人工智慧是人工智慧實現的關鍵
21CTO社區導讀：在本文中，您要看到的是機器學習如何實現的根本性轉變，而不僅僅是在部署雲端或內部做部署。
隨著人工智慧（AI） 使用情況越來越複雜，AI 技術實施也變得更具有挑戰性。
值得興奮的是，實現人工智慧的新方法即將到來。
在剛剛過去的2017年，人工智慧和機器學習取得了前所未有的進展，許多公司都將這些技術部署在實際應用中。 這種趨勢還會持續下去。一些公司的分析師，如Gartner 預測：到2020年，人工智慧技術將會在每一個新的軟體產品中出現，成為標配。
從健康醫療到機器預測性維護，再到交互聊天機器人，人工智慧很快就成為現代企業標配，不僅僅是互聯網和IT企業的需求和專利。
儘管人工智慧市場爆發，許多公司仍然難以從人工智慧中獲得實際商業價值，前幾天的百度還收回了All in AI口號。事實上也是如此，將人工智慧引入實際產品和解決方案是企業的主要障礙之一，許多人只是問：「我該咋實施AI解決方案？」
AI應用程序日益複雜
隨著AI技術從「要有」到「需要實施」，它的複雜性也在不斷發展。公司需要的不僅僅是較簡單，標準化的人工智慧服務，可以進行圖像或文本識別，還需要更複雜的預測場景，這些場景對於他們的業務非常具體，需要根據業務需求定製。
例如，假定使用時間序列數據來產生業務洞察，例如工業物聯網（IoT）的預測性維護或客戶體驗組織的客戶流失分析。 通過簡單地調用一些具有特定參數的通用服務並獲得結果，將無法支持這些場景。在這些預測場景中獲得準確和可操作的結果，皆需要大量的數據科學工作，隨著時間的推移，使用數據來迭代地訓練模型並提高輸出的準確性和質量。
此外，企業亦正在面臨挑戰：設計新功能，運行和測試許多不同的模型，並確定正確的模型組合，以提供最準確的結果 - 這只是為了確定需要在生產環境中實施什麼。
此外，企業需要認識到AI不再是數據科學家和幫助準備數據的工程師的專屬領域。企業數字化轉型已經從IT驅動發展到全公司的轉型，情況早已發生轉變。組織必須超越孤立的AI方法，將分析團隊和應用程序開發團隊分開。應用程序開發人員需要更加了解數據科學與生命周期，應用程序設計人員需要考慮預測性見解如何驅動應用程序更好的體驗。
為了獲得成功，公司管理團隊必須確定一種方法，使他們能夠以適合運行時的語言輕鬆地將模型投入生產，而無需重寫分析模型。組織不僅需要優化其初始模型，還需要將數據和事件反饋給生產模型，以便不斷迭代改進。
這可能看起來像一個大而複雜的過程，但是如果你願意的話，這對AI的實際執行AI來說是關鍵的。 如果你不能這樣做，AI將無法真正進入你的公司。
人工智慧的新世界
那麼，公司組織如何有效地實施人工智慧，使其能夠利用有限的數據科學資源來處理複雜的預測場景？而組織如何在不重新培養整個開發團隊的情況下取得人工智慧成功實施？
事情的殘酷真相是，我們不可能通過簡單地、狹義的、一刀切的方法來實現，用少數參數就能得到結果。人工智慧需要一個更複雜的實施方案，對業務具備足夠積累、洞察力，才能提供可操作性和高價值。
我們以一個IoT預測性維護應用程序為例，它分析來自成千上萬台機器的感測器3個月的時間序列數據，並自動返回結果。
這不是一個簡單的預測結果集，而是一組完整的異常檢測數據，這些異常數據會在優先順序中排除之前無法運行結果的警報。這些處理結果通過移動應用的工單發送給分配的區域服務人員，他們可以執行必要的維護工作以最大限度地提高機器性能。
這是一個複雜的過程，機器學習是自動化的，特徵工程是以無監督的方式完成的。AI需要將所提供的結果，深入分析各個感測器數據，機器級別數據和機器群體數據，然後打包一個使企業立即採取行動的軟體解決方案。
歡迎您來到AI實施的新世界。
雖然這是一個非常新的概念，但是上面產品的市場定義是「異常檢測」。但並不是所有的解決方案都採用相同的方法，也不是所有的解決方案都能帶來更好的業務成果。我們都需要看到的是機器學習功能如何實現根本性轉變，不僅僅是雲或私有化部署。
我們正在談論從提供數據科學工具轉向提供更有效的數據科學結果，從而消除了數據科學家需要這些工具的需求。 在這個新世界裡，數據科學家將能夠花時間分析和改進結果，除了需要的是數據以時間序列格式提供之外，而不是浪費時間在非關鍵任務上。
然後，只需將數據上傳到雲端（內部部署選項也會存在），人工智慧自動化就可以完成餘下的工作，並在數天內返回準確的結果。
接下來會很快，我們就可以從人工智慧的夢想到實際的實施！
作者：Mark Troester
譯者：21CTO社區 - 亢小龍
TAG:21CTO |