智能可能是人工的，但這種趨勢(shì)是真實(shí)的。人工智能已經(jīng)成為企業(yè)實(shí)現(xiàn)許多目標(biāo)的迫切需求的功能之一，從開發(fā)新產(chǎn)品和不同的產(chǎn)品，到提高現(xiàn)有產(chǎn)品和服務(wù)的速度、質(zhì)量和效率。

人們很快發(fā)現(xiàn)人工智能代表了多種工具和技術(shù)。其中大部分都是利基產(chǎn)品，越來越多的產(chǎn)品具有“即插即用”功能。然而，這些技術(shù)發(fā)生的變化比人們的預(yù)期還要快。同時(shí)，由于數(shù)據(jù)驅(qū)動(dòng)的企業(yè)專注于構(gòu)建不同類型的人工智能，他們面臨著一些共同的挑戰(zhàn)。

在某些情況下，人工智能項(xiàng)目花費(fèi)的時(shí)間太長(zhǎng)。這可能是由于一些經(jīng)常出現(xiàn)的障礙，其中包括沒有一個(gè)一致的平臺(tái)，或者由于缺乏人才，以及缺乏干凈、準(zhǔn)確的數(shù)據(jù)來訓(xùn)練人工智能。還有一些則在展示具有良好價(jià)值的概念和證明，但由于缺乏正式的治理，組織仍然對(duì)將人工智能部署到生產(chǎn)中猶豫不決。雖然有些人可能無法確定強(qiáng)有力的用例，但其他人試圖管理一組高度動(dòng)態(tài)的用例。

企業(yè)將人工智能用于要求重大技術(shù)敏捷性和不確定性的業(yè)務(wù)模型中。

而處理這種復(fù)雜性可能就像在飛行中建造飛機(jī)一樣。如果人們不確定需要什么，那么將如何決定投資方向？采用哪些解決方案能夠滿足這些需求？以及需要哪些資源來滿足這些需求？答案在于開發(fā)企業(yè)級(jí)人工智能平臺(tái)。

企業(yè)級(jí)人工智能平臺(tái)

企業(yè)級(jí)人工智能平臺(tái)是大規(guī)模加速企業(yè)級(jí)人工智能項(xiàng)目實(shí)施的生命周期的框架。它為組織提供了一種結(jié)構(gòu)化且靈活的方式來創(chuàng)建當(dāng)今和長(zhǎng)期的人工智能驅(qū)動(dòng)解決方案。它還使人工智能服務(wù)能夠從概念證明擴(kuò)展到生產(chǎn)規(guī)模系統(tǒng)。它通過面向服務(wù)和事件驅(qū)動(dòng)架構(gòu)世界的特定準(zhǔn)則來實(shí)現(xiàn)整合。

如果設(shè)計(jì)良好，企業(yè)人工智能平臺(tái)將促進(jìn)人工智能科學(xué)家和工程師之間的更快、更高效和更有效的協(xié)作。它有助于以各種方式控制成本，避免重復(fù)工作，自動(dòng)執(zhí)行低價(jià)值任務(wù)，并提高所有工作的可重復(fù)性和可重用性。它還消除了一些成本昂貴的活動(dòng)，即復(fù)制和提取數(shù)據(jù)以及管理數(shù)據(jù)質(zhì)量。

更重要的是，企業(yè)人工智能平臺(tái)可以幫助解決技能差距。它不僅成為新人入職的焦點(diǎn)，而且還有助于開發(fā)和支持人工智能科學(xué)家和機(jī)器學(xué)習(xí)工程師團(tuán)隊(duì)的最佳實(shí)踐。而且，它可以幫助確保工作分配更均勻、更快完成。

