準(zhǔn)備和實(shí)施AI項(xiàng)目可能需要多年的時(shí)間。根據(jù)最新數(shù)據(jù)，只有28%的受訪者表示第一年已經(jīng)超過了AI計(jì)劃階段。這是由于多種因素造成的，包括技術(shù)的相對(duì)成熟度（至少在不斷擴(kuò)展的行業(yè)用例中），涉及的復(fù)雜程度，例如廣泛的集成要求，有限的企業(yè)經(jīng)驗(yàn)和缺乏內(nèi)部技能集，關(guān)注點(diǎn)以及AI偏見，治理，風(fēng)險(xiǎn)和合規(guī)性問題，廣泛的變更管理要求等等。

無論是作為企業(yè)創(chuàng)新計(jì)劃的一部分，還是作為數(shù)字轉(zhuǎn)型計(jì)劃的一部分，都非常注重證明快速獲勝，長期的AI項(xiàng)目可能會(huì)影響比其本身更大的計(jì)劃的聲譽(yù)。隨著CIO在產(chǎn)品管理方法中從“項(xiàng)目到產(chǎn)品”的轉(zhuǎn)變，這些冗長的AI項(xiàng)目也可能會(huì)延遲創(chuàng)新的內(nèi)部或外部新產(chǎn)品發(fā)布。

為了迅速贏得這項(xiàng)重要的使能技術(shù)的勝利，并進(jìn)一步推動(dòng)在更廣泛的數(shù)字化轉(zhuǎn)型和創(chuàng)新計(jì)劃中投入更多資金的商業(yè)案例，CIO可以通過以下五種方式快速跟蹤其AI實(shí)施：

首先要做出的決定之一是建造還是購買。雖然我們聽到了很多有關(guān)自行構(gòu)建AI的平臺(tái)，基礎(chǔ)架構(gòu)和框架的信息，但無名英雄通常是較為專業(yè)的專業(yè)AI供應(yīng)商，他們提供基于云的AI服務(wù)，可以針對(duì)您的特定需求對(duì)其進(jìn)行快速培訓(xùn)和部署用例。建造或購買的決定實(shí)際上是基于AI對(duì)您的組織作為未來核心能力的重要性。

例如，盡管每個(gè)金融服務(wù)公司都應(yīng)關(guān)注AI“擁有”與“沒有”之間日益顯現(xiàn)的數(shù)字和財(cái)務(wù)鴻溝（請(qǐng)參閱“ 對(duì)業(yè)務(wù)戰(zhàn)略和技術(shù)部署采用與直覺相反的方法 ”），但并不是每個(gè)公司需要在內(nèi)部構(gòu)建自己的算法。較小的商店可以非常有效地將更多精力放在將第三方AI技術(shù)納入其核心工作流程（例如貸款承銷）中的業(yè)務(wù)收益和結(jié)果上，而無需建立自己的內(nèi)部AI / ML專業(yè)知識(shí)。

簡單來說，這意味著ML行算法比每行具有100個(gè)屬性的1，000行數(shù)據(jù)的10，000行數(shù)據(jù)每行具有1，000個(gè)屬性。據(jù)馬克·斯坦的CEO，Underwrite.AI，公司專注于人工智能應(yīng)用的進(jìn)步，提供具有非線性，信用風(fēng)險(xiǎn)的動(dòng)態(tài)模型貸款，但是，它不是很簡單，“越多越好”。數(shù)據(jù)類型和數(shù)量必須與算法類型匹配。深度學(xué)習(xí)需要大量記錄才能有效，而基于統(tǒng)計(jì)的算法則可以更好地處理較小的數(shù)據(jù)集。

如果您使用AI來建模人類的決策模型，請(qǐng)獲取盡可能多的數(shù)據(jù)，確保每個(gè)數(shù)據(jù)字段都有其價(jià)值，并在數(shù)據(jù)質(zhì)量和一致性方面給予高度重視。這可能很耗時(shí)，尤其是從多個(gè)不同的來源進(jìn)行繪制時(shí)，但是如果盡早進(jìn)行徹底的設(shè)計(jì)，則可以避免很多昂貴的返工。

從技術(shù)上來說，調(diào)用AI API傳遞新數(shù)據(jù)集并獲得分?jǐn)?shù)很簡單，但更困難的是變更管理和培訓(xùn)，使業(yè)務(wù)分析師能夠最好地解釋這些分?jǐn)?shù)并將新流程納入日常工作中工作流程。

