一百萬個贊嘆不已的推文，一千個TedX視頻和數百個不必要的熱點都不在話下：人工智能（AI）在這里，將真正稱為民主技術之前，我們必須超越硅谷的創業公司，并在中小型企業和政府中實施AI，以獲取該技術所承諾的回報。因此，我們必須問自己：非技術公司如何發展？有哪些陷阱要避免？從哪里開始？以下是在歐洲一些最大的公司擔任技術顧問期間所學到的一些經驗教訓。

　　一.識別并清除較小的障礙

公司在錯誤的問題和愚蠢的借口上已經失去了多年的進步，并在今天繼續這樣做。在開始任何AI項目之前，必須進行一些整理工作，以確保不會將以下突出顯示的問題用作降低項目速度的借口。在您的項目宣言中寫下這些問題的答案，并觀看所有由政治驅動的推銷都消失了。

　　1.我們將如何確保用戶采用率？

對于大多數公司來說，這應該不是一個問題：大多數AI項目在這個時間點上還沒有擴展。它們通常只是概念的證明，或回答了非常具體的痛點，幾乎沒有用戶受到影響。如果明天將AI解決方案擴展到整個組織，則只需與最終用戶和利益相關者共同構建。使用敏捷方法，可以確保所有利益相關者都對解決方案感到滿意。

　　2.對于這種類型的項目，我們的數據質量不是太差嗎？

即使在這個世界的科技巨頭內部，也沒有完美的數據。但是您必須從某個地方開始。那個地方正在根據特定目的或預定義用例對現有數據的質量進行基準測試。只有這樣，改進計劃才能開始出現，可以在相關的管理支持下逐步實施。設法修復所有數據問題只會導致浪費能源和資源。

　　3.我們的業務和IT員工之間是否距離太遠？

答案通常是肯定的，這兩個核心團隊經常溝通不暢，很少共享相同的目標。這可能會導致組織內部裂痕：運營團隊可能希望提高生產力，而IT團隊則可能追求網絡安全和節省成本的選擇。但是，如果沒有明確的目的，人為地鏈接它們是沒有意義的。設定目標后，每個團隊中的幾個人可能會定期開會，就共同的戰略進行交流，以確保組織中的任何人都不會感到自己脫離了AI轉型。然后，他們將進行報告，并確保按照先前指定和計劃的決定在每個團隊中執行。

　　4.我們的數據管理流程是否適應我們的需求？

提防人為的和“地面之上的”治理：甚至在項目開始之前就定義治理結構太容易了，然后嘗試使項目適應上述治理。這就像寫沒有烹飪經驗的食譜。治理必須是實施AI用例的結果，而不是前提條件。

　　5.我們組織中是否缺乏相關的AI技能？

目前，全球只有22000名具有博士學位水平的專家能夠開發最先進的算法。他們中的許多人都在大型科技公司工作。這將是異常艱難的中小企業雇用他們中的一個。好消息是沒有必要。大多數項目不是在試圖突破我們的AI知識的界限，而是使用已經存在的東西。因此，執行團隊可能認為缺少的技能可能與小型AI項目所需的技能有很大不同。如今真正重要的是業務承諾，算法穩健性和信息學體系結構。

　　6.我們的公司是否受制于高層管理數據文化不足？

CxO是著名的忙碌人員，很少有時間坐在一個特定主題的講座之后。這就是公司團隊非常喜歡“學習探險”的原因：它將他們置于一個新的環境中，在這種環境中，他們不得不聽取有關此事的專家意見，并使他們離開他們的伴侶和孩子幾天。

盡管我喜歡組織學習探險，但除了執行團隊的免費假期外，我一直對它們的有效性持懷疑態度。相反，我是一個支持者，不僅要根據他們在各自領域的優點，而且還要根據他們在數據管理方面的知識和/或好奇心來計劃和雇用或提拔高管。

　　二.避免真正的陷阱

一旦回答了簡單的問題，我們就必須繼續面對AI轉型的真正挑戰，其中有很多挑戰。

　　1.更喜歡“ Business Pull”而不是“ Techno Push”

