企业人工智能的兴起
根据您所阅读的新闻标题，您可能已经将人工智能（AI）系统视为可以理解所有命令的Alexa或Siri助手，可以从图像中识别狗或猫的深度学习系统，建议使用个性化药物或智能的，压倒性的机器，该机器可以胜任所有人类任务，使人类变得毫无用处。这些定义中很少有人可以说是有远见的，很少有人担心会混杂，而其余的则是进化的。   
上个月，我参加了在旧金山举行的2018年人工智能（AI）峰会。该活动强调了当今AI业务的现状以及使用AI改变业务的企业的真实案例。我想向AI Summit的组织者大声疾呼-他们做了出色的工作，吸引了各行各业的高度多样化的发言人。我将尝试用不同的叙述来捕捉我从会议中获得的收获，并注入我在这个领域的一些想法和经验。   
什么是AI及其重要性
您可能已经听过Eric Raymond所说的关于我们对机器的期望的说法-  
“计算机永远不要问用户任何可以自动检测，复制或推论的信息。”
如果您使用AI的定义并将其与过去几十年的创新联系起来，您将认识到AI不过是某种以某种形式出现的不断发展的计算科学。随着信息革命的到来，我们的集体思想改变了我们工作，生活和与生态系统互动的方式。消费者和企业中的软件和硬件资产在许多方面使人们的生活变得更轻松，并使人们能够专注于更高层次的事物。
那么，现在有什么不同？两个明显的区别：
1.我们正处在这个计算世界的另一个阶段，在这个阶段，云，移动和物联网加快了信息处理的步伐
2.在上述基础上，我们正在使更多复杂的决策任务自动化
以乘车共享为例：优步解决了一个复杂的决策问题，即如何在瞬间促成将汽车带给消费者的问题。造成这种中断的原因是移动设备的大量采用，再加上基于云的超强功能应用程序。除了带来汽车外，Uber还引入了Uber Eats和其他服务。如上个季度报道， Uber Eats已成为$ 6B运营率企业。这些AI服务又将各种企业带入AI价值链。超个性化可能很快就会出现，以改善消费者体验。这可能包括个性化订购您喜欢的食物，并在您骑车时根据喜欢的歌曲设置氛围。   
本尼迪克特·埃文斯（Benedict Evans）（投资者@Andreessen Horowitz）在峰会上谈到了AI为何重要的问题。人工智能在Uber / Lyft乘车共享，Instacart和Instagram等最新创新中扮演了不可或缺的角色。尽管这些创新解决了当今的问题，但它可能会打开并引领我们在未来进行一系列全新的创新。Ben举了一个示例，说明Mobile在过去曾被视为电子邮件，股票和Weather的简单实用工具，现在却打开了其他未曾想到的领域。无人驾驶汽车是Uber和Lyft尝试进入的乘车共享业务模型基础上未来创新S曲线的经典示例。将自动驾驶汽车视为巨大的物联网用例，其中大量传感器，
价值创造与采用
决策是任何业务不可或缺的一部分，自然地，任何通过使用自动化/数据驱动的见解来帮助推动业务发展的功能都将带来巨大的价值。根据Gartner的研究，到2022年，人工智能衍生的商业价值预计将达到3.9万亿美元。另一方面，麦肯锡预测，未来几年人工智能产生的商业价值可能在2.5万亿美元至5.8万亿美元之间。在下一篇文章中，我们将讨论企业如何利用该技术的实际示例。  
像其他任何采用新技术的企业一样，企业也在花时间采用并完全拥抱AI。尽管业务案例和利益相关者的认可仍然是采用任何技术的关键因素，但企业也将需要建立良好且成熟的大数据设置，并在此之上进行AI模型的试验。根据您阅读的调查以及所讨论的AI用例的类型，采用的数量因一项研究而异。好的方面是，AI是高级管理人员讨论的中心。根据经济学人智库（Economist Intelligence Unit）的调查，在接受调查的203位高管中，大约75％的人声称，人工智能将在未来三年内在其组织中积极实施。
企业如何通过AI计划获得成功
这就提出了一个问题：企业如何成功收获AI承诺的成果？这是我的三大要点：
明确表达成果： 首先，确定并清楚表达您的组织正在尝试使用AI解决的结果。讲故事并获得更多利益相关者的认可是成功的关键。由于AI的凉爽性而对AI进行投资不会带来更好的结果，甚至可能会带来负面的结果。我在AI峰会上一遍又一遍地听到了这个消息
人工智能不仅仅是模型： 期望花费时间来收集/准备正确的数据，并确保在推出AI模型之前采取适当的流程。缩短新模型从试验到生产的上市时间的能力可能需要利益相关者之间的紧密联系。利用AIOps或MLOps之类的东西来定义严格的工具和方法。ParallelM是该领域的新兴企业之一，可帮助企业减轻在生产中运行ML操作的自动化，扩展和优化方面的负担。
ML @Lyft产品负责人Gil Arditi承认，对他们而言，最困难的部分是巩固数据架构和AIOps流程。AIOps致力于跨数据科学，软件开发和运营团队的流程互锁。数据科学团队的新模型可能在其设置中效果很好，但可能无法按实际规模进行生产，也可能会根据实际数据在生产中产生不同的结果。经过大量的努力，Lyft的AIOps已完全投入运行。吉尔说，现在的努力和时间已经得到回报。Lyft ML团队将能够进行100％的模型实验。
       3。 AI偏见和人性化：  AI模型与提供给它的数据和决策阈值一样成熟。自动化决策的确需要某种形式的假设，并且在假设和偏见之间可能存在细微的界限。消除偏见是一个更难解决的问题。许多组织认为，至少在AI成熟度曲线的初始阶段，从定义结果到实现结果，采用人类辅助方法最为有效
这是一个最近的示例，突出了当波士顿公立学校尝试仅使用算法解决问题时发生的情况。去年，波士顿公立学校的官员要求麻省理工学院的学生构建一种算法，以重新配置学校的时间安排，这将帮助高中生改善健康状况和学习成绩，并帮助学校优化公交车。该算法正确地完成了工作，但未能引起大多数父母的好评，因为该算法建议在7:15 AM而不是9:30 AM上小学。父母反抗，因为这将要求他们大幅度改变家庭时间和工作时间表。  
另一个例子是亚马逊不得不放弃其AI招聘工具，因为培训数据似乎引入了对女性的偏见。  
AI会害怕吗？
对AI的承诺还包括担心AI将带来大量失业。如果回首过去的一万年左右，人类从事的活动已经跨越了农业和工业革命。这些革命使许多活动自动化，并帮助改变了我们周围的人类生活和生态系统。同时，工业革命中还没有农业革命的活动，在19世纪末从工业革命转向信息革命的情况也是如此。在这种转变的每个阶段，人类都展现出了强大的自我技能。
人工智能作为信息革命的增长部分，将做类似的事情，我们的工作肯定会发生转变，但不会丢失。就像过去发生的那样，更适合自动化的任务（例如存储和处理大量数据）将被转移到机器上，而人类将有精力去关注尚未解决的更高级别的问题。这些任务的形式可以是语音助手，用于检测物体的计算机视觉系统，可以随时警惕周围障碍物的自动驾驶汽车，可以预测供需，预测客户流失或无数变化的自动决策支持系统。企业内部和外部的其他数据密集型任务。
请继续关注后续文章，在这篇文章中我将重点介绍一些企业如何使用AI来转变其业务。请在文章上添加注释和/或评论您的组织如何使用AI进行自我转型。
1