盡管某些形式的AI可能會(huì)產(chǎn)生自動(dòng)決策，例如基于信用歷史記錄對(duì)新貸款做出“是”或“否”決策，但ML算法通常也會(huì)提供更微妙的響應(yīng)?？赡苄枰獙⒋隧憫?yīng)與現(xiàn)有人工流程結(jié)合使用，以最好地決定貸款。作為示例，AI“得分”可以是從“ A”到“ D”和“ F”的等級(jí)。“ A”和“ F”可能是明確的“是”或“否”決策，可以完全自動(dòng)化以進(jìn)行實(shí)時(shí)決策，但是從“ B”到“ D”的等級(jí)可能仍然需要人工核保。

正如您花時(shí)間訓(xùn)練分析師使用新的財(cái)務(wù)模型以及如何最好地解釋模型的結(jié)果一樣，基于AI的結(jié)果也是如此。業(yè)務(wù)分析師可能需要花費(fèi)幾周甚至一個(gè)月的時(shí)間來觀察ML算法返回的結(jié)果，因此他們?cè)谌绾巫詈玫亟忉尫謹(jǐn)?shù)方面有一個(gè)基準(zhǔn)。如果您與AI供應(yīng)商合作，則該供應(yīng)商可以提供有關(guān)如何解釋結(jié)果以及如何培訓(xùn)員工以從新系統(tǒng)中獲得最大收益的指導(dǎo)。

斯坦因認(rèn)為，至關(guān)重要的是要了解AI不是魔術(shù)。這只是識(shí)別過去行為的模式的過程，可以使將來的預(yù)測(cè)更加準(zhǔn)確。只有在企業(yè)存在明確定義的問題和易于理解的成功度量標(biāo)準(zhǔn)時(shí)，它才能成功。例如，“我們需要降低按損失率衡量的貸款違約率”或“我們需要從當(dāng)前的32.5%率提高轉(zhuǎn)換率”，依此類推。如果您不完全理解問題，那么您也將不會(huì)理解解決方案。

由于每個(gè)AI實(shí)施都是獨(dú)特的，因此重要的是要以“假設(shè)和測(cè)試”的心態(tài)進(jìn)入每個(gè)項(xiàng)目，而不是將項(xiàng)目視為徹底的成功或失敗。通過在每個(gè)步驟進(jìn)行假設(shè)并將每個(gè)步驟的經(jīng)驗(yàn)帶入下一個(gè)迭代，您可以快速優(yōu)化您的AI部署，直到它成為可以提供有意義結(jié)果的可行解決方案為止。

雖然假設(shè)和測(cè)試方法會(huì)延長項(xiàng)目部署時(shí)間，但好處是您會(huì)不斷調(diào)整解決方案，以吸收實(shí)際經(jīng)驗(yàn)教訓(xùn)，以符合客戶和員工的要求，并持續(xù)轉(zhuǎn)向最引人注目的業(yè)務(wù)使您的解決方案具有可持續(xù)性的案例。

當(dāng)您開始進(jìn)行初步的AI試驗(yàn)，概念驗(yàn)證或MVP時(shí)，請(qǐng)記住，您組織在企業(yè)范圍內(nèi)AI方面的未來愿景很可能是多種自動(dòng)化類型的融合，從完全手動(dòng)的過程一直到最后，對(duì)于那些使用機(jī)器人過程自動(dòng)化（RPA）來開發(fā)更復(fù)雜AI的人。通常是從頭開始重新發(fā)明業(yè)務(wù)流程，然后在每個(gè)新步驟中應(yīng)用最佳工具完成工作的情況。只是將RPA或AI插入未更改的現(xiàn)有業(yè)務(wù)流程中，很可能會(huì)錯(cuò)過一切。

另一個(gè)重要因素是每個(gè)工具之間發(fā)生的切換。這可以是人對(duì)機(jī)器或機(jī)器對(duì)機(jī)器。通過優(yōu)化切換并使其快速，無縫和可靠，您可以進(jìn)一步增強(qiáng)未來的業(yè)務(wù)流程，使其與您的業(yè)務(wù)目標(biāo)和市場(chǎng)要求一樣具有成本效益和競爭力。

好消息是，可以快速跟蹤AI的實(shí)現(xiàn)，但這并不一定是使AI變得更聰明。這是關(guān)于做出正確的選擇，例如構(gòu)建與購買，對(duì)數(shù)據(jù)質(zhì)量（以及客戶）著迷，花足夠的時(shí)間進(jìn)行變更管理，及早介入業(yè)務(wù)，采取“假設(shè)和測(cè)試”的方法，最終將多種自動(dòng)化技術(shù)結(jié)合到您的未來愿景中。

如果您的AI項(xiàng)目花費(fèi)大量時(shí)間，請(qǐng)耐心等待并保持原樣。您也許還可以利用此處的一些建議來幫助您將比賽快速推向終點(diǎn)。當(dāng)然，就像數(shù)字轉(zhuǎn)換一樣，這場(chǎng)比賽永遠(yuǎn)不會(huì)結(jié)束。