥有必要的技术资源和内部知识？我需要外部建议吗？”等问题应事先弄清楚，以免最后出现意外。
2. 数据不足
一开始就失败的最常见原因之一是缺乏足够的高质量、细分且标记的数据来训练人工智能模型。数据宝藏仍然存在于部门孤岛中，从未发挥作用。
虽然 PoC 通常只需要一部分数据来验证其可行性，并且可以在单个 Phyton 笔记本上运行，但扩展它通常需要大量、经过清理且可靠的结构化数据。如果没有这些数据，您也可以根据业务案例使用综合创建的数据。但是，无论如何，都必须尽早提出数据问题。
3. 错误的模型
在围绕生成式人工智能的炒作出现之前，人工智能模型就已经如雨后春笋般涌现。这些模型、它们的性能和应用领域存在很大差异。如果您不了解模型的基本概念和差异，很快就会得出错误的解决方案。
因此，在部署之前仔细研究一下可用的模型是有意义的。对模型的基本了解也有助于做出“自制还是购买”的决定，因为并非每个标准解决方案都适合每种情况，如果市场上已有成熟的产品，就没有必要重新发明轮子。
4. 孤立团队
人工智能并不是一种独立于其他信息技术之外的技术，也不应被视为唯一的救星。一个孤立于公司其他部门的团队不具备成功实施项目和扩展概念验证所需的信息。因此，必须事先检查概念验证是否可以集成到现有的信息技术基础设施中，以及哪些团队需要密切合作才能做到这一点。
5. 人工智能没有被列为重中之重
对人工智能缺乏了解，未能将其纳入总体企业战略，这些都是导致失败的因素。如果你不把人工智能列为重中之重，不带领整个公司一起经历随之而来的变革，那么你根本就不应该开始。人工智能是我们这个世纪最具变革性的技术之一，它改变了我们的日常决策过程。管理层和每位员工都必须接受这些变化。为了取得成功，管理层不仅要成为榜样，还要在整个过程中以敏锐的洞察力和理解力指导、陪伴和支持整个团队。持续沟通、透明、培训机会和支持是公司接受人工智能的重要因素。
6. 未经相关部门同意就建立PoC
“相关部门对技术并不熟悉，甚至没有参与PoC的建立。”持这种观点的人忽略了一个重要因素：相关部门是各自领域宝贵信息的掌握者。他们积累了多年的特定领域知识，这些知识必须纳入PoC的设计中。否则，最坏的情况是优化工作会偏离目标。沮丧是不可避免的。因此，应遵循以下原则：从一开始就与相关部门沟通，让他们参与规划和设计，以确保获得良好且实用的结果。
7. “我们可以独自完成”
生产就绪的人工智能解决方案不仅需要良好的数据和人工智能模型，还需要可靠的企业集成和管理准备。这是传统软件工程发挥作用的地方，包括企业架构、EAM、整合开发流程、数据保护和安全等相关主题，最重要的是可靠的持续和自动质量保证。这些方面不是人工智能PoC及其负责人的重点和专长领域。
在开发PoC时考虑这些核心方面，可以大大提高将解决方案扩展并转移到生产中的机会，并使您离成功实施人工智能的目标更近一步。
Comments are closed.