根據(jù)Gartner的研究，大約37%的組織正在實施某種形式的人工智能。然而，根據(jù)安永（EY）的一項調查，只有大約20%的公司認為自己擁有戰(zhàn)略人工智能能力。很少有組織能夠成功地利用人工智能的真正力量來產生有意義的影響。

如何利用人工智能？框架應該是什么？這篇由麥肯錫全球研究所MGI發(fā)表的論文推薦了組織需要關注的五個領域。

這些領域不是孤立的。它們是相互關聯(lián)的。這些領域中的每一個都需要共同努力，才能產生明顯的影響。

作為一名數(shù)據(jù)戰(zhàn)略家有其優(yōu)勢。在本文中，我將詳細說明實現(xiàn)這個框架的實際方法。

1. 識別正確的用例

當公司已決定踏上人工智能之旅。第一個任務是識別正確的用例。發(fā)散收斂法是一種行之有效的方法。頭腦風暴來探索盡可能多的AI用例。一旦完成，聚合到前3個用例的候選列表。

如何聚合用例？探索的維度是什么

我建議以從下幾個方面入手：

業(yè)務影響：這個用例有實際的業(yè)務影響嗎？對其進行量化。

技術可行性：當前的技術環(huán)境是否支持此用例的實現(xiàn)？創(chuàng)建一個技術地圖。

數(shù)據(jù)可用性：是否有相關的數(shù)據(jù)點可用來交付用例？探索這些。

在這三個維度上映射用例提供了一個關于什么可行，什么不可行的用例圖。這方面的一個例子如下：

在上面的用例圖中，用例#7和#6在三個維度上都得分很高。用例#3是下一個候選者，盡管它缺少所需的所有數(shù)據(jù)。

一個揮之不去的問題是：有多少數(shù)據(jù)是足夠的

這個問題沒有明確的答案。解決這個問題的經驗法則是回答以下問題：

可用的數(shù)據(jù)是否足以構建最小可行模型

如果上述問題的答案是“是”，那么建議繼續(xù)并考慮潛在開發(fā)的用例。

2. 構建高效的數(shù)據(jù)平臺

數(shù)據(jù)是新的石油。這種新的石油擴散到整個公司。有必要從中提取價值。有必要對其進行改進。人工智能和數(shù)據(jù)有一種共生關系。他們需要彼此的繁榮和興旺。

從遠古時代起，各個公司就試圖創(chuàng)建一個數(shù)據(jù)分析平臺。企業(yè)數(shù)據(jù)倉庫、數(shù)據(jù)集市、數(shù)據(jù)湖都試圖馴服這頭猛獸。隨著數(shù)據(jù)技術的進一步發(fā)展，新的數(shù)據(jù)體系結構模式不斷涌現(xiàn)。

2017年，我寫了一篇博客：Demystifying Data Lake Architecture，強調了創(chuàng)建一個有用的人工智能數(shù)據(jù)平臺的關鍵組件。此后，數(shù)據(jù)技術不斷發(fā)展。然而，核心仍然是相同的。這些概念仍然可以應用。

然而，需要思考的問題如下：

利用人工智能的數(shù)據(jù)平臺的原則是什么

以下是我的三條建議：

以原始格式存儲所有數(shù)據(jù)：數(shù)據(jù)的性質比較復雜。一個人只有在使用它的時候才知道它的用法。最好的策略是將它們全部存儲為它們自己的格式。沒有轉換。沒有管理。只是原始的存儲。隨著云技術的出現(xiàn)，數(shù)據(jù)存儲變得廉價?？梢允褂迷S多存儲層選項。例如，在Azure中，人們可以在許多層（高級、熱、冷、存檔）中存儲前50TB的數(shù)據(jù)，平均成本為0.044美元/GB/月，即4.4美元/TB/月（比一杯星巴克高杯摩卡還低）。作為指導原則，我建議至少在過去5年內存儲數(shù)據(jù)。在此之后，如果發(fā)現(xiàn)無用，總是可以歸檔。

解耦存儲和計算：存儲是常年的。處理是短暫的。處理引擎可以是批處理的，也可以是面向流的。處理也可能是一項昂貴的操作。因此，按需處理是有意義的。根據(jù)所需的處理類型，創(chuàng)建適當?shù)奶幚硪妗Ｒ坏┤蝿胀瓿?，處理引擎就可以暫?；蜾N毀。解耦計算和存儲節(jié)省了大量成本。它還提供了很大的靈活性。一般來說，這是明智的做法。

