尋夢新聞LINE@每日推播熱門推薦文章，趣聞不漏接❤️
當我在大約15年前將AI作為計算機碩士學位的一部分進行學習時，人工智能仍然在很大程度上聲名狼借。它已經遭受了數十年的過度承諾和交付不足，如果你進入一家公司說你想用人工智能做一些事情，你會受到高度懷疑。
現在，很少發現任何技術驅動的企業沒有某種AI。它類似於互聯網泡沫，世界上每一個企業，甚至企業內的大多數項目，都必須擁有一個網路元素。現在，AI也是如此。
在最近由O’Reilly和英特爾AI提出的AI會議上，西北大學的Kris Hammond建議有三個驅動因素。首先，人工智能在其能力上已經變得像神一樣。頭條新聞預測一項技術將破壞就業，擾亂行業，並且通常會對個人，組織乃至整個社會產生深遠而令人擔憂的影響。
這會產生一種恐懼感，這種恐懼感很大程度上與害怕被遺忘有關。 正如頭條新聞推動人工智能的能力做出偉大的事情一樣，他們也經常提醒我們，我們大多數人都是相對落後的人。 從統計數據來看，這當然不是真的，雖然Facebook，亞馬遜和世界上的Google確實做得很好，但大多數公司都沒有。
對於人工智能是什麼，它能做什麼，以及它如何使企業受益，人們普遍存在高度無知，這種擔心更加複雜。 如果沒有這種理解，就不可能對人工智能可以為您的企業做些什麼做出明智的觀點，因此管理人員只是努力做某事，確保他們不是’那個’沒有使用AI來’轉變’他們的業務的組織。
如何將A融合到企業中？
那麼組織如何克服這個問題呢？克服無知是一個很好的起點，哈蒙德提供的教程是許多技術活動的一個令人愉快的突破，這些活動主要由來自該活動所涵蓋的任何學科的人參加。數據科學家參加數據事件，機器人專家參加機器人事件等。然而，在O’Reilly活動中，技術人員占少數，大部分與會者來自管理職能。
本次會議首先概述了人工智能是什麼，通過機器學習的哨聲停止之旅，特別是學習本身的本質，這些都是當今所有機器學習系統使用的監督，無監督和強化學習模型的結果。
機器學習當然只是人工智能的一個方面，麥肯錫最近確定了五種不同的形式，包括物理人工智能，計算機視覺，自然語言處理，自然語言，然後是機器學習。了解每一個是什麼，即使在基本層面，你可以幫助你做出明智的選擇，而不是被炒作吸引。
在此基礎上，您可以了解您在業務中遇到的核心挑戰，並探討AI是否可以為您提供幫助。在評估問題是否適合人工智能時，哈蒙德建議考慮三件事：
您的任務真的是數據驅動的嗎？
您是否擁有適當且足夠的數據來支持任何AI驅動的解決方案？
您需要自動化提供的規模嗎？
如果您遇到忽略業務的解決方案，忽略數據，以技術為導向並在問題出現之前提出承諾，則應設置警告信號。
把車放在馬前
從許多方面來說，我們可以從剝離人工智能的炒作中獲益，實際上也可以從我們這個時代的其他熱門話題（也許是區塊鏈，或量子計算）中獲益。 這種炒作使我們對技術能夠或應該做到的目標抱有過多的期望。
就人工智能而言，也許更明智，更不性感的第一步是開始建立人工智能無疑依賴的數據基礎。 如果您沒有強大的數據分析功能，那麼將來很難構建更全面的AI功能。
從那時起，下一個挑戰就是心態。 當然，掌握技術和技能是至關重要的，但有一個重要的部分根本不是技術相關的。 當你去像O’Reilly這樣的活動時，你會覺得管理者需要知道數據，數學和人工智能本身才能有效。
但實際上，您將擁有數據科學家和編碼人員來完成技術工作，就像您在業務方面的人員是他們所做的專家一樣。 管理者需要能夠在兩個世界之間進行轉換。
當然，需要對該技術有一定程度的了解。 簡單地「信任」這項技術是不夠的，就像它是一個黑盒子一樣，但你也不需要自己成為一名專家。 您需要的是足夠的理解，以幫助您開始收集和管理推動業務所需的數據集大小。
我懷疑，就像之前網路所做的那樣，人工智能最終會改變每一項業務，但這需要的時間比我們預期的要長一些。 作為主管者，您的角色是確保技術人員不能完全控制您的AI工作，並且他們仍然與業務聯繫在一起。 如果您能夠提供該管道並確保組織處理其最緊迫的問題，那麼您就有更大的成功機會。
然而，在採用調查中，最先進的AI公司在其他數字化領域也是最先進的，這也許不足為奇。 人工智能的早期採用者是那些投資於數字能力的人，迄今為止的證據表明，如果不先進行「基本」數字化轉型工作，就不可能超越人工智能。 如果你還沒有開始，那就沒有比今天更好的時間了。