轉向AI優先戰略的五種方法

根據Gartner的資料，2022年人工智慧將在全球範圍內創造2.9萬億美元的商業價值和62億小時的工人生產力。許多公司都以人工智慧優先戰略為目標，機器學習除了最佳化業務流程外，現在也被用來重新思考商業戰略。AI優先戰略使人工智慧成為公司的核心，用於最佳化預測、客戶支援、營銷、產品、製造、故障檢測，並學習客戶的偏好和創新方法，以創造競爭優勢。

在理想情況下，AI將協助決策的每個階段，完全嵌入到系統中，對員工和客戶完全透明。但要實現這一目標，需要公司發生根本性的變化，包括自上而下的思維方式轉變，以及實施MLOps工具，以幫助IT團隊克服技術障礙，這些障礙會阻礙AI發揮其全部潛力。

以下是一個公司可以採取的五個步驟，以轉變為AI優先戰略。

1. 使人工智慧成為業務的中心。成功採用人工智慧有賴於強有力的行政領導的支援。建立跨職能的團隊，除了技術貢獻者外，還有主題專家，如放射科醫生或保險專家。與人工智慧專案有關的所有專業人員，包括業務使用者、軟體工程師、資料科學家、資料分析師、測試人員、架構師和產品經理都需要參與進來，這樣組織就可以更快地利用人工智慧，機器學習模型可以更順利地進入生產。

2. 讓人工智慧長期發揮作用。模型通常由資料科學家在理想條件下設計，從研究到生產的落地是困難的，很多時候這是第一個障礙。如果這一步成功了，那麼我們就有了維護方面的挑戰，許多人工智慧專案由於缺乏乾淨可靠的資料，直接訪問不同型別的資料儲存，以及計算資源的短缺而碰壁。當資料科學家建立模型時，他們應該與DevOps團隊合作，為資料管理、部署和AI系統監控制定一個更長期的計劃，以確保成功實施和順利地持續維護和運營。

3. 儘量減少繁瑣的資料準備任務。為了使人工智慧系統能夠投入生產，需要進行巨大的資料準備、整合和模型訓練，這消耗了訓練有素的資料科學家大量的時間。這些任務中有許多可以自動化，以簡化資料管道，更容易地將工作負載從研究轉移到生產，檢測效能的下降，或檢測結果的漂移，表明需要用更完整或更新鮮的資料重新訓練模型。

4. 利用現成的人工智慧。以前，由於技術艱難以及人才難得，只有像谷歌和Facebook這樣的大公司才有雄厚的資金來實現人工智慧/ML模型。今天，許多公司正在為研究探索和大規模生產部署提供尖端的開源框架、工具、庫和模型。那些能夠快速利用和定製計算機視覺、語言處理、語音識別和其他常用功能的開源解決方案的公司，走在了前面。

5. 實施最佳價效比策略。今天的基礎設施環境是一片叢林，有無數計算選項組合，資料科學家可以利用不同的人工智慧工作負載，包括CPU、GPU、人工智慧加速器、雲、本地部署、混合雲、協同定位等。因此，為了以合理的價格實現高效能，實施落地時會有很多複雜性和不可預見的挑戰。瞭解人工智慧的預算情況，選擇最具成本效益的基礎設施，可以降低人工智慧的總成本，加速創新，控制風險，並加快進入市場的時間。

隨著新的網路經濟的發展，在2022年，企業將競相利用人工智慧帶來的洞察力，透過真正的資料驅動，變得更有競爭力。儘管過去的一年很困難，但它證明了資料分析是獲得更好商業決策的關鍵，最近的發展加速了公司創新以實現業務數字化轉型的程式。

透過使AI成為整個IT組織的核心，企業可以在利用AI作為戰略資源方面更進一步，以便在短期內和未來幾年內獲得全部利益。

作者Orly Amsalem是cnvrg.io的人工智慧創新和業務發展副總裁