人工智能应用创新的原则有哪些？

我认 为组织在寻求扩展其人工智能计划时应专注于四个 领域。将其描述为：赋能、商业运营、组织建设、 监管和规模化。

1.人工智能创新的原则一： 赋能

通过正确的数据、人工智能平台和工具以及敏捷 实践建立坚实的基础，可以轻松访问可信的高质 量数据。对人工智能计划的热情，急于创造效益可能会使 高管们急于进入人工智能的开发阶段。但是，根 据以往的研究和经验，组织在大规模部署人工智 能之前应专注于奠定基础。

提供对高可信度、高质量数据的工业化访问

数据准备占用了人工智能从业者的大量时间。 Kaggle 的一项调查显示，数据科学家至少花费五 分之一的时间来清理数据。

建立强大的数据治理，以建立数据信任并规模化应用人工智能

处理来自组织内部或外部（生态系统数据）的数十个应用程序的大量数据本身就是挑战。提高数据质量是人工 智能规模化应用领导者用来提升收益的首选方法。数据需要作为战略资产进行管理，组织应建立数据治理，设 计、实施、扩展和持续监控其公司的数据和人工智能平台，以支持人工智能用例的扩展。

建立必要的技术基础， 消除数据孤岛

组织必须决定如何存储和管理其收集的内部和外部数 据。特别是传统 IT 系统和套装应用程序可能会延迟数 据的收集和分析。出于监管原因，数据也可能仅限于 本地，从而导致数据孤岛。 数据资产现代化解决了分散和遗留 IT 系统的问题，并 在安全的环境中提供了对信息的更快访问。

实现数据访问大众化

组织中的数据通常被锁定在各种分散的系统中， 有时这些数据运行于传统的技术上，这限制了（数 据的）访问和易用性。通过数据大众化，数据被 收集，存储在容易找到的地方，可以用正确的业 务元数据来描述它，并且很容易获得。关键步骤 包括： 数据湖将多个精选数据集引入统一的数据环境。 关键的挑战是正确管理这些现代数据环境，确保 数据湖不会变成数据沼泽。 数据管理平台帮助管 理组织数据湖、数据中心和数据仓库中的数据收 集和存储。 真正的挑战是确保组织能够查看其整个数据资 产，并将其作为战略资产进行管理。它需要不断 管理，以便为所有需要它的用户（从董事会到运 营员工）提供统一的“信息供应链”。

部署敏捷的工作实践，包括数据运营

借助敏捷方法，业务成果可以在简短、持续的迭 代中交付。敏捷软件开发非常适合人工智能应用， 最终用户需要尽早参与，以帮助测试、优化和改 进嵌入式算法。 DataOps 以敏捷、精益制造和 DevOps 的原则为 基础，进一步帮助实现数据大众化并缩短分析周 期时间。通过促进数据发现、自动化和监控数据 分析管道的不同阶段，DataOps 团队可确保数据 科学家和机器学习工程师更专注于模型开发和部 署。它们管理数据组织所需的基础结构，包括数 据目录、数据管道和数据访问。它还支持将人工 智能应用程序部署到生产环境。

敏捷文化对于人工智能 部署至关重要

在敏捷组织中，领导思维与测试、学习、验证的周期 相适应，为团队提供更多的自主权和承担更多责任。 团队还专注于提供真正的业务价值，定义明确的问题 陈述，并将每个解决方案与总体目标联系起来。最后， 团队更专注于交付正常运行的业务应用程序，他们逐 步降低了失败的风险。 因此，敏捷工作实践大大降低了与将人工智能投入生 产相关的成本和延迟。已经拥有成熟敏捷实践（包括 敏捷软件开发实践）的组织处于优势地位。 建议在开 始在整个组织中扩展人工智能解决方案时奠定敏捷这 一基础，特别是那些涉及多个业务功能的解决方案。

2.人工智能创新的原则二： 商业运营

通过正确的运营模式部署人工智能，确定计划 的优先级，确保均衡治理，同时考虑道德规范。 大多数在大规模部署人工智能中取得成功的组 织都有一个共同点：强大的人工智能治理和变 更管理。在运营中嵌入人工智能的关键领域， 包括运营、优先级排序、道德治理、建立问责 制以及重新定位五个方面：

部署正确的运营模式，以促进资源的 采用和扩展以及优化

尽管不同的组织采用不同的运营模式来扩展人 工智能，但混合方法是最佳的。这种方法包括： 负责政策和战略的核心领导团队； 卓越中心（Center of Excellence，CoE）或 专门的团队进行协作、优化资源和促进创意 ；负责业务单元级战略和执行的业务部门。

核心领导团队创建企业指南、策略和标准，并确保人 工智能战略与更广泛的企业目标保持一致。大多数人 工智能规模化应用领导者都有核心领导团队，以确保 强有力的治理和执行支持： 他们有一个管理人工智能计划的核心团队（79% 的人工智能规模化应用领导者与 30% 的陷入困境 的组织相比），然后向最高管理层报告，表明组 织决心实现人工智能规模化。 他们集中资助各项举措，由明确的人工智能领导 者来定义和跟踪关键绩效指标，并形成跨职能团队。

