人工智能项目的准备和实施可能需要很多年。最新数据显示，只有28%的受访者表示第一年已经过了AI规划阶段。这是由多种因素造成的，包括技术的相对成熟(至少在不断扩展的行业用例中)、涉及的复杂性，如广泛的集成需求、有限的企业经验和缺乏内部技能集、关注点和AI偏见、治理、风险和合规性问题以及广泛的变更管理需求等。

无论是作为企业创新计划的一部分，还是作为数字化转型计划的一部分，都非常注重证明急功近利，长期的AI项目可能会影响比自身规模更大的计划的声誉。随着首席信息官在产品管理方法上从“项目到产品”的转变，这些冗长的AI项目也可能会推迟创新的内部或外部新产品的发布。

为了快速赢得这一重要赋能技术的胜利，并进一步推动将更多资金投入更广泛的数字转型和创新计划的业务案例，首席信息官可以通过以下五种方式快速跟踪其AI实施情况：

首先要做的决定之一是建造或购买。虽然我们已经听到了很多关于自建AI的平台、基础设施和框架的信息，但无名英雄通常是提供基于云的AI服务的专业AI提供商，能够根据您的具体需求快速培训和部署用例。建造或购买的决定实际上是基于人工智能作为未来核心能力对您的组织的重要性。

例如，虽然每个金融服务公司都应该关注AI的“所有权”和“非所有权”之间的数字和财务差距(请参考“采用反直觉的方法进行业务战略和技术部署”)，但并不是每个公司都需要在内部构建自己的算法。规模较小的商店可以有效地更加专注于将第三方人工智能技术纳入其核心工作流程(如贷款承销)的业务优势和结果，而无需建立自己的内部人工智能/ML专业知识。

简而言之，这意味着ML行算法每行有1000个属性，而10000行数据每行有1000个属性。根据保险商的说法。AI，mark stein CEO，公司专注于人工智能应用的进展，提供具有非线性和信用风险的动态模型贷款，但并不是很简单，“越多越好”。数据类型和数量必须与算法类型相匹配。深度学习需要大量记录才能有效，而基于统计的算法可以更好地处理较小的数据集。

如果用AI来建模人类决策模型，请尽可能多的获取数据，保证每个数据域都有其价值，并高度重视数据质量和一致性。这可能很耗时，尤其是当从许多不同的来源绘制时，但是如果您尽可能早地进行彻底设计，就可以避免大量昂贵的返工。

从技术上讲，调用AI API传递新的数据集并获取分数非常简单，但更难的是变更管理和培训，这样业务分析师才能最好地解释这些分数，并将新的流程融入到日常工作流程中。

尽管某些形式的人工智能可能会产生自动决策，例如根据信用历史对新贷款做出“是”或“否”的决策，但ML算法通常会提供更微妙的响应。这种反应可能需要与现有的人工流程相结合，以最好地确定贷款。例如，人工智能“分数”可以是从“a”到“d”和“f”的等级。“a”和“f”可能是确定的“是”或“否”决策，可以完全自动化进行实时决策，但从“b”到“d”的等级可能仍需要人工核保。

正如你花时间培训分析师使用新的财务模型，以及如何最好地解释模型的结果一样，基于AI的结果也是如此。业务分析师可能会花费数周甚至一个月的时间观察ML算法返回的结果，因此他们有一个如何最好地解释分数的基准。如果你与AI供应商合作，供应商可以提供如何解读结果以及如何培训员工以从新系统中获得最大利益的指导。

Stein认为，理解AI不是魔法是非常重要的。这只是一个识别过去行为模式的过程，可以让未来的预测更加准确。只有当一个企业有明确的问题和易于理解的成功衡量标准时，它才能成功。比如“我们需要降低以损失率衡量的贷款违约率”或者“我们需要从目前的32.5%的转换率提高转换率”等等。如果你不完全理解这个问题，你也不会理解解决方案。

因为每个人工智能实现都是唯一的，所以假设和测试rdquo是很重要的。

;的心态进入每个项目，而不是将项目视为彻底的成功或失败。通过在每个步骤进行假设并将每个步骤的经验带入下一个迭代，您可以快速优化您的AI部署，直到它成为可以提供有意义结果的可行解决方案为止。

虽然假设和测试方法会延长项目部署时间，但好处是您会不断调整解决方案，以吸收实际经验教训，以符合客户和员工的要求，并持续转向最引人注目的业务使您的解决方案具有可持续性的案例。

当您开始进行初步的AI试验，概念验证或MVP时，请记住，您组织在企业范围内AI方面的未来愿景很可能是多种自动化类型的融合，从完全手动的过程一直到最后，对于那些使用机器人过程自动化(RPA)来开发更复杂AI的人。通常是从头开始重新发明业务流程，然后在每个新步骤中应用最佳工具完成工作的情况。只是将RPA或AI插入未更改的现有业务流程中，很可能会错过一切。

另一个重要因素是每个工具之间发生的切换。这可以是人对机器或机器对机器。通过优化切换并使其快速，无缝和可靠，您可以进一步增强未来的业务流程，使其与您的业务目标和市场要求一样具有成本效益和竞争力。

好消息是，可以快速跟踪AI的实现，但这并不一定是使AI变得更聪明。这是关于做出正确的选择，例如构建与购买，对数据质量(以及客户)着迷，花足够的时间进行变更管理，及早介入业务，采取“假设和测试”的方法，最终将多种自动化技术结合到您的未来愿景中。

如果您的AI项目花费大量时间，请耐心等待并保持原样。您也许还可以利用此处的一些建议来帮助您将比赛快速推向终点。当然，就像数字转换一样，这场比赛永远不会结束。

郑重声明：本文版权归原作者所有，转载文章仅为传播更多信息之目的，如作者信息标记有误，请第一时间联系我们修改或删除，多谢。

---

免责声明： 本文由用户上传，如有侵权请联系删除！

---

标签：