扩展 AI 的公认概念：从试验变为工程原则

IBM 商业价值研究院专家洞察 扩展 AI 的公认概念 从试验变为工程原则 主题专家 Beth Rudden 杰出工程师，IBM Services 认知与 AI 首席数据科学家linkedin.com/in/brudden/ brudden@us.ibm.com Wouter Oosterbosch IBM Services 欧洲首席数据科学家， 全球高级分析能力中心 欧盟地区负责人 linkedin.com/in/wouteroosterbosch/ w.oosterbosch@nl.ibm.com Eva-Marie Muller-Stuler 博士 IBM Services 中东 / 非洲地区首席数据科学家， 高级分析与 AI 实践负责人 linkedin.com/in/dr-eva-marie-muller-stuler-02ab5946/ Eva-Marie.Muller-Stuler@ibm.com Beth Rudden 致力于通过合乎道德地使用数据，借助分析和赋能，推动人员和企业转型。她负责领导分散在不同地区的大型团队，共同开发认知分析解决方案，为 IBM 客户提供切实可行的洞察。Beth 获得过多项解决方案专利，开发的解决方案不仅可以深化洞察、加深客户理解，还能加快实施速度。另外，她在人类学、语言学和数据科学等领域的背景知识也对模型开发工作大有帮助，她借助这些模型，推动 IBM Services 员工队伍转型。 Wouter Oosterbosch 是经过正规培训的神经科学家，这也激发了他对人类与数据互动的浓厚兴趣。他是经验丰富的跨行业数据科学领导者，为处于各个 AI 实施阶段的企业提供帮助，为全球各种团队赋能：在杂乱无章、未形成文档的数据“丛林”中，为客户发掘切实可行、易于扩展而且值得信任的结果。 Muller-Stuler 博士负责领导大规模业务转型和全球众多数据科学与 AI 项目，在这个领域拥有超过 15 年的丰富经验。她率先面向政府以及顶层组织实施卓有成效的解决方案。Muller-Stuller 博士还是多家政府机构信任的顾问，帮助他们通过 AI 实施变革管理。 要点AI 采用率不断提升 过去四年，采用 AI 的企业数量增加了 65%；现在由于疫情冲击造成业务中断，因此相对于其他技术优先事项，AI 的采用呈持续加速之势。1 AI 离不开工程原则 企业必须全面采用 AI 以解决不断增加的问题 ― 将 AI 植根于业务战略、创新活动和差异化竞争优势之中，将 AI 深度整合至不断发展的业务运营模式和工作流程之中。 AI 概念证明 (POC) 必须与时俱进 随着 AI 技术不断成熟，许多概念已经得到了证明，因而企业可以从早期试验推进到市场试点。 概念证明 (POC) 已完成历史使命人们对人工智能 (AI) 有着很深的误解。AI 要么被吹得天花乱坠，成为数字极乐世界；要么受到诋毁中伤，被视为末日威胁。然而，实事求是地说，这两种说法都站不住脚。 从根本上而言，AI 是一种用于增强人类能力和表现的方法，旨在改善人类（包括客户、员工、合作伙伴及其他利益相关方）的成果，增加企业的财务收益。因此，应将 AI 视为人类帮手，而不是取代人类的类人机器。 对于一些企业而言，AI 就是通过智能工作流程实现切实的增量成果（更高效的业务运营、更富有吸引力的客户体验以及更明智的决策），因此人类的聪明才智和同理心还是占据核心位置。而另一些企业则更欣赏 AI 的变革性本质，他们使用 AI 建立新的业务模式、探寻应对业务中断（如新冠病毒疫情）的新颖方法，以及显著提高业务流程绩效。 自 2016 年以来，IBM 商业价值研究院 (IBV) 每隔半年就开展一次调研，跟踪多项指标，结果表明 AI 的采用率不断提升。根据不同地区、不同行业和不同职能领域数以千计最高层业务主管的调研数据，我们认为受疫情影响，AI 的采用有适度加速的趋势： – 积极采用 AI 的企业从四年前的 26% 增至 2020 年的 44%（与某些估计结果相比，这还是较为保守的观点）。2 – 疫情期间，84% 的企业表示对 AI 的关注度与以前差不多或高于以前的水平。3– 受疫情影响，近 1/3 的企业计划增加对 AI 的投资。4上述趋势与近期得出的其他估计结果一致。IDC 预测，2020 年全球 AI 支出将有所增长，四年内支出将翻一番5；而总体 IT 支出则会下降，二者形成鲜明对比。 1 “AI 和机器学习刚刚开始从成型阶段和炒作高峰期过渡到更实用高效的开发和运营期。”6风险投资公司 Andreessen Horowitz AI 的成功扩展是指项目从沙箱过渡到试点和最小可行产品 (MVP)，最终实现工业级商品化的整个 历程。但这个过程并非一路坦途，许多企业为此困扰不已。IBM 在 2018 年中期开展的一项调研发现：“企业深陷 AI 试点和概念证明阶段而无法自拔……零敲碎打地在一些看似让人兴奋但却孤立的案例中应用”― 其他许多市场观望家后来也确认了这一现实。7 即使是现在，90% 的企业仍难以在整个组织范围扩展 AI。因此，约有半数 AI 项目无疾而终也就不足为奇了。8 诚然，AI 是一项复杂的多领域业务和技术创新，包含多个互连而且不断变化的层面。任何一个方面都无法仅凭一己之力就确保将 AI 项目成功投入商业使用。没有灵丹妙药，没有万能秘诀。 普通的“变革管理”恐怕难以奏效。符合业务战略的“镇痛良方” 也不行。哪怕久经考验的“流程改进”甚至更前卫的“敏捷方法” 也不足以解决问题 ― 无论整理多少西格码和意大利面条图或 组织数次讨论和冲刺活动都无济于事。 真正需要的是实质性地改变 AI 的角色：过去，人们将 AI 视为最新技术魔法的化身而敬而远之，而现在，必须将其作为战略能力融入到整个企业之中。从概念证明转变为证据点。 企业亟需停止匆忙实施的数据科学试验，开始全面周密地采用 AI 技术 ― 将 AI 植根于业务战略、创新活动和差异化竞争优势之中；深度整合至不断发展的业务运营模式和工作流程、组织架构和治理机制、数据架构和基础架构乃至文化价值观和道德规范之中。 2 为推进这项工作，企业首先必须将 AI 视为一项原则 ― 具备强大而健全的工程和道德规范、严格的运营和治理机制，以及强调实践重于理论的适应性方法。现在，已有许多工具可以帮助实现这一目标。另外，企业还必须更加重视科学创新 ― 借助研发能力持续探索科技前沿，从竞争中脱颖而出。 当然，前进之路不可能一帆风顺。有些项目在早期取得成功，但最后证明不适合人类采用。AI 试点和 MVP 还是可以带来价值：有时仍要避免太过奢求完美。但是，在明确设计和扩展商业化引擎的过程中，还是需要开发和启动 beta 测试。 否则，企业很可能陷入永无止境的试验循环，不断尝试却永远没有结果。 认真对待 AI 工程和运营 对处于 AI 采用早期阶段的企业而言，将 AI 作为原则的紧迫感或许并不明显。但是，要充分实现 AI 的价值，AI 必须具备和企业的其他成熟领域同等的沟通程度、组织架构和严格管理。 通常，模型开发工作在数据科学家的笔记本电脑上完成，统筹任务则使用自定义代码和脚本人工临时实施。这与敏捷 DevOps