在企業(yè)人工智能平臺(tái)中，元素被組織為五個(gè)邏輯層：

?數(shù)據(jù)和集成層提供對(duì)企業(yè)數(shù)據(jù)的訪問。這種數(shù)據(jù)訪問是至關(guān)重要的，因?yàn)樵诓捎萌斯ぶ悄苓^程中，開發(fā)人員不用人工編寫規(guī)則。相反，機(jī)器正在根據(jù)它所訪問的數(shù)據(jù)來學(xué)習(xí)規(guī)則。數(shù)據(jù)組件還包括數(shù)據(jù)轉(zhuǎn)換和治理元素，以幫助管理數(shù)據(jù)存儲(chǔ)庫(kù)和數(shù)據(jù)源。數(shù)據(jù)源可以封裝在可以在抽象層次與數(shù)據(jù)進(jìn)行交互的服務(wù)中，為現(xiàn)有的平臺(tái)數(shù)據(jù)本體提供單一的參考點(diǎn)。最重要的是，數(shù)據(jù)必須具有高質(zhì)量，人工智能科學(xué)家必須能夠在不依賴IT團(tuán)隊(duì)的情況下構(gòu)建他們所需的數(shù)據(jù)流水線，其理想情況是采用簡(jiǎn)單的自助服務(wù)，以便他們可以根據(jù)需要進(jìn)行實(shí)驗(yàn)。

?實(shí)驗(yàn)層是人工智能科學(xué)家開發(fā)、測(cè)試和重復(fù)假設(shè)的地方。良好的實(shí)驗(yàn)層為特征工程、特征選擇、模型選擇、模型優(yōu)化和模型可解釋性帶來自動(dòng)化。理念管理和模型管理是授權(quán)人工智能科學(xué)家合作和避免重復(fù)的關(guān)鍵。

?運(yùn)營(yíng)和部署層對(duì)于模型治理和部署非常重要。這就是進(jìn)行模型風(fēng)險(xiǎn)評(píng)估的地方，以便模型治理團(tuán)隊(duì)或模型風(fēng)險(xiǎn)辦公室可以驗(yàn)證，并查看模型證明模型的可解釋性、模型偏差和公平性以及模型故障安全機(jī)制。操作層包含AI DevOps工程師和系統(tǒng)管理員的實(shí)驗(yàn)結(jié)果。它提供工具和機(jī)制來管理跨平臺(tái)的各種模型和其他組件的“容器化”部署。它還能夠監(jiān)控模型性能的準(zhǔn)確性。

?智能層在運(yùn)行時(shí)支持人工智能，在實(shí)驗(yàn)層中處理訓(xùn)練時(shí)間活動(dòng)。它是技術(shù)解決方案和產(chǎn)品團(tuán)隊(duì)與認(rèn)知體驗(yàn)專家一起工作的產(chǎn)物。智能層可以將可重用的組件（如低級(jí)服務(wù)API）公開到許多低級(jí)API的復(fù)合編排的智能產(chǎn)品中。智能服務(wù)的協(xié)調(diào)和交付的核心是智能層，它是指導(dǎo)服務(wù)交付的主要資源，并且可以簡(jiǎn)單地作為從請(qǐng)求到響應(yīng)的固定中繼來實(shí)現(xiàn)。然而，理想情況下，它使用諸如動(dòng)態(tài)服務(wù)發(fā)現(xiàn)和意圖識(shí)別等概念來實(shí)現(xiàn)，以提供靈活的響應(yīng)平臺(tái)，盡管認(rèn)知方向不明確，但能夠?qū)崿F(xiàn)認(rèn)知交互。

?體驗(yàn)層通過會(huì)話用戶界面（UI），增強(qiáng)現(xiàn)實(shí)和手勢(shì)控制等技術(shù)與用戶進(jìn)行交互。人工智能平臺(tái)是一個(gè)不斷增長(zhǎng)的領(lǐng)域，其中包含可以為解決方案提供視覺和會(huì)話設(shè)計(jì)工作的組件。它通常由擁有傳統(tǒng)用戶體驗(yàn)工作者、會(huì)話體驗(yàn)工作者、視覺設(shè)計(jì)師和其他創(chuàng)造性人員的認(rèn)知體驗(yàn)團(tuán)隊(duì)所擁有，他們通過人工智能技術(shù)創(chuàng)造出豐富而有意義的體驗(yàn)。

以下更深入地檢查操作層，討論人工智能的治理和部署。

在操作層：管理思想、模型和配置

作為一個(gè)組織探索使用人工智能的機(jī)會(huì)，它需要一種正式的方法來跟蹤這些想法：測(cè)試可能性，捕捉可行性，并為經(jīng)過測(cè)試，并確定為不成立的概念維護(hù)這些想法。

