高管的AI业务转型手册
我很高兴介绍我的新博客-《高管人员AI业务转型手册》。最初发布在这里。在这个篇幅相当长的博客中，我深入探讨了AI Systems Solutioning的细节，但最后的“前十篇”总结了关键步骤。我期待您的想法和评论。
-PG
“ AI，物联网和5G” –融合是未来几年出现的“完美风暴”带来的商机。这是一篇有关企业高管如何准备好在这个环境中蓬勃发展的文章。我的重点将放在创造价值的商机以及如何抓住机会上，以易于理解和合乎逻辑的方式编写，并结合我在过去15多年中学到的或看到的最佳实践。
截止到现在（2019年），我们已经在商业领域应用了几年的AI应用程序。执行人员感叹的是，尽管存在许多PoC，但大多数PoC尚未成熟为重要的收入来源。这不足为奇–我认为，了解PoC的最佳方法是“早期创业公司”。就像初创公司一样，很少有PoC成为独角兽！
人工智能业务项目有两种方法–
1. PoC
2.重大改造项目
他们有两种实施途径–
a）重构现有产品
b）新产品业务计划
我将专注于2-b），但许多课程也适用于其他组合。在本文中，我将使用人工智能（AI）作为“手提箱”一词，涵盖机器学习（ML），分析，数据科学等。我还一开始就声明了我的个人信念–您的信念会与之接近；如果没有，您可以出于本文的目的采用这些信念。
个人信仰：
1. AI是“应用的” ML。人工智能还有更多，但2019年应用的ML占AI的90％。
2.物联网是这一转变的组成部分-“物联网将产品变成服务”。
3. 5G将成为主要的推动力技术–通往分布式智能的道路。
4.机器学习和人工智能将迎来一场革命，就像1500年代的印刷机一样-都能降低熵！
5.学习范式转变即将到来。。。从“无模型”到基于模型！
最后两种信念与本文并不直接相关；但是，他们值得自己考虑。有关更多讨论，请参阅“ 机器学习–工业或印刷机的革命？” 我指出在印刷机增强内存的同时，人工智能将增强智能。最后一个信念是人工智能技术人员应该关注的一个重要信念（请参阅“ 机器学习和人工智能的未来 …… 大机遇 ”）；在几乎每个技术领域，向基于模型的方法的转变都改变了准确性和实用性。
一般情况
在深入研究AI解决方案的每个步骤之前，让我们考虑一个特定的AI业务示例。在这里，我们采用整体“系统”方法，而不仅仅是将解决方案应用于业务运营中的特定任务。
如果您去过日本，就会知道便利店（例如7-11）到处都是。这些商店实际上提供了邻里购物者少量需要的任何东西。一些商店较大，产品种类更多，由商店经理和几个店员负责。影响日本便利店的严重问题之一是人口变动导致的劳动力供应不足。由于人口老龄化，日本面临着人手不足的困境。因此，非常需要AI将“增加人工”的解决方案。
没有为此图片提供替代文字
AI解决方案的关键要素是（1）机器人技术，（2）自然语言处理和ML。这些元素与IoT和5G缝合在一起。
自主机器人（AR）：  AR将完成2项主要活动-（1）在凌晨2点至凌晨4点之间完成所有货架的重新库存，（2）在繁忙时段（例如，直到午餐时间结束）。
自然语言处理（NLP）： 为了吸引购物者了解他们的需求，我们可以在AR和固定的Q＆A站中实施NLP系统。客户可以自然地用日语，英语，韩语和中文进行交流，并表达他们的愿望。AR还可以询问在自动结帐行中等待的购物者是否在货架上找到了他们想要的一切。
机器学习： 成功的关键之一是货架可用性，后台存储水平和外部供应链之间的紧密结合。新系统将通过视频和语音整合AR收集的信息。供应链库存数据将绑定到后台空间，以更新现有的重新订购系统，以便及时从外部供应商处交货。
在系统方法中，不能忽视与商店链ERP系统的集成。描述性，预测性甚至规范性分析结果将显示在仪表板上，供运营和管理人员使用。
