您尚未登录账户请先登录您的atyun账户，方可使用该功能
您的企业账号申请正在审核中审核通过后即可使用此功能，请耐心等待~
如何在大规模的人工智能和机器学习中取得成功
2019年10月28日 由 TGS 发表
565696
0
人工智能可以为今天的企业提供很多好处，从检测欺诈到预测机器故障，再到理解客户行为，它有潜力在各种不同领域带来改变游戏规则的商业价值，但是却很少有机构或组织真正实现了人工智能带来切实商业利益的设想，因此，Gartner预测，在未来的一年里，80%的人工智能项目仍将是实验室技术，无法实现落地。这是令人沮丧的事实，很多从事工智能项目的企业组织，大都经历过这样的流程：建立一个创新实验室来‘做人工智能’，后来才意识到他们还不能将他们的ML模型应用到真实的业务流程中。
不能应用就意味着没有实际价值，在商业中，投入得不到回报就等同于亏损。人们不得不面对的是，只有可操作的ML模型，才能交付业务价值，从而产生商业利益，那么关键问题来了，怎样才能使AI / ML在规模上取得成功，并将ML模型付诸实施呢？
对此，有相关专家总结了几个关键点：- 定义业务目标：许多AI / ML项目之所以无法交付，是因为人们对AI的能力期望过高。在开始人工智能活动之前确定项目的目标，从一开始就清楚地确定用例、定义可度量的目标、对当前性能进行基准测试，有助于双方互相了解，便于达成协同合作。
- 确保利益共识：人工智能项目也可能因为不同利益相关者之间缺乏共识而失败。一旦确定了用例，就可以将需要参与的不同涉众映射出来，在这个过程中，彼此双方达成共识是很重要的一点。
- 雇佣合适的员工：可用的数据科学人才向来短缺，故而招聘数据科学人才是一项根本性的挑战。从数据准备和模型构建到训练和推理，这是一项团队运动，需要多个不同的角色，包括数据工程师、ML架构师和运维。
- 提供正确的技术和工具：ML模型的操作化和生产部署方面通常是所有AI项目面临的最大挑战。因此，需要考虑整个ML生命周期。这有几个方面，包括但不限于正确的数据、合适的工具，以及必要的基础设施与合理的标准化流程。这些能为整个ML生命周期提供一个安全的、基于容器的软件平台，帮助确保AI / ML项目的成功。
欢迎关注ATYUN官方公众号
商务合作及内容投稿请联系邮箱:bd@atyun.com
广告
广告
写评论取消
回复取消