實施人工智能從來不是一件一勞永逸的事情，它需要廣泛的戰(zhàn)略，以及不斷調(diào)整的過程。

以下了解企業(yè)成功實施人工智能的一些關(guān)鍵的實施步驟，以幫助人工智能和機器學習充分發(fā)揮其潛力。

人工智能和機器學習正從商業(yè)流行術(shù)語轉(zhuǎn)向更廣泛的企業(yè)應(yīng)用。圍繞戰(zhàn)略和采用的努力讓人們想起企業(yè)云戰(zhàn)略的周期和轉(zhuǎn)折點，企業(yè)如今不再有是否遷移到云平臺的選擇，只剩下何時以及如何遷移云平臺的問題。人工智能和機器學習的實現(xiàn)策略在企業(yè)構(gòu)建方法時處于相同的進化模式。

根據(jù)調(diào)研機構(gòu)Forrester公司發(fā)布的調(diào)查報告，將近三分之二的企業(yè)技術(shù)決策者已經(jīng)實施、正在實施或正在擴大人工智能的使用。這種做法和努力是由企業(yè)內(nèi)部的企業(yè)數(shù)據(jù)湖驅(qū)動的，由于合規(guī)和低成本的存儲，這些數(shù)據(jù)湖大部分處于閑置狀態(tài)。利用這些豐富的知識庫，讓人工智能回答人們沒有問也可能不知道問的問題，這是企業(yè)需要理解的好處。

到2026年，在以人工智能為中心的系統(tǒng)上的支出預(yù)計將超過3000億美元，因此，這種利潤需要物有所值，而且壓需要妥善處理。

未來幾年，所有行業(yè)的組織都將繼續(xù)接受人工智能和機器學習技術(shù)，轉(zhuǎn)變其核心流程和業(yè)務(wù)模型，以利用機器學習系統(tǒng)來增強運營和提高成本效益。隨著企業(yè)領(lǐng)導(dǎo)者開始制定如何充分利用這項技術(shù)的計劃和戰(zhàn)略，重要的是他們要記住，采用人工智能和機器學習的道路是一個旅程，而不是一場比賽。企業(yè)應(yīng)該從考慮以下八個步驟開始。

1.清楚地定義用例

重要的是，商業(yè)領(lǐng)袖和他們的項目經(jīng)理首先要花時間清楚地定義和闡明他們希望人工智能解決的特定問題或挑戰(zhàn)。目標越具體，他們實施人工智能的成功機會就越大。

例如，企業(yè)表示希望“在線銷售增加10%”就不夠具體。與其相反，一個更明確的聲明，例如旨在通過監(jiān)測網(wǎng)站訪問者的人口統(tǒng)計數(shù)據(jù)來增加10%的在線銷售，在闡明目標和確保所有利益相關(guān)者清楚地理解這一目標方面更有用。

2.驗證數(shù)據(jù)的可用性

一旦明確定義了用例，下一步就是確保已經(jīng)就位的流程和系統(tǒng)能夠捕獲和跟蹤執(zhí)行所需分析所需的數(shù)據(jù)。

大量的時間和精力都花在了數(shù)據(jù)的攝取和爭論上，因此企業(yè)必須確保以足夠的數(shù)量捕獲正確的數(shù)據(jù)，并具有正確的變量或特征，例如年齡、性別或種族。值得記住的是，對于一個成功的結(jié)果來說，數(shù)據(jù)的質(zhì)量和數(shù)據(jù)的數(shù)量一樣重要，企業(yè)應(yīng)該優(yōu)先考慮數(shù)據(jù)治理程序。

3.進行基礎(chǔ)數(shù)據(jù)挖掘

對于企業(yè)來說，通過模型構(gòu)建練習可能很有誘惑力，但首先進行快速的數(shù)據(jù)探索練習是至關(guān)重要的，這樣可以驗證其數(shù)據(jù)假設(shè)和理解。這樣做將有助于確定基于企業(yè)的主題專業(yè)知識和商業(yè)頭腦，數(shù)據(jù)是否在講述正確的故事。

