智能可能是人工的，但這種趨勢是真實的。人工智能已經成為企業實現許多目標的迫切需求的功能之一，從開發新產品和不同的產品，到提高現有產品和服務的速度、質量和效率。

人們很快發現人工智能代表了多種工具和技術。其中大部分都是利基產品，越來越多的產品具有“即插即用”功能。然而，這些技術發生的變化比人們的預期還要快。同時，由于數據驅動的企業專注于構建不同類型的人工智能，他們面臨著一些共同的挑戰。

在某些情況下，人工智能項目花費的時間太長。這可能是由于一些經常出現的障礙，其中包括沒有一個一致的平臺，或者由于缺乏人才，以及缺乏干凈、準確的數據來訓練人工智能。還有一些則在展示具有良好價值的概念和證明，但由于缺乏正式的治理，組織仍然對將人工智能部署到生產中猶豫不決。雖然有些人可能無法確定強有力的用例，但其他人試圖管理一組高度動態的用例。

企業將人工智能用于要求重大技術敏捷性和不確定性的業務模型中。

而處理這種復雜性可能就像在飛行中建造飛機一樣。如果人們不確定需要什么，那么將如何決定投資方向？采用哪些解決方案能夠滿足這些需求？以及需要哪些資源來滿足這些需求？答案在于開發企業級人工智能平臺。

企業級人工智能平臺

企業級人工智能平臺是大規模加速企業級人工智能項目實施的生命周期的框架。它為組織提供了一種結構化且靈活的方式來創建當今和長期的人工智能驅動解決方案。它還使人工智能服務能夠從概念證明擴展到生產規模系統。它通過面向服務和事件驅動架構世界的特定準則來實現整合。

如果設計良好，企業人工智能平臺將促進人工智能科學家和工程師之間的更快、更高效和更有效的協作。它有助于以各種方式控制成本，避免重復工作，自動執行低價值任務，并提高所有工作的可重復性和可重用性。它還消除了一些成本昂貴的活動，即復制和提取數據以及管理數據質量。

更重要的是，企業人工智能平臺可以幫助解決技能差距。它不僅成為新人入職的焦點，而且還有助于開發和支持人工智能科學家和機器學習工程師團隊的最佳實踐。而且，它可以幫助確保工作分配更均勻、更快完成。

在企業人工智能平臺中，元素被組織為五個邏輯層：

數據和集成層提供對企業數據的訪問。這種數據訪問是至關重要的，因為在采用人工智能過程中，開發人員不用人工編寫規則。相反，機器正在根據它所訪問的數據來學習規則。數據組件還包括數據轉換和治理元素，以幫助管理數據存儲庫和數據源。數據源可以封裝在可以在抽象層次與數據進行交互的服務中，為現有的平臺數據本體提供單一的參考點。最重要的是，數據必須具有高質量，人工智能科學家必須能夠在不依賴IT團隊的情況下構建他們所需的數據流水線，其理想情況是采用簡單的自助服務，以便他們可以根據需要進行實驗。

實驗層是人工智能科學家開發、測試和重復假設的地方。良好的實驗層為特征工程、特征選擇、模型選擇、模型優化和模型可解釋性帶來自動化。理念管理和模型管理是授權人工智能科學家合作和避免重復的關鍵。

運營和部署層對于模型治理和部署非常重要。這就是進行模型風險評估的地方，以便模型治理團隊或模型風險辦公室可以驗證，并查看模型證明模型的可解釋性、模型偏差和公平性以及模型故障安全機制。操作層包含AI DevOps工程師和系統管理員的實驗結果。它提供工具和機制來管理跨平臺的各種模型和其他組件的“容器化”部署。它還能夠監控模型性能的準確性。