在直接解决劳动力不可用的问题的同时，此AI解决方案将通过机器人架子更换来最大程度地减少缺货问题，这将增加同店收入。客户满意度的提高将导致“粘性” –当有回头客时，将存在向上销售的机会。可以扩展此AI辅助的零售商店解决方案，以包括针对特定购物者的产品推荐，优惠券和折扣，以提高同店销售和购物者满意度。
物联网和5G作为推动者的作用：
放置在商店货架和后院的传感器，产品SKU面和深度的视频跟踪以及购物者交通传感器构成了实现此解决方案的IoT基础设施。随着具有1毫秒延迟的5G的到来，可以将繁重的计算处理（用于视觉，路线规划和NLP）转移到云中，从而减少了机器人携带的硬件和电池尺寸。这将使机器人的重量和成本大大减轻。机器人撞到购物者中并造成人身伤害的可能性很小。但是，由于机器人重量轻，因此对人体的伤害最小。
通用AI业务解决方案
在之前的便利店示例中，我们已经看到了以ML，Robotics和NLP为组件，以IoT和5G为主要推动力的AI业务解决方案的整体系统架构。
现在，让我们退后一步，看看我们如何从基本原理开始构建这样的解决方案。
我们为什么要在商业中使用AI？
AI在应用于企业时具有以下独特的价值主张–
“以更好的用户体验以更高的质量做更多的事情”
在我们的便利店示例中，“多做”产品销售；“更高的质量”是指消除缺货问题，“更好的用户体验”是指与购物者的自然语言互动。我们应该在开发的所有AI业务解决方案中实现三个或全部三个价值主张。
客户想要什么？
可以得出这样的结论：最终客户想要的是服务而不是产品。我不一定要拥有智能手机；如果我可以上网，与家人聊天并在围绕我的个性化虚拟“圆顶”中玩游戏，那么我不在乎随身携带一件硬件。您可以想到许多其他示例。
提供持续的有用服务需要与客户“闭环”。此循环通常包含机器和人员（客户服务，教练等）。让我们考虑一个具体的例子。
假设您生活在城市中，但是您年迈的母亲在她出生的小镇中，相距几百英里。显然，这对您和您的母亲（以及其他亲戚和朋友）会产生焦虑。您将乐意订阅一项服务，该服务有助于确保母亲的安全和理智。
仅仅安装一个家用IoT系统来跟踪她的活动是不够的（使用Fitbit，视频，IoT药盒或电话之类的设备），您需要一个AI系统来处理所有这些数据，并带有一个带有您可以扫描的整体幸福感分数。她的医疗保健提供者也将参与其中，当分数超出令人满意的范围时，将深入研究该分数。
高度需要AI解决方案的原因如下：
人工处理循环是不可行的-
o数据过多
o烦人（大多数时间都没有事件）
o容易出错
何时何地应用AI的关键原则之一是识别工作中重复的任务，并用AI解决方案代替它。此原则也是在任何企业情况下识别AI机会的一个很好的起点，无论它是在车间，农田，公用电网等上  – “ AI不会取代乔布斯；AI可以代替该工作中的重复任务”。
人工智能驱动的商业模式转型：
许多专家将产品到服务的转变视为下一次工业革命的驱动力！
没有为此图片提供替代文字
在工业，商业，基础设施，消费者，医学和其他领域（例如金融和法律领域），人工智能和物联网（5G）将共同推动业务从产品到服务的转型。这将极大地影响业务模型–最好将服务作为一次性订阅服务（免费增值到分层级别）而不是一次性销售。在进一步发展之后，该模型可能会演变成客户合作关系，其中付款基于结果（GE航空和劳斯莱斯已经有报道说每小时向飞机销售推力，而不是向航空公司出售喷气发动机！）。
如果您是小工具的制造商，则可以开发基于视频的设备，该设备可以检测零售商店的缺货情况，但客户真正关心的是满满的货架，这样购物者就不会空手而归。在接下来的5年中，您将看到这种类型的服务业务模型在所有企业和其他领域中兴起。
将AI付诸实践：
在本节和以下各节中，我们将描述开发AI解决方案以实现从产品到服务的业务模型转换的最佳实践。