這樣的練習還將幫助企業(yè)理解重要的變量或特征應(yīng)該或可能是什么，以及應(yīng)該創(chuàng)建哪種數(shù)據(jù)分類，以用作任何潛在模型的輸入。

4.組建多元化和包容性的工程團隊

對于一個真正成功的人工智能模型，管理該模型的團隊需要帶來各種想法和觀點。這要求從盡可能多的人群中招聘和納入工作人員，同時考慮到性別、種族和多樣性等人口和社會因素。

在科技行業(yè)和商業(yè)領(lǐng)域，技能差距仍然突出，但招聘和留住來自各種可能背景的員工可以緩解這一問題，并確保人工智能模型盡可能具有包容性和可操作性。因此，企業(yè)需要花費時間根據(jù)其所在的行業(yè)進行基準測試，找出需要更多代表的地方。

5.定義模型構(gòu)建方法

與其關(guān)注假設(shè)應(yīng)該達到的最終目標，不如關(guān)注假設(shè)本身。運行測試來確定哪些變量或特征最重要，將驗證假設(shè)并改善其執(zhí)行。

企業(yè)的不同的業(yè)務(wù)和領(lǐng)域?qū)＜倚〗M應(yīng)該參與進來，因為他們的持續(xù)反饋對于驗證和確保所有涉眾在同一頁面上是至關(guān)重要的。事實上，由于任何機器學習模型的成功都依賴于成功的特征工程，當涉及到派生更好的特征時，主題專家總是比算法更有價值。

6.定義模型驗證方法

性能度量的定義將有助于對多種算法的結(jié)果進行評估、比較和分析，進而有助于進一步完善具體的模型。例如分類精度，即正確預(yù)測的數(shù)量除以所做預(yù)測的總數(shù)再乘以100，在處理分類用例時，這將是一個很好的性能度量。

數(shù)據(jù)將需要分為兩個數(shù)據(jù)集:一個是訓(xùn)練集，算法將在其上進行訓(xùn)練;另一個是測試集，算法將在其上進行評估。根據(jù)算法的復(fù)雜性，這可能簡單到選擇一個隨機的數(shù)據(jù)分割，例如60%用于訓(xùn)練，40%用于測試，或者可能涉及更復(fù)雜的抽樣過程。

與測試假設(shè)一樣，業(yè)務(wù)和領(lǐng)域?qū)＜覒?yīng)該參與驗證結(jié)果，并確保一切都朝著正確的方向發(fā)展。

7.自動化和生產(chǎn)部署

一旦構(gòu)建并驗證了模型，就必須將其推出到生產(chǎn)中。從幾周或幾個月的有限推出開始，在此基礎(chǔ)上，業(yè)務(wù)用戶可以對模型行為和結(jié)果提供持續(xù)的反饋，然后可以向更廣泛的受眾推出。

應(yīng)該選擇正確的工具和平臺來自動化數(shù)據(jù)攝取，并建立系統(tǒng)將結(jié)果傳播給適當?shù)氖鼙?。該平臺應(yīng)提供多種接口，以考慮組織最終用戶的不同知識程度。例如，業(yè)務(wù)分析師可能希望基于模型結(jié)果進行進一步的分析，而普通終端用戶可能只想通過儀表板和可視化與數(shù)據(jù)交互。

8.繼續(xù)更新模型

一旦模型發(fā)布并部署使用，就必須對其進行持續(xù)監(jiān)控，因為通過了解其有效性，組織將能夠根據(jù)需要更新模型。

由于多種原因，模型可能會過時。例如，市場動態(tài)可能會發(fā)生變化，企業(yè)本身及其商業(yè)模式也可能發(fā)生變化。模型建立在歷史數(shù)據(jù)的基礎(chǔ)上，以便預(yù)測未來的結(jié)果，但隨著市場動態(tài)偏離組織一貫的經(jīng)營方式，模型的性能可能會惡化。因此，重要的是要注意必須遵循哪些流程才能確保模型是最新的。

企業(yè)人工智能正迅速從炒作走向現(xiàn)實，并將對業(yè)務(wù)運營和效率產(chǎn)生重大影響?，F(xiàn)在就花時間來計劃它的實施，將使企業(yè)處于更有利的地位，以便在未來享受它的好處。