來源：ST社區(qū)

人工智能和機器學(xué)習(xí)將開始做出更多決策。他們可能仍然不會在不久的將來用來做出“大”決定，比如是否對商品征收25％的關(guān)稅并與合作伙伴展開貿(mào)易戰(zhàn)。

但是，幾乎所有你在Excel中進行按摩，編碼或排序的東西都是一個很好的聚類，分類或?qū)W習(xí)排名問題。任何可以預(yù)測的值都是一個很好的機器學(xué)習(xí)問題。任何你剛剛經(jīng)歷并“尋找”的圖案，形狀或物體都是一個很好的深度學(xué)習(xí)問題。

而商業(yè)充滿了這些。就像文字處理器取代打字機池一樣，人工智能將很快取代成群的辦公室工作人員盯著Excel，并取代一些分析師。

公司需要為這一變化做好準備。正如那些沒有為網(wǎng)絡(luò)和電子商務(wù)做準備的公司一樣，那些不適應(yīng)人工智能和機器學(xué)習(xí)的公司也是如此。如果您沒有查看您處理的大量數(shù)據(jù)和您做出的決定，并且“我不能在最后一英里實現(xiàn)自動化嗎？”或者尋找您不做的事情，因為您無法做出決定“實時”足以獲得優(yōu)勢 - 我會在幾年內(nèi)看到你的公司在報紙上關(guān)閉。

要準備此更改，在開始業(yè)務(wù)轉(zhuǎn)換之前，您有五個先決條件。您需要一種策略來在整個組織中傳播AI，這些策略從這五個先決條件開始。

AI前提條件1：教育

你不能讓你公司的每個人都成為數(shù)據(jù)科學(xué)家。此外，一些數(shù)學(xué)運算速度太快，我們凡人都無法掌握 - 人們認為本周最有效的特定算法下周可能不是正確的算法。

但是，一些基本的東西不會改變。組織中的每個人都應(yīng)該了解機器學(xué)習(xí)的一些基本功能，尤其是開發(fā)人員：

聚類：將事物分組在一起。

分類：將事物分類為標記組。

線上預(yù)測：如果您可以制作折線圖，則可以預(yù)測該值是什么。

方差預(yù)測：無論是流動性風險還是振動或功率峰值，如果您有一組屬于某個范圍的值，您可以預(yù)測您在給定日期的差異。

排序/排序/優(yōu)先排序：我不是在談?wù)摵唵蔚臇|西。無論是搜索還是優(yōu)先考慮您的銷售或支持人員接下來打電話，這都可以通過機器學(xué)習(xí)來處理。

模式識別：無論是形狀，聲音還是一組值范圍或事件，計算機都可以學(xué)會找到它。

一個關(guān)鍵的事情是讓一群人根據(jù)他們的技能水平為人們愚蠢。您的開發(fā)人員可能對特定的算法或技術(shù)感興趣，但您的分析師和管理人員應(yīng)該了解基本的業(yè)務(wù)問題和計算機技術(shù)。您的管理人員可能不需要了解群集的工作原理，但他們確實需要認識到問題“看起來像”群集問題。

最后，您需要定期更新教育，至少每年一次，因為功能正在擴展。

AI前提條件2：組件化

最近關(guān)于組件化的一些工具是數(shù)據(jù)科學(xué)家的“筆記本”; 很多其他工具都是從這些工具中發(fā)展出來的。這些是數(shù)據(jù)科學(xué)家及其合作者的絕佳工具。

問題是他們鼓勵在生產(chǎn)方面采取不良做法。分類算法的界面看起來與所有其他算法大致相同。特定的分類算法實現(xiàn)不會隨業(yè)務(wù)問題而變化。

就像許多公司必須弄清楚如何對每個業(yè)務(wù)問題進行一次客戶代表（而不是每個系統(tǒng)中完全不同的代表），您需要對算法做同樣的事情。這并不是說你需要提出一個真正的聚類算法，而是你要組件化不同的東西。

AI前提條件3：系統(tǒng)化

盡管所有的喧囂，大多數(shù)系統(tǒng)看起來仍然相同。有一些將數(shù)據(jù)導(dǎo)入算法的過程，一些執(zhí)行算法的過程，以及一個將結(jié)果吐出的地方。如果你為每種算法一遍又一遍地定制設(shè)計所有這些東西，你就會浪費時間和金錢 - 并為自己創(chuàng)造一個更大的問題。就像SOA改變了有多少公司部署應(yīng)用軟件一樣，在部署AI方面也需要類似的技術(shù)。

您不需要隨處可見的自定義Spark群集，以及定制的“筆記本”，以及自定義的ETL流程。無論業(yè)務(wù)問題如何，您都需要能夠完成繁重工作的人工智能系統(tǒng)。

AI前提條件4：AI / UI組件化

在后端使用RESTful服務(wù)的Java / Web UI世界中，許多UI應(yīng)該能夠混合使用AI組件。無論是基于用戶行為的推薦器還是全面的虛擬助手，您的公司都應(yīng)該構(gòu)建一個包含AI功能的UI庫，以便輕松嵌入到您的業(yè)務(wù)應(yīng)用程序中。

AI前提條件5：儀表

沒有數(shù)據(jù)，這一切都無效。讓我們不再回過頭來創(chuàng)建大而胖的數(shù)據(jù)轉(zhuǎn)儲，我們只是在HDFS上收集大量垃圾，并希望它有一天會有價值，正如一些供應(yīng)商敦促你做的那樣。相反，讓我們來看看應(yīng)該檢測哪些東西。

如果您正在制造，那么有一個簡單的起點：任何拔出手動儀表的人都在浪費你的時間。然而，即使在銷售和市場營銷方面，您也可以通過電子郵件和手機自動收集數(shù)據(jù)，這些數(shù)據(jù)顯然非常有用。而不是嘮叨銷售人員來完成數(shù)據(jù)輸入，為什么不讓系統(tǒng)自己做呢？

審核編輯黃宇