人工智能技術已經應用在企業的業務中，并且已從夢想變成現實。實際上，根據O'Reilly公司最近的一項調查，大多數組織(85%)正在采用或評估人工智能，超過一半的組織在生產或分析中使用人工智能。

[[331053]]

然而，人工智能不能很好地適應IT過去使用的相同流程和方法。雖然這些努力迅速擴大，但仍處于初期階段。成長的痛苦已經變得顯而易見。O’Reilly公司分析師指出：“企業需要做更多的工作，才能將人工智能的工作扎根。無論是控制常見的風險因素(模型開發中的偏差、缺失或條件差的數據、模型在生產中退化的趨勢)，還是實例化正式流程以促進數據治理，采用者在建立可靠的人工智能生產線時，都需要為這些做好準備。”

人工智能無法完全適應IT組織過去使用的相同流程和方法。適用于評估、測試、實施和擴展非學習系統的最佳實踐和常識性方法可能并不總能很好地進行轉化。在某些情況下，它們可能適得其反。

以下是有助于企業采用人工智能技術的8個提示：

1. 放慢速度

某些企業急于讓其業務采用人工智能技術，如果不加以控制，可能面臨風險。Cognizant公司數據科學、機器學習和人工智能副總裁Jerry A.Smith博士說，“現代人工智能的智商很高，但情商很低。需要這二者的結合才能獲得真正的智慧。如果企業獲取數據并使用人工智能進行分析，并在沒有情感的情況下從中學習并大規模地進行處理，則可能讓事情越來越糟糕。”

Smith表示，IT領導者應該花費一些時間來確保他們盡早就如何使用人工智能進行討論。

企業高管通常對人工智能為業務提供幫助給予很大期望。但歸根結底，如果他們沒有建立正確的框架和戰略，將會面臨失敗的結果。

2. 在關注工具之前先關注技能和文化

TIBCO公司分析策略副總裁Shawn Rogers表示：“技術通常是企業試圖進行創新的起點，這并不奇怪。但是，企業放棄文化方面的因素注定會失敗。需要新的技能來推動人工智能的成功，同時也需要一種文化來促進人工智能和機器學習技術的采用和行動。成功需要平衡的戰略。”

3. 計劃迭代

希望使用人工智能的企業需要從用例入手。但是，開放數據湖提供商Qubole公司首席執行官兼聯合創始人Ashish Suchoo指出，大多數人工智能和機器學習用例都是隨著時間的推移而不斷演變的。他說，“至關重要的是，企業必須投資于執行連續數據工程的能力，并提供SQL和編程訪問來訓練和部署模型。”他是Apache Hive公司聯合創始人，并建立了Facebook數據平臺。

4. 采用DevOps還不夠

大多數創新的IT商店已經采用DevOps。這對于采用人工智能技術是必需的措施，但還不夠。Fractal Analytics公司技術服務客戶合作伙伴George Mathew說，企業需要添加MLOps。他說：“這種集成需要在應用程序生命周期的早期進行計劃，并在隨后的各個階段中進行。”

例如，企業需要考慮在生產中對人工智能模型進行再培訓。他解釋說，“這意味著必須建立一條額外的管道，將人工智能模型產生的洞察力(如預測)與幾周或幾個月后從現場收集的實際數字進行比較。”

5. 擴大規模

早期采用人工智能往往會使用一組定義的數據來利用一些模型。但是，這些努力可以迅速擴展到難以管理的領域。TIBCO公司的Rogers說：“隨著成功率的不斷提高，為不斷發展的數據科學團隊管理生產中的數百個模型和多個創作環境會帶來新的挑戰，以適應不斷增長的需求。”

6. 尋找并消除偏見

Cognizant公司的Smith說，“了解輸入和輸出之間的關系是人工智能的簡單部分。很多企業向人工智能開發團隊施加壓力，要求尋找并消除偏見。例如，不希望有偏見的人工智能算法做出貸款決策。”

但是與此同時，人類本身也可能有偏見。Smith說：“人們需要掌握其中的人類智能，并確保構建人工智能系統的人員在建模中不會產生偏見。消除偏見無法在數據級別開始或停止。”

7. 不能只讓數據科學家負責

建立最有效的人工智能系統來增強人類。Smith說，“如果想要構建一個系統來支持人類，那么它就必須以人為本。需要獲得心理學家(了解客戶行為的人)和社會學家(了解企業客戶如何與社會互動的人)的幫助。人工智能太重要了，不能只讓數據科學家負責。”

8. 更好地解釋人工智能

可解釋的人工智能(XAI)可以使人類能夠理解、信任和管理人工智能技術，這變得越來越主流。因此，Fractal Analytics公司的Mathew說，一些IT組織將在監管審核的接收端，詢問人工智能模型訓練運行的詳細信息，例如使用了哪些數據集，如何評估算法，以及在每個階段生成了哪些模型度量。

Mathew說：“這些元素需要在模型在生產中運行的整個時間段內進行收集和存儲，對于某些用例而言，甚至超出范圍。解決方案架構師需要準備架構來滿足這些要求，項目負責人必須在項目計劃中包括這些步驟和可交付成果，而構建應用程序的數據科學家和工程師必須使用此框架。”

企業在項目開始時對這項工作進行規劃，并在系統開發生命周期內提供必要的支持，這已經成為人工智能應用程序成功的一個關鍵因素。