IBM 商業(yè)價(jià)值研究院的調(diào)研數(shù)據(jù)表明：

–積極采用AI的企業(yè)從四年前的26%增至2020年的44%（保守估算）。

–疫情期間，84%的企業(yè)表示對(duì)AI的關(guān)注度與以前差不多或高于以前的水平。

–受疫情影響，近1/3的企業(yè)計(jì)劃增加對(duì)AI的投資。

看到 AI 未來(lái)應(yīng)用前景的并非 IBM 獨(dú)家。IDC 預(yù)測(cè)，2020年，全球總體 IT 支出會(huì)下降，但是 AI 支出卻有所增長(zhǎng)，四年內(nèi)支出將翻一番。然而，企業(yè)推進(jìn) AI 的進(jìn)程卻十分艱難。再請(qǐng)看這樣一組數(shù)據(jù)：

90%的企業(yè)仍難以在整個(gè)組織范圍擴(kuò)展 AI。

大約50% 的 AI項(xiàng)目無(wú)疾而終。

如何在企業(yè)內(nèi)成功擴(kuò)展 AI，充分發(fā)揮 AI 應(yīng)有的價(jià)值？IBM 商業(yè)價(jià)值研究院最新報(bào)告《擴(kuò)展AI的公認(rèn)概念：從試驗(yàn)變?yōu)楣こ淘瓌t》為你答疑解惑，指明出路。

AI 擴(kuò)展失敗的三大原因

AI 的成功擴(kuò)展是指項(xiàng)目從沙箱過(guò)渡到試點(diǎn)和最小可行產(chǎn)品 (MVP)，最終實(shí)現(xiàn)工業(yè)級(jí)商品化的整個(gè)歷程。

下圖展示了非常典型的企業(yè) AI 計(jì)劃的軌跡。對(duì)處于 AI 采用早期階段的企業(yè)而言，將 AI 作為原則的緊迫感或許并不明顯，所以，企業(yè)常常深陷 AI 試點(diǎn)和概念證明階段而無(wú)法自拔，在一些看似讓人興奮但卻孤立的案例中零敲碎打地應(yīng)用 AI，不斷嘗試卻沒(méi)有結(jié)果。

錯(cuò)！

傳統(tǒng)低效的應(yīng)用開(kāi)發(fā)模式。模型開(kāi)發(fā)工作在數(shù)據(jù)科學(xué)家的筆記本電腦上完成，統(tǒng)籌任務(wù)則使用自定義代碼和腳本人工臨時(shí)實(shí)施。最終結(jié)果是，數(shù)據(jù)團(tuán)隊(duì)（科學(xué)家、工程師及其他人員）被迫沿用低效的工作方式。他們承受繁重的人工任務(wù)，比如將機(jī)器學(xué)習(xí) (ML)模型移交給開(kāi)發(fā)人員，以便最終在后者開(kāi)發(fā)的應(yīng)用中運(yùn)行。這會(huì)減緩基于 ML 應(yīng)用的交付速度，降低 AI 投資的業(yè)務(wù)回報(bào)。

錯(cuò)！

在投入生產(chǎn)環(huán)境之前，AI 項(xiàng)目往往是像一個(gè)孤島，開(kāi)發(fā)人員與利益相關(guān)方之間脫節(jié)。倘若不明確特定數(shù)據(jù)的擁有者和控制者，問(wèn)題勢(shì)必會(huì)進(jìn)一步加劇。

錯(cuò)！

某些 AI 團(tuán)隊(duì)相對(duì)較新，角色和職責(zé)仍不明確，上下級(jí)關(guān)系“紛繁復(fù)雜”，甚至在同一部門(mén)內(nèi)也會(huì)采用各種不同的工具。哪怕是成熟團(tuán)隊(duì)，也要與不同的群體和利益相關(guān)方進(jìn)行互動(dòng)。而要實(shí)現(xiàn)清晰精準(zhǔn)的溝通無(wú)疑非常困難。

企業(yè)如何才能避免 AI 的低谷期，加快擴(kuò)展 AI 的步伐，充分發(fā)揮 AI 應(yīng)有的價(jià)值？

借助結(jié)構(gòu)化方法避開(kāi) AI 低谷

眾所周知，AI 是一項(xiàng)復(fù)雜的多領(lǐng)域業(yè)務(wù)和技術(shù)創(chuàng)新，包含多個(gè)互連而且不斷變化的層面。任何一個(gè)方面都無(wú)法僅憑一己之力就確保將 AI 項(xiàng)目成功投入商業(yè)使用。這時(shí)候，普通的“變革管理”恐怕難以奏效。符合業(yè)務(wù)戰(zhàn)略的“鎮(zhèn)痛良方”也不行。哪怕久經(jīng)考驗(yàn)的“流程改進(jìn)”甚至更前衛(wèi)的“敏捷方法”也不足以解決問(wèn)題 ― 無(wú)論整理多少西格碼和意大利面條圖，抑或組織數(shù)次討論和沖刺活動(dòng)都無(wú)濟(jì)于事。