分類目和管理數(shù)據(jù)：防止數(shù)據(jù)湖變成交換空間的一個最重要的原則是仔細地分類目和管理數(shù)據(jù)。作為一個經驗法則，任何持久化的東西都會被編類目。主動編類目將使業(yè)務分析人員、數(shù)據(jù)科學家或任何希望以正確格式查找正確數(shù)據(jù)的人能夠輕松地搜索數(shù)據(jù)元素。積極編類目的重要性再怎么強調也不為過。編類目和管理決定了數(shù)據(jù)分析平臺的成敗。

3. 采用正確的工具、過程和技術

第三部分是選擇合適的工具和技術來實現(xiàn)AI。當然，有很多可用的工具來實現(xiàn)它。有三個基本原則對于人工智能的蓬勃發(fā)展至關重要。

利用規(guī)模：數(shù)據(jù)與人工智能之間存在相關關系。通常，需要訓練的數(shù)據(jù)越多，就意味著模型越可用。在過去，訓練模型的能力受到限制。存儲和計算能力有限。在過去的20年里，存儲和計算技術得到了發(fā)展。云計算平臺正在創(chuàng)新。存儲是便宜。計算是負擔得起的。以可接受的成本進行大規(guī)模的數(shù)據(jù)處理和模型訓練是可能的。過去的局限現(xiàn)在已不復存在了。

關注功能而不是技術：創(chuàng)建一個靈活的數(shù)據(jù)架構。每個組件都滿足特定的功能?？捎玫募夹g特性不固定組件。功能是不變的，而技術是不斷變化的。這是云平臺的另一個好處。云平臺創(chuàng)新。他們引進新技術，以更低的成本提供相同或更好的功能。

擁抱數(shù)據(jù)項目中的敏捷性：著名統(tǒng)計學家George Box曾打趣道：“所有模型都是錯的，但有些模型是有用的?！钡玫侥莻€有用的模型是一個迭代的過程。每次迭代都是向那個有用的模型邁進的一步。不要在AI項目中追求絕對。它不存在。完美的模型是烏托邦。以該模型為目標，它對于給定的上下文來說已經足夠好了。

4. 在過程中集成AI決策

任何基于AI的項目的最終目標都是產生積極的影響。無論是商業(yè)還是社交。然而，許多成功的人工智能項目在它的搖籃里夭折了。他們看不到光明。因此，一個人工智能項目，因為它的孵化階段，需要從頭到尾的觀察。

我再怎么強調都不為過：AI項目是基于影響力的項目。他們需要一個結果。它們不是技術項目

想象一個AI項目不應該是關于模型和算法的。它必須是關于結果的。將給最終用戶帶來利益的結果。

每個過程都是一步一步連鎖的。需要回答的問題如下：

AI會影響多少個階段 ？

它能使過程自動化嗎？

它是否增加了一個過程？

根據(jù)答案，畫出正確的路線。

5. 構建實驗文化

文化是任何變化的基石。Peter Drucker曾經說過：“文化以戰(zhàn)略為早餐?！薄霸诓捎萌斯ぶ悄芊矫妫瑳]有什么與這個事實相距甚遠。對于成功的AI實現(xiàn)來說，反復灌輸實驗文化是至關重要的。根據(jù)定義，實驗是一種證明或推翻假設的過程。并不是所有的實驗都會成功。然而，所有的實驗都是有收益的。這種實驗文化需要滲透到公司的精神中。三個原則可以幫助公司創(chuàng)建實驗文化。

1、度量指標，每個部門都需要度量以下三個方面的指標：

在給定的時間內嘗試的實驗次數(shù)。

在給定的時間內采用到業(yè)務工作流的實驗數(shù)量。

在給定的時間內，管道中的實驗次數(shù)。

2、擁抱敏捷，敏捷是人工智能之路。鑒于其本質，迭代方法最適合人工智能。它的三個核心原則：改善、透明度和深度協(xié)作應該滲透到公司的DNA中。

3、具有AI意識，人工智能是很多炒作，每個人、每個地方都在談論它。伴隨著這種炒作而來的是恐懼。害怕被取代。對失業(yè)的恐懼。這種擔心是沒有根據(jù)的。在公司中建立對人工智能的普遍認識是至關重要的。員工必須意識到AI能做什么和不能做什么。有了這種重要的意識，員工更容易接受人工智能，并利用它來增強他們的技能。

總結

采用負責任的人工智能（AI）是不可避免的。所有人都應該接受它。這不是長生不老藥。但是，有了正確的框架，它就有可能產生影響。