超越炒作：如何让AI和ML为企业带来切实的成果

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

十多年来，各类企业从小型初创公司到大型企业，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，让人类员工专注于更高层次的任务。

然而，十年过去了，许多企业发现AI的前景仍然只是一个承诺。虽然这些组织已经采取了加速数字化转型的步骤，但几个常见的陷阱经常使AI/ML的梦想无法实现。

什么是阻碍AI和ML变革潜力的最大因素？

• 缺乏组织： 实现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；企业如果收集了大量数据但没有计划如何组织、分析和利用它，那么这些数据就变得毫无用处。发现石油但没有办法提取和加工它有什么价值呢？
• 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成本可能很高。这导致一些企业采用零碎的方式来集成AI工具，而没有考虑如何将单个解决方案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推广，但它们的成功取决于公司上下对它们的认可和支持。早期采用者需要为更广泛的采用做好准备，建立必要的纪律和流程，使新工具的集成尽可能顺利。

过去一年表明，在数字化转型和通过AI和ML自动化常规方面，没有时间可以浪费。根据Fortune Business Insights的报告，预计到2027年，全球人工智能市场将达到2670亿美元，较2019年的270亿美元增长近十倍。COVID-19疫情引发的远程工作长期转变推动企业采用新解决方案；Twilio的COVID-19数字参与报告发现，97%的高管表示疫情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，真正将这些工具运用起来？几个技术和策略可以带来不同：

1. AIOps，MLOps，DataOps

在技术或应用程序上添加“-Ops”可能会制造出新的流行词汇，但并非所有这些新兴解决方案都是空话。事实上，AIOps、MLOps和DataOps等策略可以提供组织收集的所有数据的解决方案。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，极大地简化了从新解决方案中获取价值所需的知识和努力。对于企业来说，正在迈出第一步进入AI/ML领域并希望快速跟上进度的企业，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背景的要求。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被自动化？AI和ML成功的一个关键方面是改进的理念：随着这些工具在工作中学习和整合更多数据，它们可以不断提高性能并提供更好的结果。AutoAI和AutoML在无需人类输入的情况下执行此改进过程，创造了一个无尽的美好循环。人类可以检查模型的性能以防止偏差并确认工具是否满足企业的需求，但AutoML使员工能够在日常工作中承担其他挑战。

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领域即将迎来一个转折点，这将带来新的应用场景的爆发。企业必须准备好应对这些新兴技术；那些现在没有做好准备的企业将会被那些做好了准备的竞争对手甩在后面。