五步构建AI应用实战框架

如何利用人工智能？实现框架应该是什么样的？由麦肯锡全球研究所（MGI）发布的这篇论文提出了组织需要集中关注的五个领域。

这些领域彼此关联，每一个领域都需要共同协作才能展现出可见的影响。我将在本文中详细阐述实现这个框架的可行方法。

1. 识别正确的用例

当一个组织决定开始人工智能之旅，首要任务就是识别正确的用例。在这一方面，发散-收敛法属于经过验证的、行之有效的方法。通过头脑风暴探索尽可能多的AI用例，完成后就能汇总候选列表，找出其中排名前三的用例。

问题的关键是：如何汇总用例？重点要考量哪些维度？

建议从以下三个方面入手：

业务影响：这个用例是否有实际的业务影响？对其进行量化。

技术可行性：当前的技术环境是否支持这个用例的实现？创建一份技术图谱。

数据有效性：是否有相关的数据点来支持这个用例？好好做一下研究。

以这三个要素构成一张基准图，就可以用来判断用例的可行与否。以下图为例：

可以看到，在这张图表上，横纵轴分别表示业务影响和技术可行性，圆圈的大小则表明数据有效性。用例7和用例6在三个要素上均表现出较高水准。用例3虽然在其中一个维度表现欠佳，但相较其他用例，综合来看可以列为下一个候选。

这里其实涉及到一个绕不过去的问题：到底多少数据算够？

这个问题其实并没有一个确切的答案。解决这个问题的经验之谈是先回答下面这个问题：有效数据是否足以支撑建立一个最小规模的可行模型？如果答案是肯定的，那么建议可以继续努力，好好考量这一用例的发展潜力。

2. 创建高效的数据平台

数据是新型“石油”，在组织中呈“满溢”之势，如何从中提取价值就成为每个组织都面临的挑战。而人工智能和数据是共生关系，需要彼此来互相成就。

长久以来，组织机构就试图创建一个数据分析平台，从数据库、数据仓库一直到数据湖，都试图驯服这只“野兽”。而新的数据结构模式随着数据技术的发展应运而生。2017年，我在博文《揭秘数据湖架构》中重点提到了——实用的AI数据平台的组成要件。数据技术虽然在不断进化，但核心还是不变的，这些概念依旧可用。

但有个问题有必要做一下深入思考：数据平台利用人工智能的原则是什么?

以下是我的三条建议：

（1）以原始格式存储所有数据：数据的本质是复杂的。只有当你在真正使用时才能了解这些数据的用法。最好的策略是将它们全部以原始格式存储，不做任何变动。云技术的出现降低了数据存储的成本。存储在云中的数据可能根据其生成方式、处理方式以及在生存期内的访问方式而有所不同。以Azure为例，Azure存储提供了不同的访问层，包括热访问层、冷访问层、存档访问层。用户所存储的数据0-50TB是按平均每月每GB 0.044美元计费，约为每月每TB 4.4美元，花销还比不上星巴克的一杯中杯摩卡。这里有一条建议，对企业来说，我建议至少存储过去5年的数据，那之后如果发现没什么用，再归档也不迟。

（2）解耦存储和计算：存储和计算这两种负载对计算机资源的诉求完全不同，解耦存储和计算有助于系统负载均衡调度。处理引擎可以面向批处理，也可以面向流处理。按需处理在一定程度上可以控制成本。根据所需的处理类型构建适当的处理引擎，任务完成后可以中止或销毁处理引擎。解耦计算和存储节省了大量的支出，还提供了很大的灵活性。

（3）对数据进行编目和管理：防止数据湖变成交换平台的一个最关键的原则是对数据进行详尽的编目和管理。作为一条经验法则，任何非瞬时化的内容都会被编目。对于业务分析人员、数据科学家或任何希望以正确格式找到正确数据的人来说，积极编目有利于轻松搜索数据元素，因此再怎么强调积极编目的重要性都不为过。编目和管理决定了数据分析平台的成败。

