发帖
雷达卡
人工智能策略–增量和根本改进
简介： 在开始制定AI战略之前，请确保您的团队了解当今合理的局限性以及可能被忽略的增量改进。重点应该放在了解业务的LOB领导人上。确保他们也能够识别AI机会。
我最近在普华永道会计师事务所（PricewaterhouseCoopers）的《2018 AI预测报告》中看到了这张图表。声明是：“我们有效地利用捕获到的所有数据来提升业务价值” （强烈同意-国际上大中型公司的2200名C级和IT受访者）。
请记住，该调查是以AI的未来应用为重点进行的。立即令我震惊的是，这些回应几乎恰恰是我们所期望的相反。
到目前为止，酒店，消费者和金融服务是预测分析最密集的用户。相反，对于公共部门和公用事业公司来说，它们提供了如此光辉的有关其数据使用有效性的报告，这似乎很可笑，但不要太轻率。
我认为应该这样解释，即得分最低的人会从数据科学的进步中看到最大的潜在收益。
具体来说，我们排名前三的“领导者”（酒店，消费者，金融服务）都属于最早和最深入的预测分析采用者。对我而言，这意味着他们拥有最发达的团队和最悠久的历史，并且在战略和战术上均具有其商业价值，因此最有可能接受深度学习（即人工智能）的最新进展。
为什么将AI策略限制为深度学习
坦率地说，当今AI中唯一可商用的技术是用于图像/视频分类的卷积神经网络（CNN），以及用于解决诸如文本和语音识别及翻译之类的序列问题的循环神经网络（RNN，LSTM，GRU）。
没有CNN和RNN，我们的推荐者将不会拥有面部识别，聊天机器人，个人助手，即时翻译，Alexa，Siri或视觉搜索和分类功能。
AI方面还有许多其他令人振奋的进展，但它们还没有准备好进行广泛的商业推广。
回到普华永道的预测，最引起我共鸣的是“人工智能将落到实处并开始工作”。企业应该将尚未出现的技术留给研究人员，并专注于现在已经准备好的技术。
您真的想要AI策略吗？
首先，我们将假设这些受访者实际上可以说出什么是AI，什么不在数据驱动策略之内。这还不是很清楚。流行的媒体，分析平台供应商和AI研究人员表示，数据科学中的一切都是AI。
让我们从一个共识开始，即在深度学习之外已经存在了将近20年的预测分析不是AI。它广泛地帮助人们做出更好的决策（例如，谁来购买，谁将流失，是欺诈，价格会是多少），但是它并不能执行类似于人类的扩展任务，例如煮咖啡甚至进行像样的随意交谈。预测分析仍然代表着我们在数据科学领域所获得的报酬的约95％。
如果您属于我们的领导小组（酒店，消费者和金融服务），那么您会很直观地知道这一点，因为您一直在使用它。在采用者规模的另一端，我不确定他们是否能准确区分。
不过，尽管当今很少有公司真正采用AI战略（大多数调查显示，在15年代中期，这一数字约为15％），但更大的集团却打算采用AI战略。
增量与基本改进
在确定您的AI产品组合的战略机会时，重要的是要区别对待并且不要忽略那些需要不断改进的应用程序，而不是根本上具有新功能的应用程序。这里有些例子：
开发项目的AI组合
一旦公司致力于AI计划并通过定义可以从AI中受益的战略目标的过程，下一步就是创建和完善AI项目组合。
这与开发目标投资组合或估计其潜在价值，成本，时间，相互依赖关系，风险和其他要考虑的因素的许多众所周知的过程没有显着差异。
不同之处在于该项目参与者所需的技能。包括AI在内的数据科学越来越成为一个团队项目，涉及数据科学家，IT，分析师和最重要的LOB经理。
这项工作成功的关键技能是能够将业务机会识别并清楚地陈述为数据科学（AI）问题。鉴于数据科学家仍然很少，并且不会成为对最佳业务了解的来源，因此重点应该越来越多地放在LOB经理身上。
在过去的几年中，公民数据科学家的概念得到了广泛的讨论。早期的定义（以及平台供应商最支持的定义）包括Citizen Data Scientist，实际上是实际动手操作的数据科学平台，该平台已得到了足够的简化，可以做到这一点。新定义侧重于更高级别的任务，即了解商机何时是AI（或预测分析）的合适目标，并广泛地了解哪种技术合适。
如果您的公司打算制定AI战略（或广泛地使用数据科学），则适当的第一步是培训或选择对LOB经理进行培训，使其充分了解AI技术及其应用，以领导团队定义AI产品组合项目。
题库
京公网安备 11010802022788号
