Gartner丨支撐人工智慧企業的四大技術來源

對於企業來說：

➤ 超過一半的Gartner終端用戶採用基於雲開發服務的人工智能(AI)技術。

➤ 人工智能的功能和特性正越來越多地通過企業應用套件集成到客戶關係、供應鏈、資源規劃和知識管理軟件中。

➤ 數據科學和機器學習平台供應商提供的一系列人工智能產品推動人工智能成為分析和BI市場增長第二快的細分市場。

➤ 現在，更多的IT主管者轉向咨詢合作夥伴，尋求外部支持，以增強其企業在整個數據和分析價值鏈中的人工智能能力。

對於企業的建議:

➤ 利用您首選的雲供應商的專業知識和您自己的內部技能，研究快速構建和部署AI產品。檢查數據源、計算和基礎設施框架的接近程度。

➤ 採用和推廣企業業務應用程序中員工易於理解的基於AI的功能，包括啟用AI的應用程序功能和會話代理。

➤ 選擇與企業的人工智能人才和技能基礎相匹配的數據科學平台，以改進定制和精細控制。

➤ 為平台、預培訓的人工智能模型和服務的「一站式商店」記錄當前系統集成商（SIS）的技能集、領域專業知識和人工智能解決方案跟蹤記錄。

預見企業AI未來：

➤ 到2021年，85%已經部署並投入運行的人工智能應用程序將利用領先的公共雲平台。

➤ 到2021年，所有主要的企業應用軟件平台都將具備人工智能功能。

➤ 到2021年，與人工智能相關的項目服務將進入主流，30%將被大公司採用。

➤ 到2021年，包括數據管理在內的50%以上的數據科學任務將做到自動化，從而提高生產率，使公民數據科學家得到更廣泛的使用。

➤ 到2021年，人工智能技術將滲透到每一個新的軟件產品和服務中。

當開始使用數據科學和機器學習時，許多企業的軟件管理者將面臨大量可用的工具和技術，常常很難理解它們之間的差異。雖然在做出購買決定之前，應用程序主管者應該運行試點項目和POC，以便在供應商選項上獲得更好的位置。但是大多數分析團隊幾乎沒有人工智能經驗，並且他們的概念驗證(POC)預算通常是有限的。

本報告研究了四個主要的AI技術提供者，討論了它們的優劣勢，以及它們的潛在演變和未來的潛在發展。

企業首選的雲提供商來源

過去幾年中，基於人工智能的托管服務，甚至來自亞馬遜、Google、IBM和微軟等領先雲服務提供商的解決方案都發生了巨大變化，主要支持三個基於雲的應用程序和服務：機器學習、語言處理和計算機視覺。

基於雲的人工智能服務是專門構建的、多承租人的、按次付費的、有彈性的，包裝在輕量級API或易用UI中。這些特性使應用程序主管者更容易使用這些服務，並將它們與他們正在使用的其他雲服務（如物聯網和設備管理）集成。此外，那些急於與企業建立聯繫（並鼓勵採用人工智能軟件、服務和其他基礎設施）的雲供應商往往會提供定價誘人的「測試方案」，包括一些基本支持、工具包和模板，甚至可能有助於收集和管理「饋送」AI應用程序所需的數據。

在許多情況下，應用程序主管者可以使用這些雲服務來執行高級分析，或者可以使用AI進行最少的數據科學或算法開發，這些服務通過消除構建ML系統的複雜性和提供專門針對特定用例的預培訓系統來幫助簡化AI工作。在大多數人工智能服務中，預訓練算法是一種基於雲服務提供商收集的數據進行廣泛訓練的共享資源。但要在人工智能驅動的業務流程的實驗或POC之外發揮作用，企業仍然必須提供一些收集的數據、對數據的托管或數據集結構。

雲服務提供商提供的大多數AI品牌服務都屬於以下三類之一:機器學習、語言處理、計算機視覺。在這些分類中，雲服務提供商提供了一系列功能。根據提供程序的不同，這些功能被劃分為不同的服務、不同的API或單個API中的選項。

