AI扩展失败的三大原因

IBM 商业价值研究院的调研数据表明：

–积极采用AI的企业从四年前的26%增至2020年的44%（保守估算）。

–疫情期间，84%的企业表示对AI的关注度与以前差不多或高于以前的水平。

–受疫情影响，近1/3的企业计划增加对AI的投资。

看到 AI 未来应用前景的并非 IBM 独家。IDC 预测，2020年，全球总体 IT 支出会下降，但是 AI 支出却有所增长，四年内支出将翻一番。然而，企业推进 AI 的进程却十分艰难。再请看这样一组数据：

90%的企业仍难以在整个组织范围扩展 AI。

大约50% 的 AI项目无疾而终。

如何在企业内成功扩展 AI，充分发挥 AI 应有的价值？IBM 商业价值研究院最新报告《扩展AI的公认概念：从试验变为工程原则》为你答疑解惑，指明出路。

AI 扩展失败的三大原因

AI 的成功扩展是指项目从沙箱过渡到试点和最小可行产品 (MVP)，最终实现工业级商品化的整个历程。

下图展示了非常典型的企业 AI 计划的轨迹。对处于 AI 采用早期阶段的企业而言，将 AI 作为原则的紧迫感或许并不明显，所以，企业常常深陷 AI 试点和概念证明阶段而无法自拔，在一些看似让人兴奋但却孤立的案例中零敲碎打地应用 AI，不断尝试却没有结果。

错！

传统低效的应用开发模式。模型开发工作在数据科学家的笔记本电脑上完成，统筹任务则使用自定义代码和脚本人工临时实施。最终结果是，数据团队（科学家、工程师及其他人员）被迫沿用低效的工作方式。他们承受繁重的人工任务，比如将机器学习 (ML)模型移交给开发人员，以便最终在后者开发的应用中运行。这会减缓基于 ML 应用的交付速度，降低 AI 投资的业务回报。

错！

在投入生产环境之前，AI 项目往往是像一个孤岛，开发人员与利益相关方之间脱节。倘若不明确特定数据的拥有者和控制者，问题势必会进一步加剧。

错！

某些 AI 团队相对较新，角色和职责仍不明确，上下级关系“纷繁复杂”，甚至在同一部门内也会采用各种不同的工具。哪怕是成熟团队，也要与不同的群体和利益相关方进行互动。而要实现清晰精准的沟通无疑非常困难。

企业如何才能避免 AI 的低谷期，加快扩展 AI 的步伐，充分发挥 AI 应有的价值？

借助结构化方法避开 AI 低谷

众所周知，AI 是一项复杂的多领域业务和技术创新，包含多个互连而且不断变化的层面。任何一个方面都无法仅凭一己之力就确保将 AI 项目成功投入商业使用。这时候，普通的“变革管理”恐怕难以奏效。符合业务战略的“镇痛良方”也不行。哪怕久经考验的“流程改进”甚至更前卫的“敏捷方法”也不足以解决问题 ― 无论整理多少西格码和意大利面条图，抑或组织数次讨论和冲刺活动都无济于事。

企业真正需要的是，彻底改变AI的角色：过去，人们将 AI 视为最新技术魔法的化身而敬而远之，现在，必须将 AI 作为战略能力融入到整个企业之中。

企业亟需停止匆忙实施的数据科学试验，开始全面周密地采用 AI 技术― 将 AI 植根于业务战略、创新活动和差异化竞争优势之中；深度整合至不断发展的业务运营模式和工作流程、组织架构和治理机制、数据架构和基础架构乃至文化价值观和道德规范之中。

我们建议企业采用更为严谨的结构化方法，即“AI 工程和运营”，它涵盖四个高层级的重点领域，以及许多基本原则、流程和工具，用于指导 AI 计划大规模投入生产运营。见下图。

