AI 采用者的辛斯
人工智能的采用可能比较棘手。此技术与您以前实现的任何其他技术都不同。有规则要遵循，其中一些规则对于没有广泛的 AI 知识的人来说是难以理解的。在实施AI时，公司可能面临某些挑战：数据质量、模型错误、缺乏数据科学专家——其中许多挑战在AI采用的第12条中涉及。其中一些问题是可以预防的，但有些问题需要准备。然而，许多组织在AI方面仍然是梦想家。有一个愿景去遵循没有错，但你遵循它的方式很重要。
您可能还喜欢：
关于采用大数据、AI 和机器学习需要了解的方面
不切实际的期望和缺乏数据战略
这 2 个元素喜欢在一起，对于许多已经知道自己应该关注 AI 技术的组织来说，这通常是正确的。他们可能很快就需要它了。他们怎么知道他们可能需要它？嗯，他们观察他们的竞争对手，看到新实现的功能，他们观察市场领导者，记录哪些可行，哪些不有效，他们还被告知AI是未来。
然而，不切实际的期望使许多项目失败，即使在早期阶段也是如此。让我们看看怎么做。
场景 1：复制酷孩子
复制很酷的孩子可能是一个策略，通过高中生活，但与其说是在商业上。跟着钱是最有意义的。因此，即使亚马逊在 X 个功能中实现了 AI，您为什么要执行完全相同的操作？
许多组织都倾向于跟随最大的参与者，这是可以理解的。他们是成功的，所以假设他们所做的是有道理的，这是合乎逻辑的。然而，像亚马逊这样的公司已经聚集了足够的资金来测试各种甚至疯狂的解决方案。他们买得起，试验技术是伟大的。然而，小公司不能承担这么多风险。
观察巨人，从他们的成功和失败中学习——这确实能带来价值。但请记住，每个业务都不同，需求也不同。不要让自己忘记什么对你很重要。做一些研究，准备好你的策略，然后去摇滚市场。
情景2：成为无望的乐观主义者
当然，它会工作！可能出什么问题？
你应该永远相信你的项目是成功的，否则为什么要首先去呢？但是你知道他们说，”希望最好，但做最坏的准备。实施一项新技术可能具有挑战性，这是组织必须记住的。AI 不是一个神奇的工具 – 它需要与您的目标、正确的数据和成功标准相匹配的正确用例，它也有一定的局限性。
当您确定您认为适合您的领域时，例如，您希望开发推荐系统，了解它提供的可能性和限制。了解 AI 可以现实地为您的业务做些什么，并能够稍后跟踪已部署模型的性能，是流程的一个重要部分甚至对于AI。AI 也会出错。没有模型是100%无误差的。正确的策略将帮助您的组织避免 AI 失败不良（只要看看这些 ），这就是您应该做的。实事求是，做好准备，要有战略眼光。模型总是会犯一些错误，但你必须知道错误的后果是什么。说一个不流失的客户搅动不会伤害你的业务，但是如果你的模特决定向孩子们推荐性玩具呢？因为”玩具”，对吧？那是公关的噩梦如果成本很高，请使用启发式方法来防止明显的失败，而不是推动模型完美无缺。
上述情景只是一些例子，说明不切实际的期望和缺乏战略方法会妨碍这种期望。公司会犯很多错误，如果你也犯了一些错误，可以与他人分享你的经验。这没什么可耻的;那是你的学习过程
令人惊讶的是，公司犯的许多错误是可以预测的（没有预测模型，真的！在采用 AI 的过程中，早期需要更透彻的了解 – 不仅仅是对技术，还有业务。与领域专家（使用模型的员工）和数据科学家讨论您的想法，将帮助您明确确切的需求。确定正确的业务用例和从小开始对于验证公司中的 AI 概念和降低浪费金钱用于不会带来实际价值的”酷”添加的风险至关重要。这也是为什么我经常强调为您的组织制定数据策略的重要性的原因。让我解释一下原因。
您是否需要数据策略？
数据战略的重要性往往被低估。过去，数据只是流程和业务活动的副产品。现在不一样了数据是最有价值的资源，使公司能够获得竞争优势，并想出改进运营的新方法。许多公司现在都意识到数据的价值。他们使用分析、研究趋势和擅长报告。但是，较少人调整了以数据为中心的方法，专注于捕获和管理数据资产。组织需要涵盖当前业务和技术状态以及未来目标的数据策略。
根据 SAS 的定义：
数据策略旨在改进您获取、存储、管理、共享和使用数据的所有方式。
数据策略可确保公司收集的数据实际上像资产一样管理。数据战略包括业务战略、项目目标、数据要求和 KPI 的要素。每个数据策略可能不同，由根据组织需要调整的各种要素组成。
创建数据策略通常需要分析和规划以下内容：
业务案例
您的数据战略不能独立于您的业务战略。您希望使用数据来推动业务成果，因此第一步是查看业务目标和优先级。然后，您提出一个业务案例，确定使用数据来解决这些优先级的方法。您的数据策略不必涵盖您提出的所有可能的用例。专注于可行的事。选择几个用例开始。
目标和快速胜利
您的数据科学项目的长期目标是什么？你可能已经知道了，这是你的策略中非常重要的一部分，但你也需要快速取胜和短期目标。这些应该快速且相当便宜，并且它们能马上交付价值。
数据要求
是时候回答一些考虑数据的问题了g. 来自社交媒体）？
还有与数据治理相关的问题：
- 如何确保以安全的方式存储数据？
- 谁负责数据处理？
- 如何确保您对数据的使用符合 GDPR 标准且合乎道德？
- 哪些数据不应使用，即使它位于您的数据库中？
- 如何识别数据中的偏见？
您也应该考虑以下问题：
- 如何收集、存储和组织数据？
- 您是否拥有高效的数据管道？
- 您正在考虑哪些技术来为您的项目，有哪些技术要求（如硬件、软件）？
- 模型提供的结果将如何解释？
技能和诀窍
除了技术方面，您还应考虑团队组成。您是否具备交付项目所需的技能？你想培训你的员工吗？雇佣内部数据科学团队？您想与另一家公司合作吗？
核心活动
通过选择的业务案例并分析技术和人员要求，您可以概述在此过程中必须执行的活动。您不必设计非常详细的项目路线图，但确定核心活动将与确定项目中所需的技能和技能相结合。
KPI 和指标
确定适当的 KPI 以验证项目是否步入正轨。短期和长期检查，并在必要时进行调整。没有 KPI，任何战略都不可能实施，战略方法不能缺少有关进度、成功或失败以及相关指标的信息。
数据驱动文化
您的员工必须学习如何使用 AI 解决方案，以及如何在日常工作中使用见解。您需要确保做出数据驱动的决策成为他们的习惯。数据驱动型组织具有使员工能够获得所需信息的流程，但他们也对数据访问和治理有明确的规则。
在拥有数据之前不要进行推测
福尔摩斯说：”在一个人拥有数据之前进行推测是一个大错特错。他是对的公司了解隐藏数据的价值，并希望通过 AI 释放其潜力。这个想法是伟大的，但考虑到数据，他们忘了遵循相同的规则，验证了用例的想法…使用数据在每一步做出决策。为什么这个用例很好？您需要什么数据？你有什么数据？结果对员工有多大帮助？你如何衡量成功？这些（或更多）重要问题的解答为您提供宝贵的见解和指导，让您了解去哪里。做假设，但现实的假设。并确保验证它们。