在本文中，我们概述了帮助人工智能和机器学习充分发挥其潜力的八个关键实施步骤

　　人工智能（AI）和机器学习（ML）正在从商业流行语转向更广泛的企业采用。围绕战略和采用的努力让人想起企业云战略的周期和转折点，当时公司不再可以选择迁移到云端，而这只是一个何时以及如何迁移的问题。与公司构建方法一样，AI和ML实施策略处于相同的进化模式。以下是一些关于如何做的想法。

　　Forrester报告说，近三分之二的企业技术决策者要么已经实施，要么正在实施，要么正在扩大对人工智能的使用。这项工作和努力是由位于公司内部的企业数据湖驱动的，由于合规性和低成本存储，这些公司大多处于闲置状态。利用这些丰富的存储库，让人工智能回答我们不问，也可能不知道要问的问题，这是企业需要理解的赏金......在别人之前。

　　预计到2026年，以人工智能为中心的系统的支出将超过3000亿美元，果汁需要值得挤压——挤压需要妥善完成。

　　未来几年，所有部门的组织将继续采用人工智能和机器学习技术，转变其核心流程和业务模式，以利用机器学习系统来增强运营和提高成本效益。当商业领袖开始制定如何充分利用这项技术的计划和战略时，他们必须记住，采用人工智能和机器学习的道路是一段旅程，而不是一场竞赛。组织应首先考虑以下七个步骤。

　　1.明确定义一个用例

　　对于业务领导者及其项目经理来说，重要的是首先要花时间明确定义和阐明他们希望人工智能解决的特定问题或挑战；目标越具体，他们实施人工智能的成功机会就越大。

　　>另见：机器人流程自动化和数字化转型的新时代

　　例如，说该组织希望“将在线销售额增加10%”并不足够具体。相反，一个更明确的声明，如“旨在通过监控网站访问者的人口统计，将在线销售增加10%”，在阐明目标并确保所有利益相关者清楚地了解目标方面更有用。

　　2.验证数据的可用性

　　一旦明确定义了用例，下一步是确保已经到位的流程和系统能够捕获和跟踪执行所需分析所需的数据。

　　在数据摄取和争论上花费了大量时间和精力，因此组织必须确保以足够的数量和正确的变量或特征（如年龄、性别或种族）捕获正确的数据。值得记住的是，由于数据质量与数据量一样对成功结果至关重要，组织应该将数据治理程序作为优先事项。

　　3.进行基本数据探索

　　企业首先跳入模型构建练习可能很诱人，但至关重要的是，它首先要进行快速数据探索练习，在该练习中可以验证其数据假设和理解。这样做将有助于根据组织的主题专业知识和商业敏锐性来确定数据是否讲述了正确的故事。

　　>另见：最大值：您为什么以及如何使数据分析更多...

　　这种练习还将帮助组织了解重要变量或特征应该（或可能）是什么，以及应该创建的数据分类类型，以用作任何潜在模型的输入。

　　4.汇集一个多元化和包容性的工程团队

　　为了使人工智能模型真正成功，管理该模型的团队需要带来各种想法和观点。这要求从尽可能多的人群中雇用和纳入工作人员，同时考虑到性别、种族和神经多样性等人口和社会因素。

　　在整个科技部门和业务中，技能差距仍然突出，但雇用和留住来自所有可能背景的员工可以缓解这种情况，并确保人工智能模型尽可能具有包容性和可操作性。花时间根据您的行业进行基准测试，并找到您需要更多代表性的地方。

　　5.定义模型构建方法

　　与其专注于假设应该实现的最终目标，不如专注于假设本身很重要。运行测试以确定哪些变量或特征最重要，将验证该假设并改进其执行。

　　应涉及一群多样化的业务和领域专家，因为他们的持续反馈对于验证和确保所有利益相关者意见一致至关重要。事实上，由于任何ML模型的成功都取决于成功的特征工程，因此在推导出更好的特征时，主题专家总是比算法更有价值。

　　6.定义模型验证方法

　　性能措施的定义将有助于评估、比较和分析多个算法的结果，这反过来将有助于进一步完善特定模型。例如，在处理分类用例时，分类准确性，即将正确预测的数量除以预测总数，并乘以100，将是一个很好的绩效衡量标准。

　　数据需要分为两个数据集：一个训练集，将训练算法，以及一个测试集，将根据该数据集进行评估。根据算法的复杂性，这可能就像选择随机数据拆分一样简单，例如60%用于训练，40%用于测试，或者它可能涉及更复杂的采样过程。

　　与测试假设一样，业务和领域专家应该参与其中，以验证调查结果，并确保一切都朝着正确的方向发展。

　　7.自动化和生产推广

　　一旦模型被构建和验证，就必须将其推广到生产中。从几周或几个月的有限推出开始，业务用户可以就模型行为和结果提供持续的反馈，然后可以向更广泛的受众推出。

　　应选择正确的工具和平台来自动获取数据，并建立系统来向适当的受众传播结果。该平台应提供多个界面，以考虑组织最终用户之间不同程度的知识。例如，业务分析师可能希望根据模型结果进行进一步分析，而临时最终用户可能只想通过仪表板和可视化与数据进行交互。

　　8.继续更新模型

　　一旦模型被发布和部署使用，必须对其进行持续监控，因为通过了解其有效性，组织将能够根据需要更新模型。

　　由于多种原因，模型可能会过时。例如，市场动态可能会发生变化，或者企业本身及其商业模式。模型建立在历史数据之上，以预测未来结果，但随着市场动态远离组织一直以来的业务方式，模型的性能可能会恶化。因此，重要的是要注意必须遵循什么流程，以确保模型保持最新状态。

　　企业人工智能正在迅速超越炒作，进入现实，并将对业务运营和效率产生重大影响。现在花时间计划其实施将使组织处于更有利的地位，以进一步享受其利益。