企业AI挑战：常见的误解

关于AI颠覆行业和改变业务的力量的嗡嗡声并不夸张。它是真实的。看看由AI技术驱动的FAANG公司在广告，零售，娱乐和其他行业中所做的事情。但是，大多数“非数字原生”企业尚未意识到AI的优势，并且正面临这样做的压力，这 是有充分理由的。在本系列文章中，我将尝试指出有关企业AI的常见误解，并分享我所学到的有关成功的组织如何应对它们的知识。

自从90年代我担任美国伊利诺伊大学芝加哥国家数据挖掘中心的技术主管以来，利用数据的力量一直是我的特别关注点。当时，大数据是一个热门话题，我们在学术界的工作被成千上万家公司所采用，这些公司进行了大量投资来收集，汇总和处理数据。一些组织非常成功，并设法从其数据中提取可观的价值，而另一些组织则看到（或什至没有）投资回报。AI现在正在发生同样的事情，只是赌注要高得多。

AI比数据挖掘功能强大得多，后者主要用于挖掘数据以获取可以异步应用于业务的见解。企业AI最终将实现自动化的实时决策，例如发放贷款或信贷额度，阻止欺诈性交易，保留想要取消服务的客户，交易10亿美元的债券或购买油轮的石油。对企业收入，竞争力，成本，风险敞口和声誉的潜在影响可能是巨大的。

在过去的几年中，我与全球组织合作开展AI之旅时，我看到许多人都在为同样的问题而苦苦挣扎。这是我经常遇到的五个主要误解：

1.企业AI主要与技术有关。

2.数据科学是成功实现企业AI的关键。

3.自动化机器学习（AutoML）将解锁企业AI。

4.管理AI模型就像管理软件。

5.实施企业AI需要一个庞大的，全有或全无的项目。

在本文的其余部分，我将为企业AI挑战提供一些背景信息，然后在后续文章中解决每个误解。首先，一些背景和定义：

什么是“企业AI”？

企业AI包含端到端业务流程，组织通过这些流程将AI集成到24-7个业务功能中，这些功能在企业范围内是负责，可管理和可管理的。建立和管理这些流程在技术和组织上都面临挑战。

如上所述，通常将应用于企业的AI理解为指使用数据和计算来自动化业务决策。期望AI将自动生成优化的决策，这些决策至少与人类或传统软件所做出的决策一样好，并且可以更快，更高效，更准确地执行。

AI通过“模型”处理数据来自动化决策，这些模型将数据作为输入并产生建议或预测作为输出。然后，这些预测将提供给业务应用程序。不同类型的模型用于不同的用例，例如，识别欺诈性交易，批准信贷额度，交易股票或债券，发现可能流失的客户，优化供应链等。当然，在企业中使用模型自动化并不是什么新鲜事物，并且将在未来几年继续驱动许多应用程序。

与AI最常关联的模型是机器学习（ML）模型，事实证明它们在实时产生良好的预测方面非常强大。ML模型本身是根据数据创建的，而不必显式地编程基础规则。而且，虽然ML模型是在软件中执行的，但它们与常规软件有很大不同。这对ML模型的开发，部署，监视和管理方式具有重要意义，包括以下内容：

•ML模型受其开发中使用的软件和数据的强烈影响。生产环境中遇到的软件和数据之间相对于开发环境的细微差异都可能导致意外行为。因此，跟踪描述每个模型在整个生命周期中如何创建和维护的元数据（包括用于训练模型的数据集）至关重要。

•与传统软件不同，机器学习模型会随着时间的流逝而“过时”，必须进行刷新（即，使用新数据进行重新训练），才能继续提供有益的结果。

•对于许多公司，尤其是银行，金融和保险等受监管行业的公司而言，风险和治理组织必须能够解释模型如何做出预测，并证明它们没有歧视或偏见。

•由于模型对业务结果有直接影响，因此业务线经理需要了解模型根据其KPI的绩效。

•随着时间的流逝，预计企业中使用的模型数量将大大超过业务应用程序的数量（也就是说，单个应用程序中可能会使用许多模型）。

现在考虑一下具有成千上万个应用程序的大型企业，这些应用程序依赖于成千上万（或成千上万）个模型，每个模型都必须经过精心开发，管理，监视，控制和维护，而动态模型要比动态模型要动态得多。使用它们的应用程序。这是企业AI面临挑战的环境。

在下一篇文章中，我将重点介绍第一个，也许是最重要的误解，即企业AI主要与技术有关。

在此之前，请查看在传统分析中添加AI会对业务结果产生最大影响的用例，分析组织的结构，并考虑为充分利用AI可能需要进行哪些更改。正如我们将在以后的文章中看到的那样，这超出了AI技术和平台的选择范围，并且需要企业范围内如何组织结构以应对未来挑战的观点。