现在开始使用AI是不是为时已晚

来源：ST社区

人工智能和机器学习将开始做出更多决策。他们可能仍然不会在不久的将来用来做出“大”决定，比如是否对商品征收25％的关税并与合作伙伴展开贸易战。

但是，几乎所有你在Excel中进行按摩，编码或排序的东西都是一个很好的聚类，分类或学习排名问题。任何可以预测的值都是一个很好的机器学习问题。任何你刚刚经历并“寻找”的图案，形状或物体都是一个很好的深度学习问题。

而商业充满了这些。就像文字处理器取代打字机池一样，人工智能将很快取代成群的办公室工作人员盯着Excel，并取代一些分析师。

公司需要为这一变化做好准备。正如那些没有为网络和电子商务做准备的公司一样，那些不适应人工智能和机器学习的公司也是如此。如果您没有查看您处理的大量数据和您做出的决定，并且“我不能在最后一英里实现自动化吗？”或者寻找您不做的事情，因为您无法做出决定“实时”足以获得优势 - 我会在几年内看到你的公司在报纸上关闭。

要准备此更改，在开始业务转换之前，您有五个先决条件。您需要一种策略来在整个组织中传播AI，这些策略从这五个先决条件开始。

AI前提条件1：教育

你不能让你公司的每个人都成为数据科学家。此外，一些数学运算速度太快，我们凡人都无法掌握 - 人们认为本周最有效的特定算法下周可能不是正确的算法。

但是，一些基本的东西不会改变。组织中的每个人都应该了解机器学习的一些基本功能，尤其是开发人员：

聚类：将事物分组在一起。

分类：将事物分类为标记组。

线上预测：如果您可以制作折线图，则可以预测该值是什么。

方差预测：无论是流动性风险还是振动或功率峰值，如果您有一组属于某个范围的值，您可以预测您在给定日期的差异。

排序/排序/优先排序：我不是在谈论简单的东西。无论是搜索还是优先考虑您的销售或支持人员接下来打电话，这都可以通过机器学习来处理。

模式识别：无论是形状，声音还是一组值范围或事件，计算机都可以学会找到它。

一个关键的事情是让一群人根据他们的技能水平为人们愚蠢。您的开发人员可能对特定的算法或技术感兴趣，但您的分析师和管理人员应该了解基本的业务问题和计算机技术。您的管理人员可能不需要了解群集的工作原理，但他们确实需要认识到问题“看起来像”群集问题。

最后，您需要定期更新教育，至少每年一次，因为功能正在扩展。

AI前提条件2：组件化

最近关于组件化的一些工具是数据科学家的“笔记本”; 很多其他工具都是从这些工具中发展出来的。这些是数据科学家及其合作者的绝佳工具。

问题是他们鼓励在生产方面采取不良做法。分类算法的界面看起来与所有其他算法大致相同。特定的分类算法实现不会随业务问题而变化。

就像许多公司必须弄清楚如何对每个业务问题进行一次客户代表（而不是每个系统中完全不同的代表），您需要对算法做同样的事情。这并不是说你需要提出一个真正的聚类算法，而是你要组件化不同的东西。

AI前提条件3：系统化

尽管所有的喧嚣，大多数系统看起来仍然相同。有一些将数据导入算法的过程，一些执行算法的过程，以及一个将结果吐出的地方。如果你为每种算法一遍又一遍地定制设计所有这些东西，你就会浪费时间和金钱 - 并为自己创造一个更大的问题。就像SOA改变了有多少公司部署应用软件一样，在部署AI方面也需要类似的技术。

您不需要随处可见的自定义Spark群集，以及定制的“笔记本”，以及自定义的ETL流程。无论业务问题如何，您都需要能够完成繁重工作的人工智能系统。

AI前提条件4：AI / UI组件化

在后端使用RESTful服务的Java / Web UI世界中，许多UI应该能够混合使用AI组件。无论是基于用户行为的推荐器还是全面的虚拟助手，您的公司都应该构建一个包含AI功能的UI库，以便轻松嵌入到您的业务应用程序中。

AI前提条件5：仪表

没有数据，这一切都无效。让我们不再回过头来创建大而胖的数据转储，我们只是在HDFS上收集大量垃圾，并希望它有一天会有价值，正如一些供应商敦促你做的那样。相反，让我们来看看应该检测哪些东西。

如果您正在制造，那么有一个简单的起点：任何拔出手动仪表的人都在浪费你的时间。然而，即使在销售和市场营销方面，您也可以通过电子邮件和手机自动收集数据，这些数据显然非常有用。而不是唠叨销售人员来完成数据输入，为什么不让系统自己做呢？

审核编辑黄宇