在战术层面上，组织形成一个卓越中心（Center of Excellence，CoE）或专门的团队，与业务 职能部门保持对话，以了解流程和技术痛点以 及新出现的需求。 创建人工智能应用的待办事项列表，并为 每个计划做业务价值分析。 优先考虑低成本、高价值和可快速部署的 用例及阐述其与业务目标之间的联系。

建立跨职能团队，将解决方案从“想法”引 导到市场。 明确解决方案的所有权，包括资金，维护， 投资回报 (Return on Investment，RoI) 跟踪 和扩展。 展示投资回报率，然后展现已取得的成就， 为人工智能计划建立广泛的支持。

将人工智能战略与整体业务战略联系起 来，帮助确定计划的优先级

近年来，许多组织纷纷争先恐后地创建人工智能试点 项目，认可其潜力。然而，在许多情况下，由于缺少 与业务的接触，收益和回报往往令人失望。我们的调 查显示，到目前为止，大约六分之一的难以实现人工 智能规模化应用的组织尚未从人工智能部署中获得任 何好处。

那么，人工智能规模化应用的领导者如何解 决将人工智能战略与整体业务目标联系起来 这个问题？他们通过将人工智能计划纳入企 业更广泛的数字化转型来做到这一点。人工 智能计划一定不会在孤岛中扩展，而是影响 多个业务部门。此外，人工智能资源有限。 为了扩展人工智能，最高管理层应该监督资 源的指导和使用方式。随着人工智能用例的 激增，公司需要了解哪些用例解决了他们真 正的业务问题，然后确定如何使这些用例与 功能保持一致。

组织环境（结构、文化、流程）仍然是选择 正确运营模式的最终决定因素。这就是为什 么在那些具有分散文化的组织中，自下而上 的方法可能是有意义的（团队独立生成，执 行和拥有人工智能实施的影响指标）。

创建道德治理框架

对于企业高管来说，能够信任这 些见解而不是将人工智能系统视 为黑盒子这点非常重要。 对人工智能道德治理框架的关键组成 部分可以定义为： 在目的、设计、开发和使用方面符 合道德规范。 透明、可解释、公平和可审计。

道德人工智能交互在提高消费者满意度和信任度方面发挥着关键 作用。我们之前对人工智能伦理的研究发现，62% 的消费者认为 他们的人工智能互动是道德的，他们对公司的信任度更高。除了 确保客户更满意之外，合乎道德的方法还有助于降低监管、法律 和财务风险。

尽管消费者和监管部门强烈关注人工智能伦理，但我们目前的研 究表明，许多组织并没有积极解决一系列道德问题，例如需要授 权道德团队。例如，只有 29% 的陷入困境的组织表示，他们详 细了解他们的人工智能系统如何以及为什么会产生他们所做的输 出，但对于领导者来说，这一比例上升到 90%。

让业务部门对成功负责

83% 的人工智能规模化应用领导者中，IT 和业 务合作推动人工智能，但对于陷入困境的组织来说， 这一比例下降到 54%。业务团队需要与 IT 人员在 所有步骤中进行协作：从元数据定义到主数据治理， 从需求定义到应用程序测试。来自业务部门的参与 是确保团队真正认可和应用解决方案的关键，并且 组织不会发现吸收和使用量一次又一次地下降。 业务和 IT 团 队需要共同建立 (Key Performance Indicator，KPI) 来跟踪和报告人工智能模型的性 能。这些 KPI 的影响需要与业务指标相关联，例如 收入增长，成本降低，风险缓解等。

重新定位受影响的流程

规模化应用人工智能的实施通常会影响整个组 织的多个功能。在 POC / 试点阶段，组织需要 开始考虑对其他流程的影响，并从头到尾对整个 流程进行“系统视图”。能够调整其流程的组织 具有明显的优势。我们发现，60% 的人工智能 规模化应用领导者拥有灵活的流程，可以轻松适 应不断变化的业务需求，而陷入困境的组织只有 45%。此外，即使在组织考虑采用人工智能来 改进现有流程之前，它也需要了解该流程是否实 际上是多余的，是否应该存在。

3人工智能创新的原则三： 组织建设

培养人才并与合作伙伴协作建立 人才基础

人工智能项目需要许多类型的人才，从架 构师设计解决方案及其在 IT 领域的集成， 到数据工程师来获取和准备数据，再到数 据科学家和机器学习工程师，以便在生产 中开发和部署数据。除了技术技能之外， 组织绝不能忘记业务和变更管理角色的重 要范围，包括数据策略师、人工智能伦理 学家、业务顾问以及流程和自动化工程师。

