AI(人工智能)项目:从哪里开始?
首页>>后端开发>>正文

要在当今市场上具有竞争力,人工智能(AI)显然是必不可少的。但是,即使对于某些世界顶级公司来说,实施该技术也一直具有挑战性。数据存在问题,无法找到合适的人才,无法创建可产生足够投资回报率的模型等等问题是影响AI项目的因素。

结果,许多AI项目失败了。根据IDC的调查,只有大约35%的组织成功地将AI模型投入了生产。

“虽然我们看到AI技术执行了一系列令人难以置信的壮举,例如Google Translate,AlphaGo并解决了魔方,但很难说出AI可以解决哪些业务问题。”, Akur Goyal的首席执行官说。 “这引起了很多混乱,而且供应商社区通过将事物标记为AI(如果没有,则称为AI)来利用它。这使人想起了上个世纪初,云技术开始兴起,我们进行了大量的云计算工作。当他们的产品是蒸气软件时,我们让供应商将自己营销为云播放器。同样,我们现在正在经历一段AI洗礼。”

那么,如果您的公司正在考虑实施AI,那么最好的开始方法是什么?您如何帮助提高成功几率并避免陷阱?

以下是一些策略:

当心炒作

人工智能不是魔术。它不能解决您公司的所有问题。相反,您需要对技术采取现实的方法。

“与传统的数据分析不同,支持人工智能的机器学习(ML)模型不会总是提供明确的答案。”, Cloudera数据工程高级产品营销经理Santiago Giraldo说道“将AI应用于业务需要进行实验,并且要了解并非每个实验都会提高ROI。当一个AI项目成功时,它通常是建立在许多失败的数据科学实验之上的。对ML和AI采用投资组合方法可延长项目的寿命,并在未来更有效地基于成功经验进行开发。”

有趣的是,在很多情况下,该技术实际上只是过分杀人!

Veritone产品管理的高级主管Gus Walker说:“企业通常在接受AI项目时没有意识到手动进行流程可能会便宜,而不是花费大量时间和金钱来构建不会节省公司时间或金钱的系统。”

治理优先

您不想在项目上花费时间和金钱,然后意识到存在法律或合规性限制。这很容易意味着必须放弃努力。

 ServiceNow平台AI工程高级总监Debu Chatterjee说“首先,未经允许,不得使用客户数据。第二,应该减轻数据偏见。应当避免使用无法通过API进行偏差测试的黑匣子模型。几乎任何AI模型都存在偏差的风险,即使在算法决策中也是如此,无论该算法是从数据中学习还是由人类编写的。

确定要解决的问题

在AI项目的早期阶段,应该进行很多头脑风暴。这也应涉及组织中各个部门的人员,这将有助于买进。目的是确定要解决的业务问题。 

DataRobot的AI策略副总裁Colin Priest指出。对于许多公司来说,问题是它们从对技术的需求开始,而不是从实际的业务需求开始,这让我想起了史蒂夫·乔布斯(Steve Jobs)的一句名言:“您必须先从客户体验开始,然后再进行这项技术的开发。您不能从技术开始,而是试图弄清楚将在哪里出售。”

要解决的问题也应该是具体的(即可以衡量的问题)并且要狭窄。不要太过笼统。

Aspen Technology APM咨询高级总监Mike Brooks说“这是小步骤,不要犯试图一次使AI适用于所有事物的错误。在分析了每个AI计划的价值之后,真正的收益将在解决一个非常具体的目标时出现。”

费用

尽管估算项目的投资回报率很重要,但对方程式成本方面的关注往往很少。但这可能会导致失望。毕竟,在公司计划中超出预算永远不是一件聪明的事。 

凯捷北美执行副总裁兼I&D主管杰里·库兹(Jerry Kurtz)表示:“希望实施AI项目的公司应首先查看运营成本,并分析成本结构与最佳实践的比较存储和转换数据的成本通常占预算的70%,而仅带来价值的10%。能够利用AI解决业务问题的成本仅为成本的30%,并带来90%的价值。如果组织可以减少数据成本并提高数据质量,他们将有更多预算用于利用AI解决这些业务问题,例如提高生产力和效率。”

