人工智能正在迅速進入新的市場，并迅速成為企業戰略決策的重要工具。盡管許多領導者都很難理解如何使用人工智能，但是有一個簡單的流程可以用于任何人工智能計劃。

人工智能正迅速成為當今商業中一個重要的流行語。就像云和區塊鏈等其他技術一樣，它經常被人們所提及，但對其使用和應用則了解甚少。但是，與許多其他流行技術不同，人工智能實際上擁有大量的潛在應用。它實際上與大多數行業和業務功能有關，并且正在迅速滲透入市場。這一事實使得問題更加嚴重，因為很少有人真正清楚如何將人工智能應用于戰略性業務問題。

所以，讓我們共同努力，在這一流行語的陰霾中掃清一條道路，并弄清楚企業要開發出差異化、有價值的人工智能應用應做哪些工作。在OpenMatters公司，我們多次與客戶合作來開發人工智能應用，以支持其在資本配置、領導力構成和人才招聘等關鍵領域作出更好的決策。我們使用下面的流程圖向合作伙伴解釋我們從構思到應用的步驟。

人工智能計劃的四個重要團隊

我們發現，要想成功完成人工智能工作，有四個關鍵團隊必須參與：

1. 首先是領導團隊--董事會和高管。領導層的認同和支持對工作成功完成至關重要。新的人工智能計劃需要時間、資金和新技能，所有這些都需要有領導層的支持，否則很難實現。雖然領導團隊永遠不會去管理人工智能計劃中的技術細節，但他們應該參與構思--設想人工智能可以在哪方面以及如何幫助企業。

2. 其次是業務實施團隊。這個團隊負責貫徹領導團隊的愿景，同時管理技術團隊。沒有商業目的的人工智能顯然是在浪費時間，業務實施團隊需要深入參與收集數據，形成見解并迭代算法。這是一個全職而非兼職的工作。

3. 第三，我們有人工智能技術團隊。這個團隊擁有將數據轉化為洞察力所需的人工智能專業知識。人工智能團隊應該了解業務目標和應用，但重點是明確能將人工智能轉換為現實應用的工具和技術。該團隊將決定所使用的編程環境、支持工具（如TensorFlow）和技術（如神經網絡）。

4. 最后，我們有基礎設施團隊。人工智能的基石是數據，一大堆數據很快就會變成一團糟。該基礎設施團隊將負責管理和存儲數據，以便使其易于訪問和使用。該團隊將處理一些棘手且重要的問題，如明確一個好的符號系統以將數據集連接在一起，并在多個用例和更新同時發生時管理并發情況。

這些團隊中的每一個對于成功將人工智能用于商業決策都至關重要。如果沒有所有這些團隊的工作（我們已經嘗試過并且也清楚），該人工智能實施工作將無法正常完成，并且每個小組確實需要由具備多種熟練技能的個人組成一個“團隊”。上面列出的許多職能都是極具技術性的，其所使用的工具和技術正在迅速發展。一個人在沒有同伴支持和監督的情況下工作，可能很快就會落后或掩蓋其工作錯誤。

人工智能設計過程中的關鍵步驟

一旦你的團隊被組建起來，那么創建人工智能的過程實際上是相當清晰和可復制的。這并不意味著這個工作很容易，而是這確實意味著相同的過程可以應用于無數的企業戰略決策中。

第一步是領導團隊設定目標。該領導團隊要回答的關鍵問題是：（1）我們所掌握的數據具有哪些獨特的主題或應用，（2）我們可以添加哪些假設或觀點，以及（3）這些新見解如何變得有用。請注意，這些問題始于數據。數據是人工智能的基礎。領導團隊不需要仔細審查并詳細理解這些數據，但確實需要了解組織能夠訪問的數據是有區別的和有用的。通常這些數據已經存儲多年，并且由人力分析師偶爾地使用以支持業務決策。

例如，零售商可能有權訪問許多商店、多個年份和眾多客戶的銷售點數據。領導團隊可能會假設某個客戶群體具有不同的季節性購物習慣。他們的目標可能是使用人工智能來了解不同客戶群體的季節性購物習慣，以便更好地定位和投送宣傳廣告。

