時下，在數字化轉型中AI承擔著更重要的職責，整個數字化轉型的進程正逐步由原來的“云+大數據”等技術驅動，轉變為“云+大數據+AI”驅動。在這個背景下，越來越多的企業開始升級IT基礎架構，加速數字化轉型。

不過，由于急于求成、缺乏扎實的基礎，企業在布局AI的過程中可能會忽略一些重要的細節，這些細節可能決定著企業轉型的成功與否。對此，分析決策平臺FICO表示，人們想要解決AI的問題僅僅因為它是AI，而不是因為它是最佳解決方案。因此我們必須考慮到AI的方方面面，諸如AI的開發、成功的標準、風險治理，以及相關的道德標準。

一、確定布局AI的動機

做任何事情不能人云亦云，哪些在是否采用AI中舉棋不定，或是面臨巨大壓力的企業，不妨后退一步，考慮一下是否真的需要AI戰略。數據智能和自動化全球IT咨詢公司NTT DATA Services的高級總監Theresa表示，如果確實需要人工智能，那么在沒有計劃使用它的情況下，創建AI或機器學習算法是浪費金錢，研究表明，大約有1/6的項目能夠帶來回報。 

AI可以幫助企業降低成本、增加收入、預測結果、優化流程，在初步了解我們為什么需要AI之后，緊接著我們需要考慮支撐AI的數據。

二、訓練優質數據

永遠不要低估數據的力量，當它是不一致、不準確、不完整或重復的，我們使用這些數據進行機器學習或者訓練數據時，可能導致不準確的結果，得出較差的建議或錯誤的結論。其實，人工智能具有強大的功能，但任何人工智能解決方案都需要確保數據的優質。

因此，訓練或得到優質的數據，對于AI來講十分有必要。

三、實驗結果和實際結果的差異性

在實際推進過程中，我們會遇到實驗結果與實際結果有差別等問題，因為現實世界比實驗室環境要復雜且隨機。同樣，一個成功的案例并不能確保另一個案例也會表現很好。

AI公司BeyondMinds首席執行官Rotem Alaluf表示：“現實世界中的AI與實驗室中的AI并不完全不同，但是解決方案應該更加完整，穩定和適應性強。我們需要了解實驗室人工智能的局限性，了解從中創造價值所需要的東西在現實世界中，并以可擴展的方式在組織中使用它。”

四、注重團隊的力量

布局AI戰略并不是單個人就能完成的事情，我們需要管理層的支持，需要跨部門的協作，嚴格意義上來講，它需要依靠團隊。

數據科學咨詢公司Valkyrie的首席數據科學家Hilliard 。“在大型組織中，尤其是在業務職能之間劃分很重的組織中，建立所需的跨職能團隊可能很困難。”如果數據科學團隊與領導AI計劃的產品團隊位于組織的不同部門，那么明智的做法是從數據科學家上方獲得領導層的支持，以避免優先級劃分或資源沖突。

五、將AI計劃融入產品布局中

為了自己的利益而制定的AI計劃既不是AI戰略，也不是雇用數據科學家。全球專業信息、軟件解決方案和服務提供商Wolters Kluwer的數據科學總監John Langton表示，團隊必須了解AI不是產品，而是新產品的推動力。但是，產品經理往往無法很好地理解與AI的關系。

“成功的AI計劃需要以產品開發團隊，領導層和技術領導者之間不斷進行的對話為中心，以開發完善的AI工具。優秀的數據科學家可以向產品團隊提供技術方面的知識教育，而產品團隊可以將市場推向市場和客戶專業知識來確保解決實際問題。”Langton說。“這還使兩個團隊都可以將AI檢查點納入產品路線圖中，而不必將其視為單獨的R&D產品。將數據科學家和產品團隊直接聯系起來，可以使您對AI應用后的外觀設定期望。”

六、監測漂移模型

隨著新數據的涌入，模型趨向于漂移，隨著時間的流逝變得越來越不準確，因此可能需要對其進行調整或重新訓練。

網絡安全解決方案提供商Juniper Networks 技術官Bob Frida表示，要建立成功的AI計劃，IT團隊必須接受AI模型的動態特性，并投入時間和精力進行培訓，這類似于公司資深人士必須培訓新員工的方式，在此過程中，企業必須擁有經驗豐富的技術團隊來分析AI模型的性能和結果。通過提供不斷的反饋，AI模型將調整其邏輯，進而更準確，更有效地解決問題。

七、道德/不道德的AI可能會影響公司的品牌和聲譽

有的時候，AI會導致法律、監管以及聲譽受損等問題。時下，互聯網公司的決策越來越依靠數據、人工智能，因此也會產生一些法律、監管等問題。LivePerson的首席技術官Alex Spinelli表示：“人工智能將為各種各樣的事情做出決定，但它會做出正確的決定嗎?通常情況下，它充滿了人類產生的“臟”數據的無意識偏見。他堅信僅憑人工智能不足以幫助我們變得更聰明，更快，更高效。這需要成為造福世界的力量。”

八、人才也是被需要的

如今，人工智能系統正在“學習”如何做各種事情，無論是向顧客推薦新電影還是在高峰時段識別地鐵中的可疑行為。隨著AI增強工作中的人員數量，幫助他們更有效地完成工作，兩者都應同時學習。隨著時間的流逝，人類學會了如何更有效地使用AI，而隨著時間的推移，人們學會了用戶的偏好和行為，從而學會了如何與人類更有效地合作。兩者都可能需要持續的培訓，以便他們可以更有效地適應變化。

跨國公司聯盟關系副總裁Anthony Ciarlo表示，某些計劃未能提供ROI的原因之一是技能差距，或者在公司的工具和流程經過更新，升級和提高技能以包括AI之后，缺乏人員培訓。因此，人工智能在不斷學習的過程中，人也需要不斷精進自我，不斷學習。

九、人工智能不僅僅是算法和模型

當AI的收益和成功還取決于人員和流程時，通常僅以技術術語(例如模型和算法)來看待AI，人工智能的目的應該是推進業務目標。

IBM首席AI官Seth Dobrin表示，首先要明確定義AI項目的意圖，然后為該技術定義特定的用例，這將有助于確定需要哪種類型的AI解決方案以及如何將它們集成到您的基礎架構中。

寫在最后

隨著AI的深入應用，企業紛紛采用AI的模式來精進企業業務流程，而在我們布局AI之前，我們需要考慮我們的動機、如何獲得優質數據等等，只有這樣才能讓AI幫助我們創造更多的價值。