在追趕AI浪潮時髦之前，要先問自己三個問題

大資料文摘出品

文章來源：medium

編譯：楊威、蔣寶尚

稍微有點想法的公司不是已經部署了AI專案就是在部署AI專案的路上。確實，在全面商業化的今天，這種激情促進了人工智慧的普及，也在一定程度上降低了企業的成本，提高效率。

尤其，有些自動化工具的出現，例如谷歌的Auto系列，使得那些非技術專家也能採用AI的解決方案。

但是，在趕AI浪潮時髦之前，還是要問問自己以下三個問題：

• 任務是否屬於資料驅動型？

• 是否有足夠的資料來支援AI驅動的解決方案？

• 是否瞭解AI的工作原理？

如果對於上面的三個問題，沒辦法做到心中有數，那麼就要掂量掂量所做的AI專案是否能夠成功。

如果你能夠對這三個基本問題說YES，那麼，恭喜你，你可以嘗試構建AI解決方案了。

通常來說，啟動AI解決方案有三個基本選項可供參考：

• 用AI-aaS解決方案，例如Amazon AI（Rekognition），Google Cloud Vision或IBM Watson。它們提供一定的AI功能，主要通過API實現文字和影像識別。

• 與第三方應用的AI公司合作，這些公司專注於更廣泛，更個性化的垂直AI服務。

• 使用內部團隊和資料從頭開始建立屬於自己的機器學習系統。這主要適用於跨國公司以及AI對其核心價值和收入至關重要的組織。

採用第二種方案是大多數企業的選擇，因為對比收益和風險，第二種方案帶來的回報合算。第三種方案風險最大，當然帶來的收益也是最大的，畢竟風險和收益成正比。

那麼，如何正確認識一個AI專案，如何為AI專案選擇最高效的解決方案，讀讀下面幾條經驗，相信你會找到答案。

不積跬步無以至千里

重整傳統業務流程徹底向AI轉型聽起來確實很有魄力。但是，從概率上來講，這種方式失敗的概率也是最大的。

實際上，最明智的做法是從小專案中獲得經驗，然後厚積薄發，為更大，更復雜人工智慧專案奠定堅實的基礎。此外，強烈建議關注一些成功和成熟的專案，畢竟，他們大多數具有可靠的投資回報率。

儘量避免使用有過多變數和潛在結果的任務。在專案中，先把注意力集中在流程的一小部分，而不是整個流程。即使在今天，用單一的AI解決方案替換完整的流程仍然是非常困難的，更何況是設計一套這樣的系統。最好的辦法是採用化整為零：將完整的凌流程分解，然後逐個擊破。

此外，在開展此任務的時候，要想想自動化的任務是否允許重複以及容忍低成本的錯誤。

明確自己想要的

每個人可以對同一問題以及如何解決問題有不同的看法。但是，缺乏明確的願景可能會阻礙成果的充分實現。建議多花時間定義目標。明確你想要實現什麼以及為什麼？

讓合適的人員參與過程的定義。這些人員必須是業務決策者和資料科學家之，因為只有他們才能真正瞭解業務案例。

如果開發人員不是機器學習專家，如果開發人員和資料科學家之間存在差異。這時候作為企業的領導，就需要確保AI易於使用並有一套長期解決方案。

機器學習可以用很多不同的方法來進行，但是正確的解決方案將取決於對問題的良好理解。如果缺乏必要的人力資源，強烈建議採用外包服務。實際上，確定不同過程需要什麼樣的人工智慧，以及這些過程是以內部，外包還是合作實施的方式實現，是制定戰略的重要一步。

如果在組織內部開發AI解決方案，不要忘記學習曲線的陡峭性，因為實施方案所需資源的成本可能非常高。例如，一個簡單的識別模型解決方案的開發成本可能非常高。但是在市場上，這些方案依賴於現有軟體服務或平臺。

技術團隊非常重要

如果外包AI解決方案的開發，那麼讓技術和業務專家參與開發過程是明智之舉。此外，資料科學家，資料工程師和作業系統工程師需要團結一致，因為他們能夠提供充分的技術環境，幫助你完美使用解決方案。

此外，AI解決方案必須具有內建的反饋迴圈機制，以便可以糾正AI的預測和輸出。

最後，構建的AI工具互動介面，必須易於使用，可擴充套件且安全。

AI專案失敗的經驗教訓

根據我的經驗，大多數AI專案出問題都因為以下因素造成的：

在大多數人工智慧專案中，公司傾向於忽視“人”的因素。事實上，人工智慧不只是關於框架，資料和演算法，它也與人有關。行政領導的支援以及關鍵AI崗位的合適人才非常重要。在開發方面，可以利用人力和機器智慧來建立機器學習模型。讓人類直接參與訓練，調整和測試特定ML演算法的資料能夠培養“AI直覺”。

值得注意的是，成功的專案總有一個共同點，即新的AI部署始終在一小組員工中進行測試，因為他們提供有關係統介面的真實反饋。

資料問題

大多數專案都基於機器學習，因此大量的資料是必須的。通過足夠的資料，就可以利用模型來預測未來的決策，而這正是公司所尋求的。

在開始人工智慧之旅之前，必須確保所有作業系統中的資料都流水線化並儲存在大資料儲存系統中，方便供AI解決方案使用。

需要多少資料？這取決於資料的質量以及專案的實際情況。如果沒有足夠的標籤資料，就需要開始以結構化的方式收集因素和決策，以便可以在不久的將來將它用於AI平臺。

另一個問題可能是資料集。

擁有正確的資料集至關重要。但是，資料集的大小不是真正的問題，範圍才是。AI的挑戰不在於實施，最重要的問題是如何訓練AI？這就是為什麼需要花時間確保資料與AI解決方案相容的原因。

此外，投資AI轉型所需的基礎架構硬體也是必須的。機器學習需要高水平的計算能力，以及高頻寬和儲存系統。

AI提供公司發展的絕佳機會。但是，它也很容易出錯，畢竟它是一種新的複雜技術。如果你對某種解決方案感興趣，但是忽略了資料和技術，那就不要在問題面前提出承諾，因為這可能是一個糟糕的解決方案。建議花點時間思考，不要急於開發人工智慧。

相關報導：

https://medium.com/predict/what-i-have-learned-after-several-ai-projects-131e345ac5cd

來自 “ ITPUB部落格 ” ，連結：http://blog.itpub.net/31562039/viewspace-2565260/，如需轉載，請註明出處，否則將追究法律責任。