準備和實(shí)施AI項目可能需要多年的時(shí)間。根據最新數據，只有28%的受訪(fǎng)者表示第一年已經(jīng)超過(guò)了AI計劃階段。這是由于多種因素造成的，包括技術(shù)的相對成熟度(至少在不斷擴展的行業(yè)用例中)，涉及的復雜程度，例如廣泛的集成要求，有限的企業(yè)經(jīng)驗和缺乏內部技能集，關(guān)注點(diǎn)以及AI偏見(jiàn)，治理，風(fēng)險和合規性問(wèn)題，廣泛的變更管理要求等等。
無(wú)論是作為企業(yè)創(chuàng )新計劃的一部分，還是作為數字轉型計劃的一部分，都非常注重證明快速獲勝，長(cháng)期的AI項目可能會(huì )影響比其本身更大的計劃的聲譽(yù)。隨著(zhù)CIO在產(chǎn)品管理方法中從“項目到產(chǎn)品”的轉變，這些冗長(cháng)的AI項目也可能會(huì )延遲創(chuàng )新的內部或外部新產(chǎn)品發(fā)布。
為了迅速贏(yíng)得這項重要的使能技術(shù)的勝利，并進(jìn)一步推動(dòng)在更廣泛的數字化轉型和創(chuàng )新計劃中投入更多資金的商業(yè)案例，CIO可以通過(guò)以下五種方式快速跟蹤其AI實(shí)施：
首先要做出的決定之一是建造還是購買(mǎi)。雖然我們聽(tīng)到了很多有關(guān)自行構建AI的平臺，基礎架構和框架的信息，但無(wú)名英雄通常是較為專(zhuān)業(yè)的專(zhuān)業(yè)AI供應商，他們提供基于云的AI服務(wù)，可以針對您的特定需求對其進(jìn)行快速培訓和部署用例。建造或購買(mǎi)的決定實(shí)際上是基于A(yíng)I對您的組織作為未來(lái)核心能力的重要性。
例如，盡管每個(gè)金融服務(wù)公司都應關(guān)注AI“擁有”與“沒(méi)有”之間日益顯現的數字和財務(wù)鴻溝(請參閱“ 對業(yè)務(wù)戰略和技術(shù)部署采用與直覺(jué)相反的方法 ”)，但并不是每個(gè)公司需要在內部構建自己的算法。較小的商店可以非常有效地將更多精力放在將第三方AI技術(shù)納入其核心工作流程(例如貸款承銷(xiāo))中的業(yè)務(wù)收益和結果上，而無(wú)需建立自己的內部AI / ML專(zhuān)業(yè)知識。
簡(jiǎn)單來(lái)說(shuō)，這意味著(zhù)ML行算法比每行具有100個(gè)屬性的1,000行數據的10,000行數據每行具有1,000個(gè)屬性。據馬克·斯坦的CEO，Underwrite.AI，公司專(zhuān)注于人工智能應用的進(jìn)步，提供具有非線(xiàn)性，信用風(fēng)險的動(dòng)態(tài)模型貸款，但是，它不是很簡(jiǎn)單，“越多越好”。數據類(lèi)型和數量必須與算法類(lèi)型匹配。深度學(xué)習需要大量記錄才能有效，而基于統計的算法則可以更好地處理較小的數據集。
如果您使用AI來(lái)建模人類(lèi)的決策模型，請獲取盡可能多的數據，確保每個(gè)數據字段都有其價(jià)值，并在數據質(zhì)量和一致性方面給予高度重視。這可能很耗時(shí)，尤其是從多個(gè)不同的來(lái)源進(jìn)行繪制時(shí)，但是如果盡早進(jìn)行徹底的設計，則可以避免很多昂貴的返工。
從技術(shù)上來(lái)說(shuō)，調用AI API傳遞新數據集并獲得分數很簡(jiǎn)單，但更困難的是變更管理和培訓，使業(yè)務(wù)分析師能夠最好地解釋這些分數并將新流程納入日常工作中工作流程。
