[[374390]]

人工智能(AI)被組織視為獲得競爭優(yōu)勢的一項重要技術。市場數(shù)據(jù)表明，2020年人工智能業(yè)務的使用量同比增長了25%，其中63%的組織高管認為人工智能可以帶來收入的增長。在全球持續(xù)蔓延的疫情將使其表現(xiàn)更加突出。越來越多的組織采用適合的人工智能解決方獲得生存和發(fā)展，并能夠快速有效地進行部署和擴展。

然而，與所有游戲規(guī)則的改變一樣，組織采用人工智能計劃也面臨新的挑戰(zhàn)，并在實施中存在很多問題，其中最主要的問題是：如何才能采用正確的數(shù)據(jù)方法來快速高效地部署人工智能計劃，并且長期內不會出現(xiàn)故障并可持續(xù)發(fā)展?正是由于這個原因， “AI Factory”應運而生。

AI Factory是一種組織化的運營模型，以系統(tǒng)化的方式將不同的人才、能力和流程結合起來，從而使組織在人工智能部署和可擴展性方面獲得成功。家樂福和ENGIE公司等行業(yè)領導者已有效地使用AI Factory在其業(yè)務中交付變革性的人工智能項目。但是，從頭開始建立有效的AI Factory可能會令人生畏，因此需要專家團隊的幫助和清晰的愿景才能使流程正常運行。

制定完美的規(guī)劃

對于組織來說，至關重要的第一步是為AI Factory定義愿景和用例，這將成為組織的數(shù)據(jù)策略。組織必須確定使其轉型具有最大業(yè)務潛力的用例，無論是供應鏈優(yōu)化還是合規(guī)管理，在各方面都存在機遇。

還應該考慮組織的人工智能愿景。重要的是其發(fā)展方式以便進行規(guī)劃，并對未來有一個清晰的想法。組織可以從初步的總體角度來繪制適用于數(shù)據(jù)和人工智能的版本。

接下來，必須通過識別和分類用例來評估具體的業(yè)務機會。這是通過評估業(yè)務影響和復雜性來實現(xiàn)的。在整個過程中，關注心態(tài)是很重要的，要管理大規(guī)模的變革，需要從組織的高管到一線員工的每個人都參與進來。

AI Factory的四大支柱

在定義組織的數(shù)據(jù)策略和人工智能愿景后，應該優(yōu)先確定要實施的用例列表。但是，如何開始研究它們呢?AI Factory的有效實施建立在以下四個支柱上：

(1)單一治理

為了提高效率，治理必須是高級的、專門的和量身定制的。由數(shù)據(jù)領導者組成的AI Factory委員會在提供總體贊助和指導方面非常重要，因為它與人工智能愿景共享，并與團隊和路線圖保持一致。在項目管理層，應該建立AI Factory的主管角色，其中包括業(yè)務、運營、法律、安全、IT數(shù)據(jù)專家，他們的作用應該是審查、仲裁和驗證進展。

最后在運營層面要建立敏捷團隊。這個功能團隊負責交付人工智能產品用例。它們是緊密聯(lián)系的部門，相互協(xié)作以確保永久的信息流和透明度。最重要的是，它們應該是跨學科的，結合了組織的技能和專長。它們以成就為導向，每個目標都是以一個單一目標創(chuàng)建的：提供一個由唯一目標衡量的用例。

(2)多元化的專家團隊

為了提高效率，結構化組織應該在基于敏捷方法的混合團隊中收集業(yè)務、數(shù)據(jù)、軟件和數(shù)字技術技能。敏捷性確保了工作方式的靈活性和適應性，并避免了與孤島方法相關的問題，例如同一結構中的孤立部門或過于嚴格的程序。這需要很好地混合業(yè)務和技術概要，以確保在技術方面開發(fā)的內容始終具有滿足業(yè)務需求的有用目的。

可擴展性是團隊組成的重要特征。這個想法是其結構可以很容易地復制，類似于樂高積木。通過其完全可擴展的模型，可以添加更多團隊來解決其他用例。

(3)先進的人工智能技術

當然，有效的部署需要人工智能支持技術的基礎。AI Factory使用開源、專有和云計算解決方案的組合。根據(jù)最佳實踐，應該從頭到尾在整個數(shù)據(jù)管道(從攝取到可視化)中對它們實現(xiàn)標準化。

(4)行之有效的方法和系統(tǒng)

需要進行系統(tǒng)化以確保始終按照特定順序執(zhí)行一系列步驟，每個步驟都有自己明確的目標。其具有雙重好處：首先，這提供了公共引用的總體結構，從而保證一致性。其次，這使其方法具有可復制性和可擴展性，從而大大加快了工業(yè)化階段的部署。

MLOps：保持工廠運轉

除了設定用例方法之外，還必須部署MLOps(機器學習運營)實踐以彌合概念階段與生產之間的差距。受到DevOps流程的啟發(fā)，這應該結合軟件開發(fā)和IT運營以縮短開發(fā)生命周期。

MLOps的目的是克服傳統(tǒng)編碼系統(tǒng)所不具備的挑戰(zhàn)。第一個挑戰(zhàn)是團隊之間的協(xié)作：不同的單元通常是孤立的，并且擁有流程的不同部分。這扼殺了生產所需的協(xié)作性。第二個挑戰(zhàn)是管道管理，因為機器學習管道比傳統(tǒng)的管道更復雜。它們有特定的特性，包括在整個生產過程中必須測試和監(jiān)控的構建塊。最后一個挑戰(zhàn)是，機器學習模型通常需要多次迭代，當以人工并且特別的方式投入生產時，它們變得僵化且難以更新。

與其相反，MLOps方法應將所有機器學習資產嵌入到持續(xù)集成(CI)/持續(xù)交付(CD)管道中，以確保快速無縫地部署。在每個新版本發(fā)布之前，應該測試所有數(shù)據(jù)、功能和模型，以防止質量或性能下降。所有利益相關者應該目標一致，并將軟件工程最佳實踐應用于數(shù)據(jù)科學項目——版本控制、部署環(huán)境、測試。

歸根結底，MLOps是一種以與所有其他生產要素統(tǒng)一的方式來持續(xù)管理機器學習項目的學科。它確保了從用例早期階段到用例產業(yè)化的有效技術交付。

成功的框架

人工智能為組織帶來巨大的希望，但對于無法正確部署的組織來說也有巨大的風險。 AI Factory模型的真正好處在于，它為快速成功地實施建立了一個核心框架。其流程、團隊和工具本質上是可遷移和可重復的，這意味著組織可以在追求人工智能愿景時保持敏捷。一旦流程建立并得到MLOps的支持，組織就會獲得人工智能加強業(yè)務所需的條件。