各個領域的商業領袖都看到了人工智能的價值，但使用好人工智能才能真正體現其價值所在。

在這里，我們總結了一些探路者們的經驗教訓，希望能給后來者一些有意義的參考。根據德勤最近的一項調查顯示，82%的人工智能早期采用者從認知技術投資中看到了積極的財務成果，投資回報率的中位數為17%。

一個成功的人工智能項目和一個不成功的人工智能項目之間最大的區別是什么?德勤咨詢公司的分析與認知部門主管Nitin Mittal表示，無論是技術驅動的還是商業需求驅動的，都有跡可循。

希望充分利用人工智能的組織要注意了：“關注可能適合人工智能的特定用例。專注于需要實現的業務目標，證明其價值，并擴大規模。這就是我們看到的很多案例能夠成功的原因。”Mittal說。

下面是將人工智能項目轉化為商業價值的8個技巧，這些技巧來自于那些從人工智能中獲得實際利益的人的總結。

[[249674]]

1. 專注于具體問題

通用電氣負責軟件研究的副總裁Colin Parris說，在通用電氣，商業價值是每個人工智能項目的核心。

“我們從一系列最小可行的產品開始，它真的能預測什么嗎?如果我們能做到，它是更便宜、更快，還是能帶來更多收入?最后，我們可以如何擴展它，如何部署它來獲得商業價值?”他說。

這一系列的后續行動是至關重要的。

例如，如果人工智能系統正在預測需要維護的設備，那么這些預測需要集成到工作流中。這可能意味著需要派遣合適的現場工程師在合適的時間進行合適的維護。

它還可能需要集成到庫存系統中。

或者可能需要與實際機器進行集成。“如果我的人工智能讓我能夠真正理解何時需要提高溫度或壓力，我就必須集成到控制系統中，”他說。

2. 了解AI的局限性

當人類試圖做出預測時，他們有時會成為被稱為Dunning-Kruger效應的心理陷阱的犧牲品。當一個人意識不到自己對某個話題知之甚少，錯誤地認為自己是專家時，就會出現這種情況。其結果可能既幽默又悲慘。

人工智能系統也可能落入同樣的陷阱。例如，一個接受過特定數據集訓練的人工智能被要求根據完全不同的數據集進行預測，這會給出完全錯誤的答案——但是對于已經學會依賴人工智能預測的用戶來說，這可能是令人信服的。

現實情況是，這需要一位數據科學家來了解分析模型何時適合于特定數據集。“我必須理解基于數據的假設，”IBM的Parris說。“我如何測試模型?”我可能需要生成其他類型的數據，或者模擬數據，來判斷它是否有效。然后我必須在數據運行時檢查數據以確保這些假設是有效的。這是你作為人工智能專家經過多年培訓后才能夠做到的事情。”

新員工或非數據科學家可能沒有接受過這種培訓，從而使組織容易受到誤導性結論的影響。

為了解決這個問題，通用電氣已經開始研究所謂的“humble AI”，它是一種人工智能系統，能夠知道其算法適用于哪些情況，并且只在那些情況下使用機器學習模型。

“如果我不在這個范圍內，我就不會使用這個模型。我想回去使用我們過去20年來使用的物理模型，”Parris說。 “這種人工智能知道它自己的能力范圍。”

他說，“humble AI”現在正在接受測試。“使用價值數百萬美元的機器時，你絕對不想做任何損害機器壽命或性能的事情。退后一步，回到常規的套路去吧。”

3. 傾聽利益相關者和客戶的意見

對于一些公司來說，確保人工智能系統產生有用的結果可能需要一些外部幫助。

健康內華達項目的首席數據科學家Jim Metcalf說:“理想情況下，你可以在白板會議上開始一個項目，所有主要利益相關者都已經花了一下午的時間來了解細節并記錄查詢需求。”

例如，健康內華達團隊正在研究一種治療心臟病患者的方案。這就需要收集病人出院時開藥的信息。但有些藥物，如他汀類藥物，通常是在病人第一次入院時開的，當病人離開時會繼續開出。系統假設這些藥物是患者已經在服用的藥物，而不是與心臟病發作相關的新藥。只有當藥物數量最終低于預期時，才會發現這個問題。

“如果我們從一開始就和所有感興趣的人進行更詳細的討論，團隊可能會更早地解決這個問題，”Metcalf說。“我們的數據科學團隊已經學會了不做任何假設。我們會在任何人將手指放在鍵盤上之前進行徹底審查，討論和記錄查詢要求。”