3. 采用正确的工具、过程和技术

除了识别正确的用例、创建高效的数据平台之外，选择合适的工具和技术来实现AI也非常重要。要推动人工智能的蓬勃发展，这里有三个原则需要遵循：

利用规模优势：数据与人工智能之间密切相关，通常来说，要训练的数据越多，就意味着模型越可用。过去由于存储和计算能力有限，训练模型的能力也因此受限。而在过去的二十年里，存储和计算技术持续进化，云平台不断创新，存储和计算成本变得可控，在可接受的范围内进行规模化的数据处理和模型训练逐渐成为可能。

关注功能而不是技术：构建一个灵活的数据架构，每个组件都满足特定的功能，但可用的技术特性并不会与组件绑定。基于功能是恒定的而技术是不断变化的，云平台的一大优势就凸显出来。云平台的创新往往意味着可以不断引进新技术，以更低的成本提供相同或更好的功能。

拥抱数据项目中的敏捷性：著名统计学家George Box曾打趣道：“所有模型都有谬误，但依然有一些是有用的。”因为模型都建立在一定的假设上，超出特定范围就可能出现纰漏。而找到有用的模型就是一个迭代的过程，每次迭代都是向那个有用的模型迈进的一步。记住，不要在AI项目中追求“绝对答案 ”。完美的模型就是乌托邦，以此为目标对于既定现实来说已经完全足够了。

4. 在过程中整合AI决策

任何基于AI的项目的最终目标都是创造积极的影响。但是很多大有可为的人工智能项目在襁褓中就夭折了，自此不见天日。因此，一个AI项目从孵化阶段开始就需要全程观察。

有一点我需要再三强调：AI项目并不是纯技术项目，而是注重影响力的项目。所有项目都需要一个结果。

这意味着，当你展望一个AI项目的前景时，不应该是关于模型和算法的，而必须是关于结果的，一个会给最终用户带来利益的结果。因为每个流程都是环环相扣的，所以需要回答这样一些问题：

AI会影响流程中的多少步？

——这推进了流程自动化吗？

——这加强了流程建设吗？

再根据答案画出正确的路线。

5. 构建实验文化

文化是所有变化的基石。现代管理学大师彼得•德鲁克曾经说过：“文化能把战略当早餐吃掉。”对于AI项目来说，此话非常精辟。决定成败的往往不是技术，而是价值观。对于AI实现来说，反复灌输实验文化至关重要。根据定义，实验是一种验证或推翻假设的过程。并不是所有的实验都会成功，但所有的实验都有收益。这种实验文化需要渗透到公司的灵魂中。以下三条准则可以帮助公司构建实验文化。

1、衡量指标。组织中的每个部门都需要衡量以下三个指标：在给定的时间内尝试的实验数量；在给定的时间内业务工作流中采用的的实验数量；给定时间范围内正在进行的实验数量。

2、拥抱敏捷。敏捷是人工智能的出路。考虑到AI的本质，迭代方法最适合人工智能。敏捷理念中的三个核心教义：持续改进、信息透明和深度协作应该渗透到公司的DNA中。

3、树立员工对AI的正确认知。关于人工智能的宣传可以说铺天盖地，与这种炒作相伴而生的是一种恐惧，恐惧被取代，恐惧因此而失业。这种担心其实没有任何依据。在公司中建立对AI的理智认知非常重要。员工需要清醒地认识到AI能做什么、不能做什么。树立了正确的认识后，员工对AI的接受度更高，也更容易运用AI来提升他们的工作技能。

总结

采用负责任的人工智能是不可避免的，所有人都应该接受这一现实。人工智能不是万能灵药，但是有了正确的框架，AI就有潜力产生积极的影响。

原文：https://medium.com/swlh/a-practical-framework-for-ai-adoption-a-five-step-process-ed8349977695

参考文献：

Technology Review: The growing impact of AI on business

https://www.technologyreview.com/2018/04/30/143136/the-growing-impact-of-ai-on-business/

ZDNET: Enterprise adoption of AI has grown 270 percent over the past four years

https://www.zdnet.com/article/enterprise-adoption-of-ai-has-grown-270-percent-over-the-past-four-years/