企業(yè)真正需要的是，徹底改變AI的角色：過(guò)去，人們將 AI 視為最新技術(shù)魔法的化身而敬而遠(yuǎn)之，現(xiàn)在，必須將 AI 作為戰(zhàn)略能力融入到整個(gè)企業(yè)之中。

企業(yè)亟需停止匆忙實(shí)施的數(shù)據(jù)科學(xué)試驗(yàn)，開(kāi)始全面周密地采用 AI 技術(shù)― 將 AI 植根于業(yè)務(wù)戰(zhàn)略、創(chuàng)新活動(dòng)和差異化競(jìng)爭(zhēng)優(yōu)勢(shì)之中；深度整合至不斷發(fā)展的業(yè)務(wù)運(yùn)營(yíng)模式和工作流程、組織架構(gòu)和治理機(jī)制、數(shù)據(jù)架構(gòu)和基礎(chǔ)架構(gòu)乃至文化價(jià)值觀和道德規(guī)范之中。

我們建議企業(yè)采用更為嚴(yán)謹(jǐn)?shù)慕Y(jié)構(gòu)化方法，即“AI 工程和運(yùn)營(yíng)”，它涵蓋四個(gè)高層級(jí)的重點(diǎn)領(lǐng)域，以及許多基本原則、流程和工具，用于指導(dǎo) AI 計(jì)劃大規(guī)模投入生產(chǎn)運(yùn)營(yíng)。見(jiàn)下圖。

AI 工程和運(yùn)營(yíng)

設(shè)計(jì)

專(zhuān)為改善易用性而設(shè)計(jì)的人與 AI 互動(dòng)體驗(yàn)，配備標(biāo)準(zhǔn)工具集和方法，旨在提高 AI 項(xiàng)目實(shí)現(xiàn)價(jià)值的速度和質(zhì)量標(biāo)準(zhǔn)。

部署

自動(dòng)執(zhí)行部署工作的框架，旨在提升效率和可審計(jì)性。

監(jiān)控

技術(shù)和質(zhì)量關(guān)鍵績(jī)效指標(biāo) (KPI) 和流程，定期進(jìn)行衡量和對(duì)標(biāo)。

嵌入

用于檢查模型中偏見(jiàn)的方法、AI 模型用于直觀呈現(xiàn)決策的工具以及更廣泛的企業(yè)道德準(zhǔn)則

簡(jiǎn)而言之，“AI 工程和運(yùn)營(yíng)”這種方法有助于企業(yè)建立重點(diǎn)明確的環(huán)境，以結(jié)構(gòu)化方法引導(dǎo)項(xiàng)目從開(kāi)發(fā)到生產(chǎn)的整個(gè)過(guò)程，切實(shí)發(fā)揮 AI 在生產(chǎn)領(lǐng)域的巨大潛力，最終實(shí)現(xiàn)商業(yè)效益。

RedHat：借助開(kāi)源概念在軟件中應(yīng)用AI

與所有典型的科技公司一樣，RedHat 很早就對(duì) AI 和機(jī)器學(xué)習(xí)（ML）表現(xiàn)出極大的興趣，積極探索如何將這些技術(shù)應(yīng)用于自己的產(chǎn)品和服務(wù)，為客戶帶來(lái)切實(shí)收益。

但大約四年前，一切都變了。從那時(shí)起，RedHat 開(kāi)始重點(diǎn)研究如何將 AI 融入自己更廣泛的產(chǎn)品組合，確保實(shí)現(xiàn)互操作性，滿足客戶在容器和 Kubernetes 中運(yùn)行 AI 和ML 工作負(fù)載的不斷增長(zhǎng)的需求。

RedHat 加大了在自己的平臺(tái)上運(yùn)行 AI 的力度，為 OpenData Hub 打下堅(jiān)實(shí)基礎(chǔ)。OpenData Hub 是依托 AI 工程原則的元項(xiàng)目，將開(kāi)源項(xiàng)目整合至實(shí)際解決方案之中，并由 AI 生態(tài)系統(tǒng)合作伙伴加以補(bǔ)充。開(kāi)源社區(qū)可試驗(yàn)并開(kāi)發(fā)智能應(yīng)用，既可避免高昂的成本，又能解決現(xiàn)代 ML 和 AI 軟件組合所帶來(lái)的復(fù)雜性。