表1. Gartner AI查詢中最常提到的雲服務提供商(資料來源:Gartner)

優點: 一是由於以前開發和訓練算法的能力積淀，部署速度更快；二是做到硬件優化框架，用於跨構建、訓練和推斷階段更快的計算；三是做到端到端產品開發套件，和大型ML用戶社區分享經驗和教訓；四是幫助您利用供應商雲中已有的數據或應用程序。

缺點: 一是企業可能必須在某些方面做出妥協，因為雲提供商的特定人工智能能力可能不如獨立解決方案強大；二是缺乏模型可移植性，例如，一旦使用AWS SageMaker構建了一個基於AI的系統，就很難與另一個雲提供商兼容，買家將被鎖定；三是對多雲生態系統的支持不足，盡管領先的雲服務提供商擁有良好的API端點，但利用不同的組件和構建不同的服務並不容易（例如，很難同時使用IBMWatson和Google的翻譯服務構建聊天機器人），在這種環境下，培育出最好的品種仍然是一個挑戰；四是如果企業數據駐留在一個供應商的雲上，它通常不能使用來自另一個供應商的算法。未來五年，這些科技巨頭將開發一些功能，幫助中小型企業通過開源的ML框架進行創新，瞄準新興經濟體擴展其產品，使人工智能普適化，並參與人工智能倫理、治理、安全等領域的研究。

知名應用軟件中的人工智能功能

從辦公效率套件到記錄系統（如ERP、SCM、HCM和CRM業務應用程序）的企業應用程序越來越多地集成了人工智能支持的增強功能。這些功能中的許多將無法被員工識別為人工智能（因為它們是「隱形嵌入的」）。相反，這些功能將被視為應用程序中的新功能。

這些支持人工智能的功能包括:

● 推薦的電子郵件回復

● 演示文稿中圖形元素的自動布局

● 語法和拼寫建議

● 來自ERP或CRM應用程序的建議分析洞察力

另一個支持人工智能的功能是用於關鍵業務應用程序的會話接口（例如聊天機器人）。無需學習如何通過應用程序接口啟動查詢或從知識庫中提取信息的能力對員工非常有吸引力。聊天機器人比以傳統方式使用應用程序容易使用，效率也越來越高。

這些會話代理的示例包括:

● SAPCopilot and Recast.AI

● Salesforce’sEinstein Voice

● Infor’sColeman AI

● Oracle’sDataFox

未來五年，企業應用軟件供應商將提供更好的用戶界面，並能夠通過人工智能支持業務工作流，數據可以輕鬆地從一個應用程序移動到另一個應用程序。它們將幫助企業自動化日常任務，並在所有企業應用程序中改進個性化和數據驅動的支持功能。

數據科學和機器學習平台

提供人工智能技術

數據科學和機器學習平台越來越多地面向廣泛的用戶，提供用於創建數據科學解決方案的構建塊和環境的內聚力軟件，並支持將這些解決方案集成到業務流程、基礎設施和產品中。

在平台內，專家、數據科學家、數據工程師、應用程序開發人員要有一定的分布比例，並具有構建、部署和維護分析模型的專業能力。當前的數據科學和機器學習平台提供了許多新的功能，其中包括:

● 開源，使供應商能夠利用通常作為開源選項首先提供的創新，並以比內部開發更快的速度做出響應。

● 數據訪問和管道連接，以應對不斷變化的數據需求，包括訪問所有類型的數據、適應不斷變化的數據量以及在內部和雲中托管的地址數據的需求。

● 管理和操作分析空間中的眾多模型，將分析洞察力轉化為行動，並使模型能夠持續重新評估、調整和管理，包括與分析資產模型協作和共享。

● 各種流行的ML和深度學習框架。

● 超越傳統專家數據科學家的多重角色，通常是通過增強的分析。越來越需要訪問數據科學和ML平台的新角色包括公民數據科學家和應用程序開發人員。

並非每個數據科學和機器學習平台都包含上面列出的所有功能。有些平台側重於特定的受眾或技能集，例如創建可視化工作流或提供一個用於利用開源產品的框架。這些平台具有高度差異化的關鍵功能，包括數據準備、自動化和增強、交付、性能和可伸縮性。