技術是奇妙而令人興奮的。它還常常無法提供真正的客戶價值。這就是為什么始終專注于“業務拉動”而不是“技術推動”的原因：看似出色的解決方案有時在錯誤的時間，錯誤的地方出現。在任何AI項目中，重要的是不要忘記創建該項目的原因和對象。

　　2.投資“無聊”的東西

當無知的群眾到處討論創新的初創公司，數據科學，POC，深度學習，Elon Musk…時，專家們熱衷于談論AI項目的陰暗面：數據質量，工程，體系結構，HR和業務模型轉換。項目的那些方面經常被低估和低估，但它們卻是積極的AI轉型的核心。記住：人工智能應該很無聊。只是統計而已，而統計則是最差的。

　　3.不要做出虛假的承諾

在AI項目開始時過度興奮很容易。我們聽到大數據，以數據為中心，DQM，無代碼，RPA等字眼，并相信我們可以馴服這些概念，為整個公司帶來價值，并最終獲得應有的提升。但是要當心：所有這些想法在過去都引起了極大的失望，如果不慎亂扔，可能會使整個項目面臨風險。避免過度銷售通常是成功項目的關鍵。

　　4.對技巧要現實

有人告訴我，開發人員的工作有75%是基于谷歌搜索能力。聽起來不錯。數據科學家也是如此：由于每個AI項目都是獨一無二的，因此它們在第一天就無法完全運行。因此，在項目的前幾個月中表現出耐心并提供相關培訓非常重要。這也是為什么不超額出售尚未開始的項目至為重要的原因：僅從項目簡介中很難弄清我們所不知道的內容。

5.不要復制Google

或任何同類最佳的AI公司。模仿科技巨頭是一個愚蠢的事情，實際上不會取得成功。言語幾乎無法描述他們在做事上有多出色，以及到達那里要花費多少錢。但是，每家公司都有其獨特的資產，可以用來制定獨特的算法來專門滿足其需求。

　　三.從頭開始

閱讀完以上所有內容后，可能難以置信，但是太多的項目將想要“扎根”。然后，數據科學家無需花時間去了解誰，什么，為什么以及如何，就可以在沖刺階段開始設計過程。令管理層驚訝的是，他們得到了滑板而不是踏板車。讓我清楚一點，盡管不是屈尊的：但是從頭開始是結束的必要條件。

　　1.定義AI野心

如上所述，花時間回答一些關鍵問題很重要。這些問題中最重要的問題是“ 為什么 ”。公司為何要投資于AI，其AI項目的目標是什么？無論他們的編碼或數據分析能力如何，高層人員在定義AI項目策略時都可以發揮關鍵作用。如果沒有確切的指示，團隊將被無目的地漫無目的地挖掘數據，尋找故事。而且，由于沒有明確的和商定的目標，他們將被追逐一個移動的目標，冒著隨著新數據的涌入而重寫歷史記錄的風險。這就是為什么在任何項目啟動之前就應定義策略的原因，該策略應該是具體的，可衡量的，可實現的，相關的和有時間限制的。

“其他人都在做”是進入AI游戲的可怕原因。

　　2.定義優先用例

雄心定義后，識別用例變得容易得多。上一步中出現的所有想法和用戶故事都應根據它們為公司總體目標提供的服務水平進行定義并客觀地確定優先級。評分類別可能包括：

· 資料可用性

· 數據獨占

· 技術復雜度

· 團隊成熟度

3.逐步工業化“大規模人工智能”

根據智能實驗室的POC結果，逐步/緩慢地將整個組織的項目產業化。在工業化階段考慮以下幾個方面很重要：

· 數據收集/采購，質量，完整性

· 制作或購買AI解決方案

· IS體系結構的適應

· 業務流程調整

· 更換管理層

以上就是關于協助AI項目經理全公司采用的3條首要原則的全部內容，想了解更多關于人工智能的信息，請繼續關注中培偉業。