LinxVIEW论坛-斯科道

标题: 企业AI策略8个关键注意事项 [打印本页]

作者: Scadao 时间: 2019-12-20 14:13
标题: 企业AI策略8个关键注意事项
企业AI策略8个关键注意事项

AI 正在为每个企业释放新的潜力。组织正在使用 AI 和机器学习技术为业务决策提供信息、预测潜在问题，以及提供更熟练、更个性化的客户体验。这些结果可以为企业带来竞争优势。AI 使数据团队能够扩展和交付可信、与传统机器学习方法相比，以更简单、更快、更具成本效益的方式生产就绪模型。

在本文档中，我们将探讨八个关键注意事项，在开发企业 AI 时，应保持高枕无忧组织的战略——

一、问对问题

成功的AI策略起始于您的业务，想要确定回答的问题。考虑您的需求，例如防止客户流失，了解客户动态、简化供应链或确定为消费者提供下一个最佳优惠点。作为触发灵感，下面提供些AI和机器学习如何用于当今全球组织应对常见业务挑战：

金融机构使用AI评估个人信贷风险，从而提供具有适当信用水平的申请人。
零售商使用AI通过个性化和建议来增强客户服务。
医疗保健和生命科学组织正在使用AI来帮助更准确地检测疾病。
保险公司使用AI来个性化消费者的保单，或者在索赔的情况下，确定它是否是欺诈性的，从而节省资金。

二、将AI应用于特定业务

下一步是在您的业务中确定哪个案例将来可使用AI？最好是在你当前的业务案例中来择选。预览您当前的流程和客户经验，并寻找需要改进的领域。
案例不必是详细或复杂的。简单问题可以帮助启动构思过程，例如：

我试图解决什么业务问题？
预测数据如何改善我的业务？
我希望这个项目能取得什么成果？

与来自多个部门的团队成员接洽，确保您拥有完整的视图识别问题。您的目标是对每个问题采取360度视角。
一旦你开始实施了AI解决方案，就要尽早循环滚动，将结果数据引用到后续开发中。

三、你的数据在哪？

企业数据对于成功普及的机器学习是必要的。这些丰富数据来自各种来源，从客户交易、社会、营销数据到人力资源和金融信息，甚至第三方数据源。事实上，解决单个案例可能需要从不同资源中抽取多个数据点，包括一些可能不会立即显现出来。

考虑一个生产易腐产品的公司。公司必须确保供应链的每一步的温度范围一致。然而温度数据独自不能告诉完整的故事。为了确保温度范围一致，公司需要检查多个数据点，包括天气、航运容器选项和行驶时间。

要确保您拥有完整的数据集：

与组织团队（从市场营销到IT）合作，确定数据存储完整列表。
审核列表以确定数据源以及任何明显的问题或注意事项。
识别差距。你要注意有没什么遗漏？根据需要，花时间添加新的数据集，以帮助解决
问题。

四、挑选到AI的最快方法

AI提供见解，而不仅仅是答案。使用AI，您可以生成见解，直接应用于您的业务。你可能需要有人帮助您解释数据，但您不一定需要一位数据科学家来分析您的AI，寻找团队中具有分析头脑或背景人员，并将其分配到您的项目中。您还可以使用自动机器学习（AutoML）解决方案帮助将数据转化为切实可行的见解。AutoML平台自动执行密钥机器学习模型的各个方面，使数据科学家、数据工程师、数学家、统计学家和其他人员能高度精确、随时部署模型。AutoML 解决方案可以大幅压缩模型构建周期，使您的任何人员组织（从数据科学家到企业所有者）更快获取到答案。

五、数据是团队努力的结果

制定业务问题的最佳解决方案需要不同的思想家团队。除了您的数据科学家或分析师外，团队应包括数据工程师（通常在 IT 部门）、DevOps 或数据运营
角色、企业所有者和发起人。

此团队应仔细考虑使用 AI 简化您的流程和/或解决您的业务问题。例如，考虑您的项目在内部如何影响其他团队。重要的是让其他内部团队知道项目正在进行中，以及您希望学到什么。您可能会发现对公司内其他集团有帮助，可用于构建在整个业务中更广泛地支持 AI/ML 计划。

六、时间

开发 AI 模型需要稳定的鼓点，并且周期可能重复几次之前就已完成。在整个项目中，团队做出决策：使用哪些功能、使用哪些算法以及如何使用来调整他们。请记住，您在此过程中做出的决定可能会影响或使您的日程安排复杂化。

模型训练可以是时间密集型和重复性的：一旦你有一个模型评分，您生成自动管道来部署模型。这可以节省时间，并且需要数据科学工作流的另一个技能集，比如开发人员。

虽然你不能发明更多的时间，你可以优化工作更熟练。使用 AutoML 平台，您可以自动执行数据的关键方面科学的工作流程，明显地减少时间，提高准确性。尝试使用 AutoML 平台更快地训练模型，然后生成用于部署模型的自动管道。

七、信任 AI，但这么做是要负责任的

正如我们已经讨论过的，AutoML平台可以解释或解释模型及其结果。机器是了不起的学习者。但他们只是聪明提供的数据。为了取得更好的结果，确保人工AI过程前后对结果进行质量检查。毕竟人类可以建立计算机无法进行的连接。

请考虑以下事项：
AI可能基于申请人的优秀信用记录和收入，批准基于数百万以下美元贷款，但银行经理可能不舒服，因为这么一个相当大的贷款，却没有额外的审查。在这种情况下，可以设置一个参数，给定限制，从而指导申请人贷款的审查和批准。

此外，确保您的团队了解参数并知道如何解释模型的输出。例如，请务必考虑和了解您运营的法规或合规性约束为您的行业，如 HIPAA、公平贷款或类似行业。

八、永远没完没了

您的AI之旅就是一次不断迭代的旅程。计划被重复冲洗！

这意味着您必须继续负责并监控您的结果。您的得分模型可以（并且应该）根据流入的新数据进行更改。你团队应定期向关键利益相关者提供最新信息过程。

一些提示：
把人留在循环中，不要把一切都留给机器。
使用简单的语言来解释你的模型。
明确说明您的结果及其如何应用于（或可应用于）业务。
使用可重复的模型和文档备份它，以便您可以做更多的工作
熟练地训练你的团队。
保持警觉和灵活性，根据需要进行更改。

欢迎光临 LinxVIEW论坛-斯科道 (http://iiotview.com/)