买入

实施AI可能会给组织带来痛苦。员工可能对此技术持怀疑态度,并可能为工作感到恐惧。 

这就是为什么需要重点关注买入的原因,这意味着要清楚地了解收益。它还应涉及C-Suite的承诺。根据O'Reilly最近的一项调查,考虑到AI的最大瓶颈是缺乏支持的文化。 

普华永道全球AI主管Anand Rao表示:“要使AI成功,您必须拥有员工的支持和正确的员工提升计划。” “您不能简单地为员工提供AI培训课程;您需要走得更远,并提供直接的机会和激励措施,以应用他们所学的知识。此外,从任何项目开始就都需要业务利益相关者和最终用户,而不仅仅是技术人员。如果一开始没有引入它们,则您的组织可能会冒险构建一个不适用于将要使用它的人员的解决方案。”


给TA打赏
共{{data.count}}人
人已打赏

相关文章

英特尔进军比特币挖矿设备市场

英特尔进军比特币挖矿设备市场

本文由半导体产业纵横综合   英特尔总部位于加利福尼亚州圣克拉拉   英特尔公司的新比特币挖矿芯片可能会成为多年来主导市场的中国挖矿设备制造商的第一个主要挑战者。   这家总部位于加利福尼亚州圣克拉拉的芯片制造巨头本月早些时候公布了其加密挖矿计划,并于1月份推出了第一代Bonanza Mine芯片。Jack Dorsey 的数字支付公司Block Inc.以及两家矿业公司Griid Infrastructure 和Argo Blockchain将在今年晚些时候收到第一批芯片。 &nbs

浅谈铁电存储器:如何实现下一代内存计算?

浅谈铁电存储器:如何实现下一代内存计算?

本文由半导体产业纵横编译自technews 因应人工智能、物联网、5G、车载等新兴科技所迎来的巨量资讯分析需求,近年来各国政府及国际知名大厂皆积极地投注大量资源,加速开发兼具提升运算速度以及降低耗能的下世代存储器。而新兴存储器技术选项中,当属铁电存储器最被看好,其原理、技术挑战与未来机会为何?(本文出自中国台湾清华大学工程与系统科学系巫勇贤教授,于闳康科技“科技新航道合作专栏”介绍《铁电存储器的原理、挑战与展望》文稿,经科技新报修编为上下两篇,此篇为上篇。)    Memory-Centric

利用 eBPF 支撑大规模 Kubernetes Service

利用 eBPF 支撑大规模 Kubernetes Service

本文翻译自 2019 年 Daniel Borkmann 和 Martynas Pumputis 在 Linux Plumbers Conference 的一篇分享:《Making the Kubernetes Service Abstraction Scale using eBPF》。翻译时对大家耳熟能详或已显陈旧的内容(Kubernetes 介绍、Cilium 1.6 之前的版本对 Service 实现等)略有删减,如有需要请查阅原 PDF(文末有下载方式)。 实际上,一年之后 Daniel 和 Martyna

Cilium:基于 BPF/XDP 实现 Kubernetes Service 负载均衡

Cilium:基于 BPF/XDP 实现 Kubernetes Service 负载均衡

本文翻译自 2020 年 Daniel Borkmann 和 Martynas Pumputis 在 Linux Plumbers Conference 的一篇分享:《Kubernetes service load-balancing at scale with BPF & XDP》。文章介绍了 Kubernetes 的一些核心网络模型和设计、Cilium 对 Kubernetes Service 的实现、BPF/XDP 性能优化,以及他们从中得到的一些实践经验,全是干货。 去年我们也参加了这个大会(LPC
企业存储后端开发

长江存储推出128层QLC闪存,湖北解封IC产业引来利好

2020-4-13 14:04:26

企业存储后端开发

2020年NAND预计将增长40%

2020-4-15 14:26:55

0 条回复 A文章作者 M管理员
    暂无讨论,说说你的看法吧
个人中心
购物车
优惠劵
今日签到
有新私信 私信列表
搜索