超越炒作：将 AI 和 ML 运营化以实现商业成果

作者：Krishnan Venkata，数字分析公司 LatentView Analytics 的首席客户官。

十多年来，从小型初创公司到大型企业，各类企业都在谈论人工智能（AI）和机器学习（ML）的前景。根据这些预言，AI 和 ML 将改变现代工作，自动化日常流程，并让人类员工专注于更高层次的任务。

十年后，对于许多企业来说，AI 的前景仍然只是一个承诺，而不是现实。虽然许多组织已经采取措施加速数字化转型努力，但一些常见的陷阱经常使 AI/ML 的梦想无法实现。

是什么因素阻碍了 AI 和 ML 的变革潜力？

• 缺乏组织： 实施成功的 AI 策略的第一步是收集数据。但同样重要的是规划数据的组织；那些积累了大量数据但没有计划如何组织、分析和利用它们的企业，只能得到一个未经加工、几乎无法使用的资源。没有办法从地下提取或加工石油，那么发现石油又有什么价值呢？
• 零碎的采用： 虽然数字化转型承诺长期的成本节约，但采用新技术的初始价格可能很高。这导致一些企业采用零碎的方式来集成 AI 工具，而没有考虑到单个解决方案如何融入更大的路线图中。
• 缺乏流程/纪律： AI 和 ML 解决方案自然会被公司内的特定领导者倡导和引入，但它们的成功取决于从上到下的机构认可。早期采用者需要为更广泛的采用做好准备，建立必要的纪律和常规，以使新工具的集成尽可能顺利。

过去一年已经证明，在数字化转型和通过 AI 和 ML 自动化例行程序方面，没有时间可以浪费。根据 Fortune Business Insights 的报告，预计到 2027 年，全球人工智能市场规模将达到 2670 亿美元，相比 2019 年的 270 亿美元增长了近十倍。COVID-19 大流行引发的远程工作长期转变迫使企业采用新的解决方案；Twilio 的 COVID-19 数字参与报告 发现，97% 的高管表示，大流行加速了他们的数字化转型努力。

那么，什么将使企业超越 AI 和 ML 的炒作，真正将这些工具运营化？一些技术和策略可以使其成败：

1. AIOps，MLOps，DataOps

将 -Ops 附加到技术或应用程序上，是创造一个新流行词的可靠方法，但并非所有这些新兴解决方案都是虚无缥缈的。事实上，AIOps，MLOps 和 DataOps 等策略可以提供组织所有收集到的数据的解决方案。这些工具将敏捷管理的原则应用于 AI、机器学习和数据管理，简化了从新解决方案中获取价值所需的知识和努力。对于首次进入 AI/ML 领域并希望快速上手的企业，这些策略是必不可少的。

2. 低代码/无代码

最复杂和细致的 ML 模型将始终需要专门的开发人员和数据科学家来确保其成功。然而，许多企业面临的挑战并没有那么复杂，可以通过更简单的一刀切 AI 解决方案来解决。低代码和无代码平台降低了对软件开发经验有限的员工的进入门槛。无代码工具使任何员工都可以通过直观的拖拽平台构建推荐引擎等解决方案，而低代码平台可以使用仅几行代码执行复杂任务。

3. AutoAI 和 AutoML

如果人工智能和机器学习自动化业务流程，那么为什么它们自己需要自动化？AI 和 ML 成功的一个关键方面是改进的概念：随着这些工具在工作中学习和集成更多数据，它们可以逐步改进其性能并提供更好的结果。AutoAI 和 AutoML 在无需任何人工输入的情况下执行此改进过程，创建了一个无休止的美德循环。人类可以检查模型的性能以防止偏差并确认该工具是否满足企业的需求，但 AutoML 可以让员工在日常工作中处理其他挑战。

随着芯片制造商和软件公司在自然语言处理方面取得突破，AI/ML 领域正在达到一个转折点，这将导致新用例的爆发。企业必须准备好应对这些新兴技术；那些现在没有把自己的内部事务安排好的企业将会被那些做得好的竞争对手抛在后面。