對于企業支出管理平臺提供商Coupa，一個客戶提示并指出了一種檢測欺詐的新方法。

公司負責產品戰略和創新的副總裁Donna Wilczek說:“在我們的行業中，我們一直在一個信息孤島中看待支出欺詐。例如，有很多應用程序只關注費用報告欺詐，以及采購中的欺詐。”

但是事實證明，在一個領域作弊的員工也有可能在其他領域作弊，她說。通過與采購專家和財務審計人員的交談，發現欺詐檢測的秘密其實是針對處于欺詐核心的個人。

“這就是AI的一種非常漂亮、實用的應用所在，”她說。“這些數據對于人類審計員來說太多了，無法識別出其中的特定模式。”

人工智能還可以加快欺詐檢測的過程，讓企業在付款前就能發現欺詐行為。她說:“通常情況下，顧客在消費過程中不能這樣做，因為這會讓生意的交易流程減速。”

Coupa現在正在收集企業報告的欺詐行為的例子，然后將這些真實的例子添加到人工智能系統中。

4. 擁抱領域的專業知識

越來越多的公司開始意識到人工智能本身并不是靈丹妙藥。

“很多時候，企業會說，我有大量的數據，這個巨大的數據湖，只要插入你的人工智能，就能告訴我一些有趣的事情，”全球信息技術咨詢公司人工智能和大數據技術總監JJ Lopez Murphy說道。“是的，人工智能會幫助你發現隱藏的模式，但是如果你沒有一個適當的問題，它就不會給你答案。這是不會自動發生的。”

Cognoa的首席人工智能官Halim Abbas說，僅僅依靠數據科學家和人工智能專家從數據中獲取洞察力是一個巨大的錯誤，該公司正在將人工智能應用于行為診斷領域，幫助識別患有孤獨癥和其他行為健康問題的兒童。

在現實世界中，數據可能相互依賴，或者一些數據也可能不相關，需要專家來了解其中的差異。例如，如果一組在有藍色墻壁的房間里診斷的病人和另一組在有白色墻壁的房間里診斷的病人產生了不同的結果，一個尋找模式的分析模型可能會推斷出墻漆具有臨床意義。

“隨著數據集大小的增長，你會避免這些愚蠢的結論，”他說。“但可能還會有一些微妙的變化。”

他說，沒有領域專業知識的人工智能專家不會意識到這些問題。當數據集很小的時候，比如數據集很少或者人口統計數據很少的時候，這一點尤其重要。

當然，領域專家也有他們自己的偏見，Abbas說。“他們可能對某些變量和某些條件之間的聯系持有錯誤的看法。進行雙重確定的一個好方法是在接受領域專家的輸入的同時，在人工智能方面也這樣做，并且只處理雙重驗證都通過的情況。”

內部的臨床專業知識也有助于Cognoa確定這些模型是否有效，并幫助改進它們。

“每次你在現實世界中精心構建的試驗中驗證人工智能算法的時候，你都可能會發現現實與模擬的不匹配，”他說。“但通過分析，您可以深入了解產品，并進一步進行優化。”

正如一家有111年歷史的收集和發布化學研究數據的公司CAS所發現的那樣，將領域內的專業知識與人工智能相結合在數據管理中也是必不可少的。

CTO Venki Rao說:“像空格、下標、破折號或化學結構中一個字母的變化，都可能導致安全反應和爆炸反應的不同。所以我們需要有超過350名博士在我們的工廠中進行管理數據。”

最近，該公司開始使用人工智能來幫助對數據進行分類和整理，從而騰出一些博士來從事更復雜的工作。但即使是建立一個簡單的光學字符識別系統，也需要領域專家的專業知識。例如，“nm”是nanomolar的縮寫，而“mm”是millimolar的縮寫——相差6個數量級。如果系統轉換不當，這可能意味著安全化學反應和危險化學反應之間的區別。

他說:“如果你是一個純粹的技術專家，你不可能在第一天就能夠為我們進行工作。如果你在不了解化學原理的情況下，用技術粗暴地強迫AI系統，它永遠不會得到最佳的結果。”

Rao說，這確實使招聘變得更具挑戰性，有時也使得外包變得不可能。“但是投資已經顯示其在解決方案質量上的回報。”

5. 認識到對真實世界進行測試的價值

沒有一個作戰計劃能在與敵人的接觸中幸存——也沒有一個人工智能系統能在與現實世界的接觸中幸存。如果你的公司沒有準備好面對這個事實，你的人工智能項目甚至在開始之前就注定要失敗。