传达业务价值并说服决策者的最佳方法之一是使用分析语言-描述性，预测性和说明性。然后，我们将它们链接到ML方法，并明确说明它们与人工智能的关系。在人类智力中，依次有4个主要过程：（1）感觉，（2）感知，（3）认知，然后是（4）动作。感觉是业务领域中的传感器和物联网，网络和数据表的领域。
没有为此图片提供替代文字
收集完数据后，第一个任务就是识别其中的模式。这些模式中的结构就是“信息”，它将使其余步骤正常工作。人类擅长检测模式，但事实证明，存在无法检测到的细微模式，这将需要专用的ML工具（例如深度神经网络）。用“智能”来表示，这就是感知。描述性分析是这些模式和摘要仪表板的人类可访问显示。
一旦人类的大脑感知到某种东西，它就可以“凝结”。机器学习方法（例如约束和无约束优化）提供了预测工具。我们为Predictive Analytics提供了体面的函数逼近和组合优化方法。
描述性和预测性分析已经存在了一段时间，并且被cognoscenti很好地理解。*说明性*分析尚不清楚，因为此类分析尚不可用-但这就是橡胶与业务发展相遇的地方！AI解决方案在这里告诉您该做什么，而不仅仅是提供分析和见解。“行动”是一个综合步骤，将从使用模拟或因果分析等方法进行的“假设”分析中得出，这将为规定的行动提供依据，以建立对AI解决方案的信心。
在业务环境中，所有三个Analytics解决方案都是必需的。它结合了仪表板，预测和操作建议，才能真正使企业受益。如前一节所述，当我们将三种Analytics（分析）结合到服务的上下文中时，我们进入了一个良性循环，不断增强该服务，从而实现了“用更好的UX获得更高的质量”！
没有为此图片提供替代文字
AI解决方案是一项团队运动：
引起我们对开发和部署AI解决方案的关注，我们注意到最后一张表ML行中的许多工具和方法仍然相当深奥；幸运的是，AutoML通过大型软件公司和专门创建的初创公司提供的解决方案正在迅速成熟。
但是我不相信上一节中的所有开发步骤都可以自动化甚至“民主化”，这意味着任何人都可以做到。这是因为没有确定的方法可以测试ML解决方案的输出！由于学习过程的随机性，每个训练有素的机器学习模型将产生略有不同的结果。这种不确定性会掩盖更深层次的不稳健性。
主要的绊脚石（超出合格资源的可用性）是问题制定的第一步！如果操作正确，合格的数据科学资源将使用其自动ML工具访问其余的开发。
问题提法提出的挑战超越了特征提取，而特征提取本身将通过运用人类的创造力以及对数学理论和工具的广泛了解而大大提高。一个简单的事实是，给出的数据可能不是检测其中模式的最佳形式–一个例子是看起来很复杂的时间序列，它可能具有非常简单的光谱结构（只有专家才能知道导致到许多种类的光谱，并不是所有的变换都能显示出简单的“峰值”模式！）。
进一步，知道什么特征元素应该被包括在特征向量中以使得最终结果更可能是鲁棒的是“妖术”。有人可能会说您可以“乱扔垃圾”，但深度神经网络不会推荐这种方法- 明智地组合功能和经过更改的功能以适应业务环境是强大的AI解决方案的先决条件。考虑到这一点，我们如何组成能够产生良好AI解决方案的团队？
正如本节标题所述，AI解决方案的开发必须是团队合作。我不认为这是一个过渡阶段，因为所需的所有技能永远不会在单个开发人员中找到–所需的培训和思维方式过于多样化。
我认为一个AI解决方案开发商全职等效（FTE）由3名具有不同技能的人员组成：数据科学（1）专家，（2）工程师/开发人员和（3）Biz Vertical专家。这是三合一的Data Science Trio（DS Trio）！
没有为此图片提供替代文字
对于解决方案开发的三个阶段中的每个阶段（描述性，预测性和规范性），三种资源类型贡献的工时水平将有所不同。例如，DS Guru将在每个阶段的早期阶段都更多地参与其中，而DS Engineer在中间阶段和后期阶段将更加活跃，等等。资源需求的动态性质决定了资源租赁和部署计划的新颖方法；当然，与其他两种类型的工程师相比，您将需要更多的DS工程师。
