每个人都在说人工智能 (AI) 是数字化转型的下一个阶段,各种组织也在争先恐后地启动 AI 项目,以期保持竞争力。去年,IDC 预测“到 2019 年,全球在人工智能方面的支出将超过 350 亿美元,到 2022 年将增长一倍以上,达到 792 亿美元。”虽然增加了支出,但大多数组织仍然无法从 AI 投资中实现价值,因为他们早期将重点放在技术而非实际用例上。
新技术和服务为 AI 的进一步成熟奠定了基础。组织没有直接在创新实验室中启动试点 AI 项目,而是采用了更为务实的方法 - 首先确定以怎样的结构组建相关团队来创建、测试和实现 AI 项目。正如 Google Cloud AI 负责人 Andrew Moore 在《哈佛商业评论》文章中描述的那样,当 AI 成为日常技术时,我们就进入了“已部署 AI”时代,人们减少了对工程的关注,而更加关注 AI 的“共同愿景”,这一愿景概述了 AI 和机器学习如何融入现有流程和团队结构。数据科学家和工程师不再以闭门造车的方式开展 AI 项目,这些技术专家现在会邀请领域专家参与战略规划讨论,确保 AI 和机器学习计划符合更广泛的业务战略。
AI 项目中最困难的环节之一就是确定您要提出的问题。
— Rachel Kalmar
数据科学家兼资深软件工程师,Tableau
协作式方法可以揭示业务决策的哪些环节适合使用 AI,哪些环节需要人工干预。假设您要开一家新的零售商店,但您以前从未开过这样的商店。基于 AI 的系统可以根据该地区的人流或人口统计学特征来提供建议,帮助您预测商店的预期销售额。但您仍然需要领域专家的帮助,这些人可以在位置可见性、竞争对手信息或停车位情况等方面填补空缺。要让机器学习建议实现其价值,决策必须由人来制定。正如 Tableau 的 AI 主管产品经理 Richard Tibbetts 解释的那样:“AI 的出现并不意味着算法会告诉您如何做生意。真正帮助组织采用和信任 AI 的是领域专家。”
真正帮助组织采用和信任 AI 的是领域专家。
— Richard Tibbetts,AI 首席产品经理,Tableau
让领域专家参与 AI 和机器学习讨论还有另一个巨大的好处,他们可以在各个业务部门中起到 AI 教育者和推动者的作用。增加技术专家和领域专家之间的协作有助于鼓励双方的知识共享。在麦肯锡季刊的一篇文章中,NBCUniversal 企业决策科学主管 Cameron Davies 分享了一个涉及年度预测的用例。他们决定构建和公开一组机器学习算法,以帮助扩大该流程。在早期阶段,他们吸纳了一名研究员来参与该项目。这名研究员最终成为了业务部门内的宣讲者,还培训了其他人,让他们知道如何解释建议。
数据专家可以获得有关业务部门如何使用数据的有用知识,而领域专家可以推动数据技能的熟练使用,提升非技术角色的数据素养。领域专家将发挥关键作用,利用自己的人际关系和领域专长,将这些 AI 项目的成果应用到各个部门和团队的实际操作之中,引领 AI 用例进入下一阶段的成长。
职能界限与职责界限会变得模糊,而 IT 和业务部门可以找到新的协作方式并达成一致。通过定制涵盖业务用户和目标的方法,更广泛的数据管理计划将会获得成功,因为 IT 和业务部门可以共同提高其数据环境的可见性、可发现性和信任度。这也意味着组织能够确定哪些数据资产对组织具有最广泛的价值,哪些数据资产能够更好地支持受管控数据以及大规模分析,并提高这些数据资产的优先级。