盡管某些形式的AI可能會(huì )產(chǎn)生自動(dòng)決策，例如基于信用歷史記錄對新貸款做出“是”或“否”決策，但ML算法通常也會(huì )提供更微妙的響應?？赡苄枰獙⒋隧憫c現有人工流程結合使用，以最好地決定貸款。作為示例，AI“得分”可以是從“ A”到“ D”和“ F”的等級。“ A”和“ F”可能是明確的“是”或“否”決策，可以完全自動(dòng)化以進(jìn)行實(shí)時(shí)決策，但是從“ B”到“ D”的等級可能仍然需要人工核保。
正如您花時(shí)間訓練分析師使用新的財務(wù)模型以及如何最好地解釋模型的結果一樣，基于A(yíng)I的結果也是如此。業(yè)務(wù)分析師可能需要花費幾周甚至一個(gè)月的時(shí)間來(lái)觀(guān)察ML算法返回的結果，因此他們在如何最好地解釋分數方面有一個(gè)基準。如果您與AI供應商合作，則該供應商可以提供有關(guān)如何解釋結果以及如何培訓員工以從新系統中獲得最大收益的指導。
斯坦因認為，至關(guān)重要的是要了解AI不是魔術(shù)。這只是識別過(guò)去行為的模式的過(guò)程，可以使將來(lái)的預測更加準確。只有在企業(yè)存在明確定義的問(wèn)題和易于理解的成功度量標準時(shí)，它才能成功。例如，“我們需要降低按損失率衡量的貸款違約率”或“我們需要從當前的32.5%率提高轉換率”，依此類(lèi)推。如果您不完全理解問(wèn)題，那么您也將不會(huì )理解解決方案。
由于每個(gè)AI實(shí)施都是獨特的，因此重要的是要以“假設和測試”的心態(tài)進(jìn)入每個(gè)項目，而不是將項目視為徹底的成功或失敗。通過(guò)在每個(gè)步驟進(jìn)行假設并將每個(gè)步驟的經(jīng)驗帶入下一個(gè)迭代，您可以快速優(yōu)化您的AI部署，直到它成為可以提供有意義結果的可行解決方案為止。
雖然假設和測試方法會(huì )延長(cháng)項目部署時(shí)間，但好處是您會(huì )不斷調整解決方案，以吸收實(shí)際經(jīng)驗教訓，以符合客戶(hù)和員工的要求，并持續轉向最引人注目的業(yè)務(wù)使您的解決方案具有可持續性的案例。
當您開(kāi)始進(jìn)行初步的AI試驗，概念驗證或MVP時(shí)，請記住，您組織在企業(yè)范圍內AI方面的未來(lái)愿景很可能是多種自動(dòng)化類(lèi)型的融合，從完全手動(dòng)的過(guò)程一直到最后，對于那些使用機器人過(guò)程自動(dòng)化(RPA)來(lái)開(kāi)發(fā)更復雜AI的人。通常是從頭開(kāi)始重新發(fā)明業(yè)務(wù)流程，然后在每個(gè)新步驟中應用最佳工具完成工作的情況。只是將RPA或AI插入未更改的現有業(yè)務(wù)流程中，很可能會(huì )錯過(guò)一切。
另一個(gè)重要因素是每個(gè)工具之間發(fā)生的切換。這可以是人對機器或機器對機器。通過(guò)優(yōu)化切換并使其快速，無(wú)縫和可靠，您可以進(jìn)一步增強未來(lái)的業(yè)務(wù)流程，使其與您的業(yè)務(wù)目標和市場(chǎng)要求一樣具有成本效益和競爭力。
好消息是，可以快速跟蹤AI的實(shí)現，但這并不一定是使AI變得更聰明。這是關(guān)于做出正確的選擇，例如構建與購買(mǎi)，對數據質(zhì)量(以及客戶(hù))著(zhù)迷，花足夠的時(shí)間進(jìn)行變更管理，及早介入業(yè)務(wù)，采取“假設和測試”的方法，最終將多種自動(dòng)化技術(shù)結合到您的未來(lái)愿景中。
如果您的AI項目花費大量時(shí)間，請耐心等待并保持原樣。您也許還可以利用此處的一些建議來(lái)幫助您將比賽快速推向終點(diǎn)。當然，就像數字轉換一樣，這場(chǎng)比賽永遠不會(huì )結束。