尋夢新聞LINE@每日推播熱門推薦文章，趣聞不漏接❤️
雖然一些公司——大多數大型銀行，汽車公司，以及幾乎所有的科技公司——都在積極地採用人工智能，但許多公司沒有。相反，他們正在等待技術的成熟和人工智能的專業知識變得更加廣泛可用。他們計劃成為「快速跟隨者」——一種與大多數信息技術一起工作的戰略。
我認為這是個壞不太妙。的確，有些技術需要進一步發展，但有些（如傳統的機器學習）已經相當成熟，並且已經以某種形式可用了幾十年。甚至更近的技術，如深層學習，都是基於20世紀80年代的研究。新的研究一直在進行，但是目前人工智能的數學和統計基礎已經建立。
系統開發過程
除了技術成熟度問題之外，還有其他幾個問題，即一旦技術更有能力，公司就能夠迅速採用。首先，開發人工智能系統需要時間。如果這些系統完全是通用的，那麼它們可能對您的業務沒有什麼價值，因此需要時間來根據您的業務和其中的特定知識領域對其進行裁剪和配置。如果你採用的人工智能採用機器學習，你將不得不收集大量的培訓數據。如果它像在自然語言處理應用程序中那樣操縱語言，那麼啟動和運行系統就更加困難了。有許多分類和本地知識需要被合併到AI系統中——類似於專家系統的舊的「知識工程」活動。這種類型的人工智能不僅僅是一個軟件編碼問題，它是一個知識編碼問題。發現、消除歧義和部署知識需要時間。
尤其是如果您的知識領域還沒有被您的供應商或顧問建模，那麼架構師通常需要幾個月的時間。這對於複雜的知識領域尤其如此。例如，Memorial Sloan Kettering Cancer Center已經與IBM合作使用Watson治療某些形式的癌症超過6年，盡管在癌症護理和人工智能方面有高素質的人才，該系統仍然沒有準備好廣泛使用。存在若干領域和業務問題，對於這些領域和業務問題，可以使用必要的知識工程。然而，它仍然需要根據公司的特定業務上下文進行操作。
集成化過程
即使您的系統已經構建，也存在將AI系統集成到您的組織中的問題。除非您正在使用一些嵌入到您公司已經使用的現有打包應用程序系統（例如，CRM系統中的Salesforce Einstein特性）中的AI能力，否則與您的業務流程和IT體系結構的匹配將需要大量的計劃和時間來適應。從飛行員和原型到人工智能生產系統的轉換可能困難且耗時。
即使您的組織擅長將試點和原型遷移到生產中，您也必須重新設計業務流程，以便對業務和行業產生全面影響。在大多數情況下，AI支持單個任務而不是整個業務流程，因此您將重新設計業務流程和圍繞它的新人工任務。例如，如果希望影響客戶參與，則需要開發或調整與行銷、銷售和服務關係的不同方面相關的多個AI應用程序和任務。
人機交互與人工智能化的過程
最後，還有人工智能的人類挑戰需要克服。很少有人工智能系統是完全自主的，但是它更關注於人工的增強和人工的增強。新的人工智能系統通常意味著為與他們一起工作的人提供新的角色和技能，並且它通常需要相當長的時間來對新的過程和系統進行重新培訓。例如，向客戶提供「機器人建議」的投資咨詢公司常常試圖讓人類顧問將注意力轉移到「行為金融」，或提供建議和「推動」來鼓勵投資中的明智決策和行動。但是這種技巧與提供買什麼股票和債券的建議大不相同，而且需要花一些時間來灌輸。
即使AI系統的目標是完全自主的，在增強模式中也有可能需要一段時間。在此期間，通過系統與其人類用戶和觀察者之間的交互，機器學習的關鍵部分發生了。稱為交互學習，這是組織了解系統如何與其生態系統進行交互的關鍵步驟。他們經常可以收集新的數據集，並在此期間開始將它們烘焙成算法——這通常需要幾個月或幾年。
AI應用程序的的升級換代
雖然人工智能系統能夠提供指數級的規模和預測，但它們需要比傳統的控制和測試驅動方法更廣泛的管理方法。隨著時間的推移，人工智能算法的效率會下降，因為這些算法是基於歷史數據和最近的商業知識構建的。這些算法可以隨著機器從新數據中的模式中學習而更新，但它們需要由主題專家監控，以確保機器正確地解釋業務上下文中的變化。算法也必須持續監控偏差。例如，如果一個人工智能系統被訓練為根據客戶的人口統計信息創建產品建議，並且新數據中的人口統計信息發生了顯著變化，那麼它可能會提供有偏見的建議。
治理還包括監視客戶欺詐。隨著系統變得智能化，用戶也會變得智能化。他們可能試圖用欺詐性數據和活動來與系統進行博弈。監控和防止這種情況需要在您的業務環境中使用複雜的儀器和人工監控。
贏家遙遙領先
因此，開發和全面實施人工智能系統可能需要很長時間，而且幾乎沒有必要的捷徑。一旦成功實施，擴展——特別是如果公司有大量的數據和掌握的知識工程——會非常迅速。到後期採用者完成所有必要的準備工作時，早期採用者將占據相當大的市場份額——他們將能夠以更低的成本運行，並獲得更好的性能。簡而言之，勝利者可能會全力以赴，而過晚的收養者可能永遠趕不上。例如，想想像輝瑞這樣的公司已經積累了150多個人工智能項目的學習和能力，據該公司的分析和人工智能實驗室的一位主管人說。像字母表這樣的科技公司有更多的學習經驗，該公司在2015年已經有2700個人工智能項目在進行中。
誠然，如果一家公司願意犧牲其獨特的知識和開展業務的方式，那麼等待可以加快一些步驟。供應商正在開發各種各樣的知識圖表和模型，使用從自然語言處理到計算機視覺的各種技術。如果你的行業或業務問題存在這樣一個問題，並且你願意在不做任何修改的情況下採用它，這將加快人工智能採用的過程。但是，如果你不調整它以適應你的環境並圍繞它構建一切，你可能會失去你獨特的能力或競爭優勢。
顯而易見的含義是，如果你想在人工智能領域取得成功，並且認為可能存在來自人工智能驅動的競爭對手或新進入者的威脅，那麼你現在應該開始學習如何在多個不同的應用程序和人工智能方法中使其適應你的業務。一些領先的公司已經創建了一個集中的人工智能小組來大規模地完成這項工作。這樣的中心團隊專注於構建問題框架，證明業務假設，為可重用性模塊化人工智能資產，創建管理數據管道的技術，以及跨業務培訓。另一種可能是收購一家已經積累了大量人工智能能力的初創公司，但仍然需要將這些能力適應您的業務。簡而言之，如果你還沒有開始的話，現在就應該開始了，希望不會太遲。
