Skip to main content
Skip to footer
联系我们
We are taking you to another website now.
May 14, 2021

近年,越来越来的人工智能成功案例出现,企业难免会受到吸引并想要实施人工智能。最近的一份报告指出,未来三年内,零售业的人工智能(AI)的采用率预计将从40%跳增至80%。然而,据Gartner预测,由于人工智能专家与企业的职能部门无法开展富有成效的对话,将有75%的人工智能项目仍将处于“样机系统”的水平 - 考虑到人工智能技术的话题热度,这项预测让人出乎意料。

商业案例不明确、缺乏高质量数据以及技术基础设施难题都是阻碍人工智能成功实施的一些常见因素。下面介绍的七种方法,可帮助企业摆脱概念验证阶段,自信地扩展人工智能项目:

1. 找到“为什么”:确定人工智能业务案例

与缺乏技术能力相比,商业案例不明确是影响人工智能实施的更大障碍。企业需要确定正确的问题陈述,以展示人工智能带来的快速业务价值。要构建一个有力的商业案例,需要明确以下几点:项目的目标是什么;您要利用哪种技术框架;该解决方案的用户是谁;以及采用何种交付方式。

2. 获取正确的数据

尽管大多数组织都会使用内部企业数据为人工智能项目提供情报,但是,能够利用外部数据的企业能够为业务团队提供更高质量的预测和预警触发器。此类外部数据可以通过与尼尔森等市场情报公司和社交数据聚合商等签订外部协议,或者通过政府组织提供的公共数据集以及用于发布天气数据、商品价格、微观和宏观经济指标的API来获取。

3. 逃离概念验证的桎梏

要成功实施人工智能计划,务必要关注细粒度。确定人工智能的目标后,要以所需的粒度获取干净的数据,并应用正确的技术来构建人工智能模型。迭代法可以最大限度地减少错误,并有助于得到准确的结果。随后可以进行商业价值的放大,并且可以利用通用模型进行后续的重复使用。

为了保持这一势头,您需要跟上底层技术快速变化的脚步,找到正确的持续创新道路,并克服团队内部对失败的恐惧以及信任不足的问题。

4. 跟踪进度

要确定人工智能项目的价值,需要密切评估真实的场景并进行权衡分析,以得出项目的基本机会价值(BOV)。概括地讲,BOV计算侧重于直接收益,比如营销活动的有效性、营销投资回报率(ROI)、收入提升、利润率提升以及生产力改进和优化等。

企业可以通过分析以下数据,清楚地了解自身人工智能之旅的进展情况:

  • 在过去的几个月里,我们尝试了多少新想法?
  • 从商业角度来看,有多少想法成功了?
  • 以及,最终部署了多少想法?

5. 减轻技术负债

当企业为了加快推进速度,而在应该采用最佳方案时进行了妥协时,就会产生大量的技术债务。虽然完全消除技术债务几乎是不可能的,但通过遵循以下方针,您可以减少或减轻技术负债:

  • 基于老式系统的企业可以利用语义视图或数据虚拟化方案,一方面让数据保持不动,另一方面为所有人工智能项目开发一个包装器视图,在视图中使用数据。使用这种方法时要特别注意性能参数,而且这种方法仅适用于少量或中等数量的数据。因此,此类企业还应探索边缘计算法,将大多数人工智能模型的执行位置推到更接近需要该模型的地方。

  • 正在实施现代化改造的企业则可在不同的应用程序中采用基于微服务的数据公开,以获得所需的洞察见解。此外,此类企业还必须使用云原生人工智能解决方案和开箱即用(OOTB)算法。

  • 已经完成数字转型的企业则可以利用数据管道为人工智能项目提供高效的数据供应。此类企业应利用数据和分析结构进行端到端的无缝人工智能项目开发、功能设计、模型训练和部署。

6. 拥抱硬件创新

硬件发展在加快算法的运行速度,使零售商能够比以往更快地获得实时的上下文洞察。通过更多地使用图形处理单元(GPU),可以提升运行性能,并显著缩短学习时间。IBM和英特尔的神经芯片、微软的现场可编程门阵列 (FPGA)和谷歌的张量处理单元(TPU),以及量子计算领域的最新发展,都将在硬件方面为人工智能项目的未来发展做出重要贡献。

7. 快速失败,尽早失败

如今,全球大多数企业都在采用敏捷法,以期望获得增量成果。人工智能项目的孵化期略长,零售商必须做好可能会闯入死胡同的心理准备。零售商需要将问题分解细化以方便进行实验、确定实验过程的每个逻辑阶段的退出标准、利用开源算法、推算业务结果以及更好地掌控成本。即使实验失败,也需要记录结果和失败的原因。

总结

人工智能正在快速渗透到各行各业,在未来几年间,还将继续产生颠覆性变革。然而,选择合适的人工智能应用点是决定项目成功的关键。现在,人工智能项目的每一项成果都会将被展示,并开放给所有人工智能向善的项目,以践行初心,帮助人们解决一些紧迫的社会挑战。很多独角兽初创公司已在利用这些数据提供更准确的天气预报,为种植者的日常田间作业提供指导。数据可用性、硬件创新以及新一代深度学习算法集将继续成为市场的生力军,并为探索新商机以及提升采用率拓宽道路。

Nagarajan Karuppiah heads the ML and AI CoE, Retail. He has been with TCS for over 20 years and has held various leadership positions across retail accounts. An active member of IEEE, he has published white papers on diverse topics from enterprise data warehouses to decision sciences. Nagarajan is currently focusing on building ML solutions, NLP for personalization and recommender systems for retailers. He can be reached at LinkedIn: https://www.linkedin.com/in/nagarajank/?originalSubdomain=in

×

Thank you for downloading