這聽起來很簡(jiǎn)單，但潛在的想法數(shù)量和它們之間的細(xì)微差別，很快就會(huì)變得勢(shì)不可擋。為了避免這種復(fù)雜性，企業(yè)應(yīng)該設(shè)計(jì)和實(shí)施一個(gè)自動(dòng)化的想法管理流程，以跟蹤和管理想法和實(shí)驗(yàn)的生命周期。這樣做有助于追蹤創(chuàng)意表現(xiàn)，并確保創(chuàng)意質(zhì)量。通過提供團(tuán)隊(duì)范圍的可見性來獲得成功的想法，并管理重復(fù)作品和潛在的沖突，也可以提高效率。

類似的方法可以應(yīng)用于管理模型。構(gòu)建真實(shí)世界的機(jī)器學(xué)習(xí)算法是復(fù)雜且高度迭代的。人工智能科學(xué)家在達(dá)到符合某些驗(yàn)收標(biāo)準(zhǔn)之前可能會(huì)建立數(shù)十甚至數(shù)百個(gè)模型?，F(xiàn)在，想象一下，沒有正式流程或工具來管理這些工作產(chǎn)品的人工智能科學(xué)家。

模型管理的正式流程將緩解個(gè)人和組織面臨的問題。它使人工智能科學(xué)家能夠詳細(xì)跟蹤他們的工作，為他們提供實(shí)驗(yàn)記錄。這樣的過程也使他們能夠捕捉到重要的見解，從規(guī)范化影響結(jié)果到細(xì)化特征如何影響某些數(shù)據(jù)子集的性能。

在整個(gè)組織中，健全的模型管理使數(shù)據(jù)科學(xué)家能夠?qū)彶?、修改并?gòu)建彼此的工作，幫助加快進(jìn)度，并避免浪費(fèi)時(shí)間。它還使企業(yè)能夠跨模型進(jìn)行元分析，以回答更廣泛的問題（例如，“哪些超參數(shù)設(shè)置最適合這些功能？”）。

要在企業(yè)范圍內(nèi)取得成功，組織必須能夠存儲(chǔ)、跟蹤、索引模型以及數(shù)據(jù)管道。傳統(tǒng)的模型管理應(yīng)該擴(kuò)展到包含配置管理。記錄每個(gè)模型，其參數(shù)和數(shù)據(jù)管道使模型能夠被查詢、復(fù)制、分析和共享。

例如，考慮模型管理將追蹤已經(jīng)經(jīng)過測(cè)試的超參數(shù)并記錄最終用于部署的內(nèi)容。但是，模型管理不會(huì)同時(shí)測(cè)試什么功能被測(cè)試和丟棄，對(duì)數(shù)據(jù)管道做了哪些修改，或者提供了哪些計(jì)算資源來支持充分的培訓(xùn)。

與模型管理數(shù)據(jù)一起，跟蹤這種配置信息可以加速人工智能服務(wù)的部署，同時(shí)減少重復(fù)工作。而只是通過電子表格管理模型，企業(yè)永遠(yuǎn)不會(huì)達(dá)到這種可見度和分析水平。

使知識(shí)成為服務(wù)

企業(yè)人工智能平臺(tái)為組織提供智能服務(wù)和產(chǎn)品鋪平了道路，不僅允許人工智能科學(xué)家也允許所有員工和客戶使用他們需要的工具或工具組合。

不會(huì)受到任何一種人工智能類型或解決方案的束縛，它可以快速配置高性能環(huán)境，以支持幾乎任何種類的人工智能。簡(jiǎn)而言之，它將人工智能從一系列有限點(diǎn)解決方案轉(zhuǎn)變?yōu)槠髽I(yè)能力，隨著時(shí)間的推移，它可以定制和部署以實(shí)現(xiàn)業(yè)務(wù)目標(biāo)，并可以不斷改進(jìn)。

隨著人工智能成為每個(gè)數(shù)據(jù)驅(qū)動(dòng)型組織的中流砥柱，必須以敏捷性和可擴(kuò)展性為重點(diǎn)進(jìn)行戰(zhàn)略管理。最成功的組織將是那些花時(shí)間為企業(yè)構(gòu)建企業(yè)級(jí)人工智能平臺(tái)的企業(yè)。采用這種方法，他們不僅可以在當(dāng)今更快地提供更多的價(jià)值，也可以在未來獲得新的機(jī)會(huì)。

通過企業(yè)級(jí)人工智能平臺(tái)（而不是獨(dú)立工具的拼湊），企業(yè)將能夠很好地應(yīng)對(duì)人工智能使用案例和其他新興支持技術(shù)的進(jìn)步。

責(zé)任編輯：Ct