智能層在運行時支持人工智能，在實驗層中處理訓練時間活動。它是技術解決方案和產品團隊與認知體驗專家一起工作的產物。智能層可以將可重用的組件（如低級服務API）公開到許多低級API的復合編排的智能產品中。智能服務的協調和交付的核心是智能層，它是指導服務交付的主要資源，并且可以簡單地作為從請求到響應的固定中繼來實現。然而，理想情況下，它使用諸如動態服務發現和意圖識別等概念來實現，以提供靈活的響應平臺，盡管認知方向不明確，但能夠實現認知交互。

體驗層通過會話用戶界面（UI），增強現實和手勢控制等技術與用戶進行交互。人工智能平臺是一個不斷增長的領域，其中包含可以為解決方案提供視覺和會話設計工作的組件。它通常由擁有傳統用戶體驗工作者、會話體驗工作者、視覺設計師和其他創造性人員的認知體驗團隊所擁有，他們通過人工智能技術創造出豐富而有意義的體驗。

以下更深入地檢查操作層，討論人工智能的治理和部署。

在操作層：管理思想、模型和配置

作為一個組織探索使用人工智能的機會，它需要一種正式的方法來跟蹤這些想法：測試可能性，捕捉可行性，并為經過測試，并確定為不成立的概念維護這些想法。

這聽起來很簡單，但潛在的想法數量和它們之間的細微差別，很快就會變得勢不可擋。為了避免這種復雜性，企業應該設計和實施一個自動化的想法管理流程，以跟蹤和管理想法和實驗的生命周期。這樣做有助于追蹤創意表現，并確保創意質量。通過提供團隊范圍的可見性來獲得成功的想法，并管理重復作品和潛在的沖突，也可以提高效率。

類似的方法可以應用于管理模型。構建真實世界的機器學習算法是復雜且高度迭代的。人工智能科學家在達到符合某些驗收標準之前可能會建立數十甚至數百個模型。現在，想象一下，沒有正式流程或工具來管理這些工作產品的人工智能科學家。

模型管理的正式流程將緩解個人和組織面臨的問題。它使人工智能科學家能夠詳細跟蹤他們的工作，為他們提供實驗記錄。這樣的過程也使他們能夠捕捉到重要的見解，從規范化影響結果到細化特征如何影響某些數據子集的性能。

在整個組織中，健全的模型管理使數據科學家能夠審查、修改并構建彼此的工作，幫助加快進度，并避免浪費時間。它還使企業能夠跨模型進行元分析，以回答更廣泛的問題（例如，“哪些超參數設置最適合這些功能？”）。

要在企業范圍內取得成功，組織必須能夠存儲、跟蹤、索引模型以及數據管道。傳統的模型管理應該擴展到包含配置管理。記錄每個模型，其參數和數據管道使模型能夠被查詢、復制、分析和共享。

例如，考慮模型管理將追蹤已經經過測試的超參數并記錄最終用于部署的內容。但是，模型管理不會同時測試什么功能被測試和丟棄，對數據管道做了哪些修改，或者提供了哪些計算資源來支持充分的培訓。

與模型管理數據一起，跟蹤這種配置信息可以加速人工智能服務的部署，同時減少重復工作。而只是通過電子表格管理模型，企業永遠不會達到這種可見度和分析水平。

使知識成為服務

企業人工智能平臺為組織提供智能服務和產品鋪平了道路，不僅允許人工智能科學家也允許所有員工和客戶使用他們需要的工具或工具組合。

不會受到任何一種人工智能類型或解決方案的束縛，它可以快速配置高性能環境，以支持幾乎任何種類的人工智能。簡而言之，它將人工智能從一系列有限點解決方案轉變為企業能力，隨著時間的推移，它可以定制和部署以實現業務目標，并可以不斷改進。

隨著人工智能成為每個數據驅動型組織的中流砥柱，必須以敏捷性和可擴展性為重點進行戰略管理。最成功的組織將是那些花時間為企業構建企業級人工智能平臺的企業。采用這種方法，他們不僅可以在當今更快地提供更多的價值，也可以在未來獲得新的機會。

通過企業級人工智能平臺（而不是獨立工具的拼湊），企業將能夠很好地應對人工智能使用案例和其他新興支持技術的進步。