AI / ML平台中的Logjam将使您的生活复杂化
简介：   解决方案太多。我们正处于一个转折点，太多的供应商提供了太多的解决方案来将我们的AI / ML模型移至生产环境。当我们将自己绑定到在解决问题的方式上具有隐含假设或局限性的平台时，真正的风险是重复的工作，数据科学资源的碎片化以及意外的新技术债务。
请记住，当我们最大的问题是将模型从数据科学平台转移到生产中时。嗯，如果没有效率，市场就一无所有，数百家平台公司一直在努力解决您的难题。
CDO，CAO或任何其他CXX所引起的问题是试图确定您需要哪些和多少个。采用以下任何一种解决方案都会使问题更加严重：
创建一个拥护者拥护他们的特定平台。
在不完全了解任何给定平台的盲点或解决方案的刚性的情况下，通过锁定某些样式的解决方案甚至API会增加技术负担。
意味着您的数据科学团队现在将需要分布在各种平台上，每个平台都需要一定的技术深度，并且可能会增加成本。
这些平台中的某些呈现为通用（智能自动化），某些特定于特定流程（CRM，市场营销自动化，内容管理，供应链管理），而另一些则由现有的ERP（如PeopleSoft，Oracle和SAP）推广而来的增强功能。都暗示着重复劳动。
坦率地说，问题在于，不仅要考虑哪种平台组合对贵公司具有最佳和最有效的意义，而且还要从更根本的层面上决定谁来制定这些决策。
短期的答案是没有意识到问题，没有人试图使这些工具合理化，最终结果显着降低了AI / ML策略的有效性。
我们自己成功的受害者
经过多年提倡公司采用和实施AI / ML策略的建议，我们终于获得了一定的吸引力。麦肯锡（McKinsey）的好人最近发布了他们的《2019年全球AI采纳率调查》，尽管存在拥护者和落后者，但总体采用率令人印象深刻。
我只提供一张图表，显示几乎所有采用者都从他们的项目中看到了有意义的成本降低和收入增长。
此图表的主要好处是围绕组织的主要过程组织??这些改进，表明所有这些过程都在受益。
不利的一面是，这些大型流程中的每个流程都已经拥有一个在您的组织中占有一席之地的平台。当我们添加AI时，每个人都希望从您的数据科学资源中寻求支持，而这些数据有可能在这些系统之间变得越来越分散。
关于具有AI / ML增强功能的主要平台
这并不是要进行全面评估，也不是为了提供单个解决方案。更像是评估问题时需要考虑的问题。
在市场和销售方面通过AI / ML增强立即想到的主要决策支持平台是：
客户关系管理
内容管理
营销自动化
根据供应商的不同，这三者的范围可能会大大重叠。CRM和市场营销自动化可能已经具有NLP，NLU和chatbot功能。基本的文本和语言功能已在很大程度上实现了商品化，但没有驱动客户界面聊天机器人的逻辑树。
但是，我在这里看到的最大风险是通过评分模型来推动客户获取，追加销售，交叉销售和防止流失。如果这些存在于不同的系统中，您是否甚至有清单以及它们的位置？紧密重复的评分模型的结果是否相似？
供应链管理，HRIS以及大多数财务和风险缓解系统都比较容易分类，因此您可以准确了解每种模型都在使用哪种AI / ML模型。
RPA和智能自动化（IA）–快速增长且经常产生误导
快速发展的RPA和IA平台是在这里造成复杂性的主要市场发展之一，它们有望成为通用产品，并且可以跨越上述专业平台当前处理的许多流程。你应该让他们吗？
不幸的是，这些平台之间的功能差异很大，而从事AI清洗的供应商使这些平台变得更加复杂（声称只有简单的规则，内部就有AI）。这些平台都有标准定义，但是看到像这样的图试图将所有AI / ML重命名为智能自动化的情况并不少见。
技术文献讲述了一个不同的故事。RPA是一个规则驱动的系统，最初旨在将信息从一个系统移动到不存在API的另一个系统。IA是对此的一种精心设计，它可以为员工提供我们所谓的商品AI / ML，尤其是在图像和文本识别方面。
一个很好的简短示例是发票的自动处理。RPA解决方案可以通过在标题行中查找并将发票移动到单独的文件夹中而无需人工干预，从而大概在电子邮件流中找到发票。
Intelligent Automation版本使用图像和文本识别模型从高度非结构化的供应商发票中提取特定的发票详细信息，并将该数据移动到财务系统中的特定字段，以便进行处理。
人们常说RPA和IA都比我们认为的“流程”更多地是“任务”，但IA供应商之间正在大力发展可使用文本和图像AI / ML甚至ML评分的平台模型以自动化更广泛的流程。这是与现有系统潜在重叠的地方，这是一个挑战，需要合理化，然后再委托由您的数据科学资源支持的内部IA专家团队。
快速浏览麦肯锡公司的采用研究表明，RPA是采用率最高的“ AI / ML”工具。您的挑战是确定这实际上是AI / ML还是简单的规则驱动的自动化，以及应在多大程度上鼓励采用它。
很抱歉让您遇到问题而没有提供解决方案。寻找组织中负责数据科学有效使用的合适C级主管是第一个挑战。
第二个是盘点所有需要数据科学支持的平台，确定解决方案方法中的任何重复，盲点和刚性，然后制定一项策略，在优化AI / ML效益的同时还优化效率。而且由于我们处在狂野西部的供应商要求时期，尤其要提防那些不存在的AI / ML，这需要过多的支持，或者要求能够跨越许多大型领域，而领域专业知识同样重要作为AI / ML嵌入式工具。

关注 CDA人工智能学院 ，回复“录播”获取更多人工智能精选直播视频！