AI 工程和运营

设计

专为改善易用性而设计的人与 AI 互动体验，配备标准工具集和方法，旨在提高 AI 项目实现价值的速度和质量标准。

部署

自动执行部署工作的框架，旨在提升效率和可审计性。

监控

技术和质量关键绩效指标 (KPI) 和流程，定期进行衡量和对标。

嵌入

用于检查模型中偏见的方法、AI 模型用于直观呈现决策的工具以及更广泛的企业道德准则

简而言之，“AI 工程和运营”这种方法有助于企业建立重点明确的环境，以结构化方法引导项目从开发到生产的整个过程，切实发挥 AI 在生产领域的巨大潜力，最终实现商业效益。

RedHat：借助开源概念在软件中应用AI

与所有典型的科技公司一样，RedHat 很早就对 AI 和机器学习（ML）表现出极大的兴趣，积极探索如何将这些技术应用于自己的产品和服务，为客户带来切实收益。

但大约四年前，一切都变了。从那时起，RedHat 开始重点研究如何将 AI 融入自己更广泛的产品组合，确保实现互操作性，满足客户在容器和 Kubernetes 中运行 AI 和ML 工作负载的不断增长的需求。

RedHat 加大了在自己的平台上运行 AI 的力度，为 OpenData Hub 打下坚实基础。OpenData Hub 是依托 AI 工程原则的元项目，将开源项目整合至实际解决方案之中，并由 AI 生态系统合作伙伴加以补充。开源社区可试验并开发智能应用，既可避免高昂的成本，又能解决现代 ML 和 AI 软件组合所带来的复杂性。

为搭建业务架构和推行战略，RedHat 成立了 AI 人才中心(CoE)。该组织经过扩充后，新成立了“早期部署工程团队”，动员顶级数据科学家通过服务互动模型，为客户提供创新成果和可观价值。随着工作的深入，他们增加了工程原则。运用 DevOps 和敏捷方法强化并规范企业的 AI 开发方法。

目前，RedHat 通过“开放创新实验室”与客户合作开展 AI/ML 项目，采用最先进的开源技术。例如：

–AICoE 帮助某汽车行业客户开发了一个平台，凭借可扩展的 ML 和大数据处理能力，更快速、更准确地进行驾驶模拟和数据分析。他们在短短三个月内就完成了平台配置和创建。

–AICoE 为某医疗保健行业客户打造了一个预测和治疗优化平台，实时收集和分析临床数据并提醒看护者启动早期护理。

RedHat 的经历表明，开源技术依托结构化的 AI 方法获得了新生。

构建 AI 能力之行动指南

尽管让 AI 走出实验室并全面投入生产环境绝非易事，但我们确定了一些关键行动供企业参考，以期加快扩展 AI 的步伐，切实发挥AI在生产领域的巨大潜力，最终实现商业效益。

针对资历较浅的 AI 采用者（处在考虑/评估和试点 AI 阶段的企业）的实践方法：

开始行动：开发工作通常可分成“小块”并行完成。

从小规模入手，但在设计中考虑到扩展。

采用工程原则：比如采用 DevOps 或其他软件工程方法。

制定成功衡量标准：根据关键成功因素和重大风险确定指标，保证开放透明。

任命强有力的领导团队。

针对资历较深的 AI 采用者（处在实施、运行和优化 AI 阶段的企业）的实践方法：

制定AI 行动手册。

持续记录和改进。

监控模型- 持续监控AI模型的可解释性、公平性和强健性。

大规模创新。

与生态系统合作伙伴合作。

关于 IBM 商业价值研究院

IBM 商业价值研究院 (IBV) 站在技术与商业的交汇点，将行业智库、主要学者和主题专家的专业知识与全球研究和绩效数据相结合，提供可信的业务洞察。IBV 思想领导力组合包括深度研究、对标分析、绩效比较以及数据可视化，支持各地区、各行业以及采用各种技术的企业做出明智的业务决策。

责任编辑：lq