在進行任何AI/ML部署之前，組織需要將其資料科學的研究工作與專案管理的最佳實踐相結合。
在2019年1月，Gartner釋出了一項調查，37%的受訪者表示他們已經在某種程度上使用了人工智慧(AI)，但54%的受訪者表示，他們所在組織的技能短缺阻礙了他們積極推進使用人工智慧的程式。
這裡指的並不是資料科學家，他們仍然供不應求，並且正在積極地被僱傭，而是指許多組織沒有使用IT專案的方法來實施他們的AI工作，以確保專案滿足他們的業務目標。
“我們看到很多資料科學團隊正在研究許多並行的ML和AI計劃，但是很少有人將模型部署到實際的生產應用程式當中，”專攻機器學習(ML)訓練資料的Alegion執行長Nathaniel Gates表示。
Gates補充說，高技能的資料科學家可能缺乏資料準備和專案管理方面的實際業務經驗。“他們擅長概念化、構建和測試AI和ML演算法，”他繼續說道。“但是我們通常不會在這些資料科學團隊當中發現太多的人工智慧專案專家。所以他們往往缺乏為人工智慧和機器學習準備資料的實際經驗。”
在進行任何的AI/ML部署之前，組織需要將其資料科學的研究工作與其專案管理的最佳實踐相結合。
如何改進部署
以下是組織改進人工智慧部署的五種方法。
1.開發一個內部切換流程，將初始資料科學演算法和早期資料工作轉換到IT專案管理當中
這種切換將確保資料質量和數量準備，並將專案置於熟練的專案經理的管理之下。
2.將人工資料評估和機器學習自動化與您的資料結合使用
瞭解資料的技術人員在資料質量評估中是非常寶貴的，但是他們可能缺乏審查所有資料演算法流程的能力。因此，採用機器學習形式的資料評估自動化是至關重要的，機器學習可以由人類專家進行訓練，以評估資料的質量。
3.為您的ML使用敏捷開發方法
人工智慧專案應該在可管理的sprint中進行，允許快速迭代地規劃、構建和測試人工智慧應用程式的各個部分。
“對於成功的ML開發來說，關注持續迭代改進的敏捷開發方法是必不可少的，”Gates說。
4.集中您的AI和ML資料
“我們合作過的最成熟的公司已經將他們對人工智慧的ML訓練資料需求合併到了一個集中的共享服務當中，該服務可以在企業內的眾多資料科學專案中被使用，”Gates說。
5.使用熟練的專案經理
AI和ML團隊應該由能夠執行專案管理方法和最佳實踐的專案經理來擴充。
“AI和ML團隊常常沒有懂得如何在團隊之外的組織中進行運作的成員，”Gates表示。“我們一直在與資料科學家交談，他們知道自己需要大量的ML訓練資料，完全理解為什麼他們無法用現有的團隊來生成這些資料，但是卻對組織的預算、採購和專案管理流程一無所知。”