关键人才计划包括：

填补高级职位，如人工智能主管

重要的是，人工智能战略必须与整体业务战略保 持一致。聘请高级战略领导者是支持这一目标的 关键，我们的研究发现，70% 的组织认为缺乏 中高级人工智能人才是扩展的主要挑战。此外， 我们发现，超过一半的人工智能规模化应用领导 者（58%）已经任命了人工智能负责人 / 负责 人 / 首席人工智能官（CAIO）。人工智能负责 人为开发团队提供愿景，围绕用例、道德和安全 性的优先级制定指导方针，并协调用于人工智能 开发的平台和工具的使用。

与首席数据官以及其他关键领导者密切合作。大 多数大规模人工智能领导者拥有一位人工智能 主管，他专注于人工智能的战略使用，与其他领 导者合作确定计划的优先级到绩效衡量。

提高技能基础，实现广泛的人工智能开发

组织需要广泛的技能来扩展人工智能。然而，如图 9 所示，机器学习等关键学科的需求和供应之间存 在显著差距，对业务分析师和云解决方案架构师的 需求很高。 虽然数据素养是所有高管的必备技能，但人工智 能人才也应该掌握软技能，例如讲故事的技能， 这将有助于他们更有效地沟通他们的模型。

培训和劳动力转型计划至关重要。为了解决这些 技能差距，76% 的人工智能规模化应用领导者使 用培训计划来培养他们内部所需的技能。宝马是 两个正在走这条路的领先组织。 宝马正在采取多管齐下的方法培养拥有人工智能 技能的人才。它有一个创新实验室，学生可以在 人工智能上工作并与宝马合作。它还在 Github 上 分享了其网络架构代码，从而促进了与行业同行 的合作。

与服务提供商建立合作伙伴关系

鉴于实现大规模人工智能的复杂性以及重大的人才 紧缩，许多组织正在与服务提供商合作，以应对这 种转型的挑战。例如，91% 的人工智能规模化应用 领导者在内部制定其人工智能路线图，而 78% 的人 将解决方案的扩展部署外包。

大多数大规模人工智能领导者都在内部制定其人工 智能路线图。如前面的部分所示，这些组织大多有 一位高级领导者，他可以帮助确定用例优先级，以 及业务团队与此类组织中的 IT 部门进行良好协作。 这有助于人工智能规模化应用领导者在内部确定路 线图。然而，这些领导者中的大多数都意识到了扩 展的复杂性，他们更愿意与服务提供商合作进行大 规模部署。

4.人工智能创新的原则四： 监管和规模化

启动良性人工智能循环：持续监 控模型准确性和业务影响，以扩 大成果。

监控模型准确性和业务影响

多数人工智能模型如果不进行监控，一旦部署到生产 中，性能就会开始下降。这种现象被称为概念漂移。这 是由于数据、假设或新信息的性质发生了变化，因而模 型遇到变量之间的未知或隐藏关系。

具有规模化应用人工智能的组织将具有跨多个功能或流 程实现的许多互连算法。 一个系统中的漂移可能会导致许多其他系统出现问题。 例如，需求计划算法中的漂移可以同时影响当前的库存、 生产、劳动力规划和采购。组织需要根据其漂移的脆弱 性对模型进行评级，并确定适当的行动计划，例如监控 / 更新的频率，或要实施的建模技术。

组织本身的某些原因可能会加剧人工智能模型的漂移 : 负责开发模型的专家数据科学团队转向下一个大事 件，在维护模型的技能方面留下了空白。由此产生的 对模型的不良再训练很快就使它们过时了。企业需要 建立流程来检测模型性能在开发过程中的实质性衰 减。 维护模型的责任没有明确定义。开发系统的人工智能 团队应该负责其产品的操作，并负责其监控。他们还 应该负责确保他们的系统 产生正确的指标。他们需 要定期检查模型是否仍能产生预期的业务影响。

在技术层面上，有两个因素可以帮助调 整人工智能模型以适应快速变化的情况：

变更数据： 使用实时或近实时数据训练模型。添加新的相关 数据源还可以使人工智能模型与现实世界的发展 保持一致。例如，在当前疫情下，感染率等领先 指标可以作为人工智能模型中的重要特征。

变更方法： 组织还可以探索不断变化的建模技术，从监督学 习（从训练数据中检测过去的模式）到强化学习 （在没有真实数据的情况下构建场景）。这种转 变在短期内可能代价高昂，但可以带来更强大和 更有弹性的模型。

放大成果

孤立的流程是人工智能部署的主要障碍。即使 部署了解决方案，也必须使用临时且成本高昂 的流程来更新新数据、新算法 / 代码和新模型。 MLOps 将敏捷和 DevOps 实践从传统的软件应 用程序扩展到基于人工智能的应用程序。它涵盖 了为模型收集和准备数据、运行试验、构建和重 新训练模型以及部署和监视模型的整个周期。使 用 MLOps 的组织可以自动执行这些流程，从而 生成快速、可靠、版本化且质量更好的应用程序。 这有助于各个领域，从促进实验到更快的数据更 新，并确保解决方案提供更好的见解。