一旦目標確定下來，接下來非常重要的一步就是建立數據集。獲取正確的數據是人工智能計劃中最困難和最重要的一步。通常，組織需要使用來自其內部和外部不同的多個數據集。這些數據需要進行組合和清理，這是一個非常細致和痛苦的過程。必須刪除異常值和其他不良數據，并使用標識符（例如使用CUSIP來標識一個公司或使用地址來標識一個客戶）將匹配的數據集放在一起。有許多有價值的外部數據源，但有效地組合數據始終是一個難題。例如，上述零售商可能需要將他們的銷售點數據與供應商提供的營銷數據庫結合起來，該數據庫提供有關客戶的人口統計信息。

訓練數據通常是對您數據集的一個重要補充。這就是你獨特的見解或假設發揮作用的地方。為了讓人工智能“學習”一個過程，這就需要進行指導以幫助它理解該過程的良好狀態是什么樣子。例如，我們假設零售商需要準確定義它想要識別的那種購物習慣類型。例如，在特定產品類別中花費50美元或以上的行為，這可能是一個有用的事件，表明了人工智能應該發現的模式類型。定義或創建訓練數據是業務團隊的一項工作，因為它需要應用人工的洞察力，讓人工智能對這一洞察力進行復制。

數據集和訓練數據永遠不會真正完成--隨著時間的推移，它們會被添加并更新。但是，每個版本都應該由基礎設施團隊記錄在案，并安全地存儲。數據是寶貴的資產，應該這樣操作。

隨著數據收集工作的結束，現在應該把工作交給人工智能團隊了。人工智能團隊必須考慮業務目標，并確定使用哪些工具和技術最能有助于實現這些目標。目前市場上有多種不同的工具，適用于不同的目標應用。谷歌公司的TensorFlow，Salesforce公司的Einstein和Facebook公司的Pytorch只是其中的幾個工具。另一個重要的考慮因素是哪種人工智能方法適合您的應用。例如，神經網絡是一個強大的工具，但其結果很難解讀并向人類用戶解釋。對于許多商業應用來說，這種黑匣子的情況是不可接受的，而其他技術如邏輯回歸則更為適合。

人工智能團隊將開始生成算法，并根據這些算法復制訓練數據的能力來對其進行“評分”。當團隊認為該系統足夠“聰明”時，他們會將結果返回給業務團隊進行審查。由人工智能生成的算法需要擴展到訓練數據之外，并進行大規模應用，但這需要進行業務審查，以確認該算法在其訓練數據以外進行應用有良好的表現。此外，業務團隊通常還需要仔細審查其他考慮事項。例如，某一組特定的客戶比其他客戶更重要，是否可以正確地識別。

在許多情況下，人工智能在達到成熟之前需要進行迭代。變換訓練數據，采用不同的人工智能技術和新的數據集，這些都是潛在的方式，可用于改進表現不佳的人工智能。在這里我們可以看到基礎設施團隊的另一個重要角色：記錄每個版本的人工智能。該文檔不僅應包括人工智能所使用的特征和公式，還應包括所采用的訓練數據、技術和產品的總體表現，以及對人工智能進行業務評估所需的其他內容。花一個月時間進行迭代并得出結論，即之前的版本更為理想，這是很常見的，團隊必須快速地將各個版本與完整且標準化的文檔進行比較和對比。

在順利的情況下，所有人都對你的人工智能表示滿意，您可以愉快地進行應用--使用新的人工智能來幫助補充和擴展團隊中現有的人員智能。這并不是說開發工作已經完成，因為新的數據、技術和應用總會不斷出現。但是，你已邁出了擁抱人工智能重要的第一步。

我們不可能始終清楚人工智能會如何影響我們的工作和市場，以及影響的程度有多大。但是，人工智能在未來成為高管人員不可或缺的工具，這是肯定的。人工智能會產生新的見解，會對策略進行量化，并會擴展零邊際成本--在10年內，沒有人會在無人工智能的情況下進行運營。

責任編輯：ct