為搭建業(yè)務(wù)架構(gòu)和推行戰(zhàn)略，RedHat 成立了 AI 人才中心(CoE)。該組織經(jīng)過(guò)擴(kuò)充后，新成立了“早期部署工程團(tuán)隊(duì)”，動(dòng)員頂級(jí)數(shù)據(jù)科學(xué)家通過(guò)服務(wù)互動(dòng)模型，為客戶提供創(chuàng)新成果和可觀價(jià)值。隨著工作的深入，他們?cè)黾恿斯こ淘瓌t。運(yùn)用 DevOps 和敏捷方法強(qiáng)化并規(guī)范企業(yè)的 AI 開(kāi)發(fā)方法。

目前，RedHat 通過(guò)“開(kāi)放創(chuàng)新實(shí)驗(yàn)室”與客戶合作開(kāi)展 AI/ML 項(xiàng)目，采用最先進(jìn)的開(kāi)源技術(shù)。例如：

–AICoE 幫助某汽車(chē)行業(yè)客戶開(kāi)發(fā)了一個(gè)平臺(tái)，憑借可擴(kuò)展的 ML 和大數(shù)據(jù)處理能力，更快速、更準(zhǔn)確地進(jìn)行駕駛模擬和數(shù)據(jù)分析。他們?cè)诙潭倘齻€(gè)月內(nèi)就完成了平臺(tái)配置和創(chuàng)建。

–AICoE 為某醫(yī)療保健行業(yè)客戶打造了一個(gè)預(yù)測(cè)和治療優(yōu)化平臺(tái)，實(shí)時(shí)收集和分析臨床數(shù)據(jù)并提醒看護(hù)者啟動(dòng)早期護(hù)理。

RedHat 的經(jīng)歷表明，開(kāi)源技術(shù)依托結(jié)構(gòu)化的 AI 方法獲得了新生。

構(gòu)建 AI 能力之行動(dòng)指南

盡管讓 AI 走出實(shí)驗(yàn)室并全面投入生產(chǎn)環(huán)境絕非易事，但我們確定了一些關(guān)鍵行動(dòng)供企業(yè)參考，以期加快擴(kuò)展 AI 的步伐，切實(shí)發(fā)揮AI在生產(chǎn)領(lǐng)域的巨大潛力，最終實(shí)現(xiàn)商業(yè)效益。

針對(duì)資歷較淺的 AI 采用者（處在考慮/評(píng)估和試點(diǎn) AI 階段的企業(yè)）的實(shí)踐方法：

開(kāi)始行動(dòng)：開(kāi)發(fā)工作通常可分成“小塊”并行完成。

從小規(guī)模入手，但在設(shè)計(jì)中考慮到擴(kuò)展。

采用工程原則：比如采用 DevOps 或其他軟件工程方法。

制定成功衡量標(biāo)準(zhǔn)：根據(jù)關(guān)鍵成功因素和重大風(fēng)險(xiǎn)確定指標(biāo)，保證開(kāi)放透明。

任命強(qiáng)有力的領(lǐng)導(dǎo)團(tuán)隊(duì)。

針對(duì)資歷較深的 AI 采用者（處在實(shí)施、運(yùn)行和優(yōu)化 AI 階段的企業(yè)）的實(shí)踐方法：

制定AI 行動(dòng)手冊(cè)。

持續(xù)記錄和改進(jìn)。

監(jiān)控模型- 持續(xù)監(jiān)控AI模型的可解釋性、公平性和強(qiáng)健性。

大規(guī)模創(chuàng)新。

與生態(tài)系統(tǒng)合作伙伴合作。

關(guān)于 IBM 商業(yè)價(jià)值研究院

IBM 商業(yè)價(jià)值研究院 (IBV) 站在技術(shù)與商業(yè)的交匯點(diǎn)，將行業(yè)智庫(kù)、主要學(xué)者和主題專(zhuān)家的專(zhuān)業(yè)知識(shí)與全球研究和績(jī)效數(shù)據(jù)相結(jié)合，提供可信的業(yè)務(wù)洞察。IBV 思想領(lǐng)導(dǎo)力組合包括深度研究、對(duì)標(biāo)分析、績(jī)效比較以及數(shù)據(jù)可視化，支持各地區(qū)、各行業(yè)以及采用各種技術(shù)的企業(yè)做出明智的業(yè)務(wù)決策。

責(zé)任編輯：lq