生产性 AI ： 如何实现运营和商业价值

人工智能可以通过研究过去的行为和发现相关性来帮助预测客户需求。它可以识别工作流程的不合理性，建议维修，甚至采取在死记硬背的omce任务。人工智能使物流更快，客户服务代表更知情，电子邮件营销更有影响力。它现在每天都在这样做。 为了获得AI的最大影响，必须将其操作化。今天，许多组织仍然将AI视为科学实验。他们将AI工具分配给数据科学家和开发人员，并希望他们提出有趣的使用方法。 但是开发人员不是这项业务的专家。例如，他们处于不利地位，无法发现库存减少2％或电子邮件回复率增加3％对底线意味着什么。 团队运动 实施AI的第一步是使其成为团队运动。该计划需要从顶部驱动 37％的企业创建了AI卓越中心1 下一步是创建一个有纪律的过程来评估潜在的人工智能用途，并决定实施哪种方法。这也是一项团队运动。在早期阶段，寻找小项目，并准备快速失败。当您遇到具有明显商业价值的东西时，请迅速采取行动以扩展它，并招募拥护者在整个组织中销售它。公关和高管赞助是工作的一部分。 不要担心游戏有点晚。先发优势被高估了。在构建完整的解决方案堆栈时，利用早期采用者的工作，包括模型、训练数据和脚本。 无论您的目标是定制推荐、图像识别、异常检测还是机器人技术 ， 生产性AI：如何实现运营 和商业价值 现在是时候将人工智能从实验室转移到前沿了。快速做到这一点的组织将比速度较慢的竞争对手更具优势。 在充满挑战的时代，顶级组织总是做得很好：与客户拉近距离； 简化运营；并创造竞争优势。人工智能（AI）具有独特的资格来实现所有这些目标。 整个组织都可以受益的观点。团队成员应该从软件开发、数据科学 和业务中加入进来。你甚至可能想要创建一个人工智能卓越中心 ，就像37%的企业已经拥有的那样。 1.德勤，2020年7月。deloitte.com/us/en/insights/focus/cognitive-technologies/State-of-ai-and-intelligent-automation-in-business-survey.html IDGCOMMINICATIONSINC. 生产性AI：如何实现运营和商业价值 模型已经出现了。使用它们来加快采用速度，并使AI成为抢先体验。 成功孕育着接受。当你操作人工智能时，你的成就会让其他人加入进来。 随着时间的推移，这种飞轮效应将产生更多的想法来推进业务，激发对人工智能的支持，并创造肌肉记忆。最终，团队会怀疑没有它他们是如何相处的。 基础设施汇合 对于IT领导者来说，人工智能的运营是一个独特的机会。他们能够创建共享的集中式基础架构，在组织中架起孤岛并促进跨职能的构想。人工智能将从根本上改变业务，而IT可以成为催化剂。 创建基础架构时，请赋予自己灵活性。AI的操作与云或数据中心无关，而是两者兼而有之。从云开始，找到合适的工具选择和低成本的沙箱进行实验。 但是，随着您的计划的进行，您将希望退出科学实验模式并开始使用生产数据。现在是时候开始考虑在内部引入更多AI项目了 。 机器学习和深度学习模型使用大量数据，其中大部分可能是在您自己的基础架构中捕获和创建的。将大型数据集来回移动到云中所需的时间最终可能会拖累生产力。 当考虑出口费时，它也可能成为成本负担。 为图像识别和神经网络等应用训练AI模型也提出了巨大的需求它们必须能够几乎无限制地扩展，同时满足多个并行图形处理单元(GPU)的高吞吐量需求。 通过将计算引入本地数据存储，可以更好地为这些存储密集型应用程序提供服务。 云和本地基础架构的组合通常效果最佳。开发人员可以继续在云中尝试模型和库。 生产应用程序是在本地构建的，数据科学家可以专注于模型，而不是移动数据的成本和时间。 您可以从现成的组件构建自己的AI系统-但请注意，简单地将GPU添加到通用服务器并不能将计算机变成AI主力。许多组织陷入了通过采用DIY方法来实现低成本基础架构的陷阱，但很快就意识到，任何节省都被花费的时间和预算大大掩盖了 关于系统设计、集成、软件工程、故障排除和支持。 然而，专门构建的AI系统旨在跨多个GPU并行化复杂模型 ，其功能包括专门为协调多GPU而构建的高速互连结构 I/O子系统和网络应该使问题并行化，并将训练分布在多个系统上 。 使用具有完整AI软件堆栈的容器来最大化性能。例如，应该利用机器和深度学习框架，模型，库，驱动程序等，因此数据科学家也不必成为软件工程师。 底线 机器学习，深度学习和机器人技术的商业价值太大了，不容忽视。是时候实施AI来改善结果，实现 并获得竞争优势。 访问我们的网站 来启动您的AI部署。