机器学习和人工智能，一般，已经每个人的嘴唇一段时间了。虽然 AI 的话题在媒体上处于前台，但大多数人（尤其是管理层）仍然不知道机器学习如何最好地应用。
最终，机器学习可以描述为人与机器之间的协同关系。机器学习在实践中需要应用科学的方法和人的沟通能力。成功的公司拥有分析基础架构、知识以及分析师和业务专业人员之间的密切合作，将这些协同效应转化为 ROI。
如果公司希望在未来保持竞争力，就必须制定 AI 战略。但是，仅仅制定AI战略是不够的。当然，它也必须反映在组织结构中，或者应该能够成功地执行既定战略。在下面，介绍了公司应实现成功的 AI 战略的一些重要基石。
1. 在公司建立实验性思维方式
机器学习是一个迭代和探索性的过程。尽管核心算法正日益大规模生产，但每个项目都必须根据业务上下文和数据进行自定义。
与任何好的实验一样，一些假设最初会是错误的。可能需要采购或生成新数据，或者根据找到的内容重写问题描述。因此，决策者和团队成员都需要应用机器学习测试和学习心态来建立成功的数据分析。
提供最大灵活性和敏捷性的迭代过程可以更快地评估进度并确定是否需要替代方法。
2. 组建一个跨学科的数据科学团队
投资于机器学习和看到结果，你不能只投资于技术。您还需要确保您拥有合适的人员或专家来管理系统，并给他们带来最大的影响。
同样重要的是一个动态团队模型，该模型涉及具有业务、数据和技术专业知识的各种专家。这包括数据专家，他们可以评估所需的数据并将其带上板。最后但并非最不重要的一点，它还需要能够部署和维护技术生态系统的 IT 人员。
不容忽视的是同事的就业，他们可以在量化者、数学家/统计学家和管理者之间进行翻译
3. 制定可靠的数据战略和生态系统
机器学习需要数据 — 通常需要大量的数据。因此，建立充分识别、采购和交付以及获取高质量数据和信息资源的进程至关重要。
为此，治理准则和数据生态系统必须支持探索性环境（通常称为沙盒）和生产环境。这需要多级方法来调整访问和灵活性，而不会牺牲安全性、隐私性或质量。
引入非传统（丰富的）数据源（包括非结构化文本、语音、图像等）可能还需要新的数据管理功能。
4. 组织的高风险容忍度
从同意”足够好”的标准，到了解如何验证和开发模型，机器学习经常挑战传统的质量保证和风险管理方法。为什么？在某些时候，训练或测试数据必须替换为生产性数据。真正的验证仅针对新数据的结果。
5. 参与调整既定业务流程
无论是自动化现有决策点，还是提供新产品或服务产品，机器学习都是颠覆性的。评估对现有业务流程、角色和职能的潜在影响是关键。这并不意味着您必须在开始之前设计可能的效果。但快速检查可以减少事后进行代价高昂的重组的可能性。从问题开始：
如果我们回答这个问题或提出这个假设，我们可以如何处理这些信息？
这如何影响现有流程？
我们是否准备好并能够进行必要的更改？
6. 致力于新的IT实践
部署后，机器学习模型的迭代建模和调优必须持续稳定。需要更新的时间间隔不可预测，并且不符合传统的计划部署模式。因此，使用机器学习需要根本不同的 QA 和交付模型。维护模型是一个关键的、持续的过程，必须以与初始模型开发相同的方式执行。