瑞士信貸集團的認知和數字服務主管Jennifer Hewit正面應對了這一挑戰。

當公司決定發布其新的客戶支持聊天機器人Amelia時，Hewit知道聊天機器人很可能經常會被放棄并將客戶發送給人工代理，而不是能夠自己回答所有的或大部分的問題。

她說：“我很早就決定要上線了。”她注意到，當這個聊天機器人第一次上線時，它理解用戶意圖的能力只有23%。

但是通過置身于現實世界中，聊天機器人能夠觀察到多文化、多語言和多代人的對話——并從中學習。

“快速上線，向組織展示我們的能力，這意味著我們能夠在5個月內將她理解意圖的能力從23%提高到86%。”

6. 小心人工智能的“黑箱問題”

可信度是人工智能在進入現實世界時面臨的另一個問題，因為人工智能系統幾乎無法看到它們是如何得出自己的見解的，這個問題被稱為“黑箱問題”。

總部位于波士頓的Beacon Health Options公司的執行副總裁兼首席增長官Christina Mainelli說：“我們的經歷讓我們永遠無法克服這個問題。”Beacon Health Options公司正為全美4000多萬人提供行為健康治療。

最終，該公司決定建立一個人工智能系統，在病人病情升級到需要住院治療的程度之前，及早發現病人。為了確保該系統能夠被實際使用，Beacon Health將使用該系統的人聚集在一起，不僅就工作流程，還就算法如何工作對他們進行培訓。

因此，在系統投入使用之前，就對現有患者的舊數據進行了一次模擬運行。

她說:“那些被認為是高危人群的人實際上就是高危人群——因為他們被送進了醫院。我們的臨床醫生可以看到它是如何工作的，這幫助我們減少了黑箱問題。”

然后，當人工智能系統被用于當前的病人時，在項目的前12周，它識別出了近300名高危人群，其中57%的人沒有被之前的傳統方法檢測到。

“這非常引人注目。在此之前我們并不知道他們是高風險的，”Mainelli說。“現在團隊正在努力影響他們。”

這包括打電話給他們，讓他們聯系供應商，確保他們得到他們需要的藥物。

在一到兩個月后，Beacon Health公司將看到這些干預措施的結果，因為在索賠通過之前還有一段時間，這將是另一個重要的現實世界測試。

“我們需要看到最后的數據才能真正知道結果如何，”她說。

7. 建立清晰的衡量標準

擁有明確的業務指標來衡量人工智能項目的結果，對于證明它是有效的非常重要，并且應該得到持續的支持。

許多公司對AI項目的這方面沒有給予足夠的重視。根據德勤的調查，不到50%的受訪企業衡量的是準確衡量財務回報所必需的關鍵績效指標，如成本節約、收入和客戶留存等指標。

報告作者、德勤技術、媒體和電信中心的執行董事Jeff Loucks表示，這是像人工智能這樣的新興技術的一個通病。

“他們通常不會像公司使用更成熟的技術一樣進行嚴格管理，”他寫道。

結果是人工智能項目可能“無處可去”，最終成為了無法擴展的試點項目或沒有商業利益的項目，他說。

8. 從內部訓練人才

你可以在哪里找到既懂人工智能技術又懂業務需求的人?這可不是件容易的事。目前，全球人工智能人才短缺，再加上專業知識的要求，意味著潛在候選人的數量只能是更少。

根據德勤的人工智能調查，69%的公司表示，他們的員工中存在中等、重大或極端的技能缺口。

在通用電氣，該公司也努力尋找著具備人工智能所需的編程和分析技能，以及商業方面所需的物理和工程知識的人。

通用電氣的Parris說:“我們會在大學進行投資，在領英(LinkedIn)上搜索，在媒體上看文章，在會議上認識所需要的人。”

但該公司也在內部尋找具有材料科學背景的人，比如在人工智能課程中學習過的人，或者在控制系統和材料科學課程中學習過的人工智能開發者。

Parris說，找到兼具領域專業知識和人工智能技能的人只是旅程的開始。他說，通用電氣需要能夠將這些知識轉化為能夠實際應用的人才。“我如何看待業務問題并將其分解為數據問題?”

為了實現這一目標，通用電氣提供跨職能培訓，將人工智能和工程學結合起來。到目前為止，已經有10到15名科學家和工程師經歷了這一過程——約占公司所有科學家和工程師的三分之一。

Parris補充道:“可能會有更多的人經歷這一過程。”

這只是改變企業文化、組織系統、衡量標準甚至是激勵機制的開始。

“對于像通用電氣這樣的公司來說，這是一項艱巨的任務，我們現在正處于起步階段，”他說。“但是一旦我們做對了——我們所有人的未來都會改變。”