優點:

● 做到最大程度的自定義和控制粒度。

● 為利用內部資源或通過服務提供商開發預測性、規範性和確定性解決方案奠定堅實的基礎。

● 促進傳統和公民數據科學家、工程師、開發人員和更多新興角色之間的協作。

● 為分析主管者提供數據科學團隊操作的可見性。

● 支持公民數據科學家能夠參與積極的數據科學項目，同時學習和貢獻的環境。

● 提供最高質量的數據科學解決方案，為人工智能計劃提供真正的差異化，而不是商品化的預先培訓的模型。

缺點:

● 需要更多的實踐方法（即數據科學家和開發人員）來創建、部署和維護模型。

● 在一些領域需要補充人工智能高端人才。

● 核心功能超出了許多分析專業人員的技能範圍。

● 從購買到操作，成本高、耗時長。

● 平台許可證費用很高。

● 平台提供商有可能倒閉或被收購的風險，可能需要數據管理。

未來五年，這些數據科學平台供應商將繼續完善產品特性，通過統一的數據準備、ML以及模型部署和操作平台，使數據科學團隊更高效。

智庫機構提供人工智能解決方案設計

德勤、埃森哲、IBM全球業務服務、普華永道、畢馬威、安永和凱捷等主要SI除了提供熟練的顧問外，還為客戶提供人工智能工具和技術。許多服務提供商將其投資集中在目標行業用例上，或者從過去的業務中獲取知識資產，以創建預培訓解決方案。但是，與任何客戶可能正在尋找的無限數量的可能的人工智能用例相比，SI開發的解決方案數量很少。因此，在特定用例中使用資產和預培訓解決方案檢查SI的應用主管者可能很難找到完美的匹配。但是，許多SIS都有可重復的方法來幫助客戶在他們的平台上構思、確定優先級和構建人工智能解決方案，即使他們沒有經過預培訓的解決方案。SI創建的人工智能平台功能包括：

● 自然語言分析

● 圖像識別

● ML和深度學習

● 工作流自動化，包括機器人流程自動化（RPA）模式識別和預測分析

● 訪問外部數據源

優勢：

● SI為平台、預培訓的人工智能模型和服務提供一站式服務。通常作為一個合同提供，簡化了交易並提高了執行速度。

● 使用一個既提供平台又提供服務的單一SI，將問責制直接置於該SIS，這為成功的結果增加了保障。

● SIS通常擁有方法、工具和以前參與的用例庫，以幫助理清正確的人工智能用例並確定其優先級。這有助於確保原型開發針對的是人工智能可以在傳統技術之外增加價值的業務痛點。

缺點：對任何平台來說，都存在鎖定風險，但由於軟件不是SIS的主要業務，因此鎖定到SI平台的風險更大。很少有SI與相關管道合作夥伴和批量銷售商成功地開展了軟件業務。如果人工智能平台沒有取得財務上的成功，那麼客戶就會面臨很高的「孤兒」產品風險。信任SI來維護、運行和持續改進平台是有問題的，因為SI在其主要服務業務中有著競爭性的需求。在SSI同時提供平台和服務的情況下，客戶應通過協商擴大數據集的所有權、改進結果和模型，最大限度地降低SI使用其關鍵知識產權（IP）的風險。

未來五年，SI將指定更多縱向市場舉措，集中他們的專業知識。這也有助於他們了解他們所處的每個垂直領域所面臨的獨特挑戰，以及如何使用ML解決這些挑戰。

建議：

● 評估SI的技能集、領域專業知識及其人工智能解決方案記錄，同時審查其人工智能知識產權（IP）、平台和資產的相關性。

● 同時評估服務和平台選項，以確定合適的匹配。確保服務提供商提供平台和經過培訓的模型的正確組合，以及具有相關經驗的跨學科顧問，包括技術、領域和行業/流程知識。

● 確定哪些數據和IP必須受到保護，包括IP所有權和重用限制，並確保在合同中明確指出這些內容，以避免SI為其他客戶端重用它們。