AI系统服务解决方案
“数字孪生”适用于产品，“数字妻子”适用于服务！Digitalife强调以下事实：该解决方案完全涵盖了客户的特定需求。AI解决方案是
没有为此图片提供替代文字
网络中人与计算机的结合，其中的每个步骤都被抽象出来，并在适当的时候向客户展示重要信息。ML，机器人和NLP的AI组件在IoT和5G技术的支持下发挥了自己的作用。这样的业务模型已准备好在当前实施。
“前10场比赛”：如何开发和部署AI系统解决方案
1.分析企业中的各种工作；评估工作中哪些任务是重复性的，并且需要较少的人际互动。使用AI自动执行这些任务。
2.形成一个良性循环，将这些任务，专家和客户纳入“ Digitalife”服务。评估各种订阅模式的潜在收入。
3.评估您的AI系统解决方案的社会影响；各个级别的安全和隐私架构师。
4.许多AI方法，例如ML，Robotics和NLP，已经相当成熟。在开始使用Digitalife服务之前，请不要等他们变得防弹–设定您将“随身携带完美”的期望。
5.主动利用IoT和5G封闭服务环路。
6.使用所有三种分析功能与企业ERP交互：描述性，预测性和规范性。确保操作和执行界面具有出色的UI / UX。
7.组建Data Science Trios以开发AI系统解决方案；部署DS Trios计划，以便根据开发阶段的不同而灵活地参与每个项目。
8.谨慎使用自动化AI工具；民主化只进行到现在为止-在AI和ML中，一切似乎都可以进行，但是没有确定的测试性能的方法可以讨论。部署后，随着时间的流逝，这可能会导致服务产品不稳定。
9. AI / ML解决方案的脆弱性最好通过有见地的问题表述和独具匠心的专家来关注特征选择来解决。请记住，由于AL / ML训练模型的宽容和非全局最优性质，在启动时可能会掩盖“垃圾进垃圾”的情况。
10. PoC就像“把脚趾浸入水中”；而是致力于提供重要的Digitalife服务。使用敏捷方法进行开发，其中除客户验证外，冲刺还用于“ PoC”。
借助AI Systems解决方案，将产品转变为服务，并“以更好的用户体验以更高的质量做更多的事情”！
我坚信现在是时候按照我们在所有主要业务领域的“模型转换”部分中讨论的路线图来转换业务。令人鼓舞的是，大多数大型企业已经开始了这一旅程。现在是中小企业加入AI革命的时候了。
…………………………………………………………………………………………
PG Madhavan博士的企业技术生涯包括为NEC的子公司NEC X，Inc.开发多个AI和ML初创公司，作为其CXO并在Microsoft，Bell Labs，Rockwell Automation和GE Aviation担任产品领导职务。PG创立了两家创业公司并担任首席执行官（另外两家公司担任CTO），领导着创业的各个方面。
他曾在大型公司（GE航空，罗克韦尔自动化和NEC以及Microsoft和Lucent的其他软件解决方案）以及包括ML算法到云的初创公司（Syzen Analytics，NEC初创公司和Global Logic）的开发中领导大型ML产品的开发。从软件开发到业务运营。
获得博士学位后 PG是加拿大麦克马斯特大学的电机和计算机工程专业的硕士，以及马德拉斯的IIT的生物医学工程专业的硕士学位，是密歇根大学，安娜堡分校和加拿大滑铁卢大学的一名教授，从事随机场理论和计算神经科学方面的原创研究，其中。
PG最近在数据科学领域的主要贡献是创建了“ 系统分析 ”，这是系统理论和机器学习的结合（于2016年出版），为正式将“动力学”纳入机器学习提供了一种途径。
1