企业人工智能采用框架

技术解决方案

Tetra Tech 的五步流程使组织能够在整个企业范围内采用人工智能 (AI)，并在此过程中获得利益相关者的认可。

在很大程度上，组织将人工智能应用于特定的业务需求，但很难在企业层面采用人工智能。这可能会导致人工智能解决方案冗余，并且在解决类似业务需求时缺乏标准化。在 Tetra Tech，我们通过下述流程帮助客户在整个组织中有效应用人工智能。

第 1 步：确定组织的需求

此框架的第一步是选择需要大量人工干预的业务需求。需要大量人工推理、认知密集型流程或复杂决策的业务问题都是不错的选择。除了业务问题之外，您还需要收集充分代表问题空间的可用数据，包括图像和结构化或非结构化数据.

在检查潜在问题时，您的项目重点关注您的组织关心的挑战，以确保您获得有影响力的结果，这一点至关重要。从人工智能试点扩展到生产就绪系统需要组织的支持。

许多业务问题可以通过利用自然语言处理 (NLP) 和计算机视觉的算法来解决。这些广泛采用的算法对于企业应用来说已经足够成熟。可以通过 NLP 解决的业务需求包括：

回答问题和满足请求 - 在业务工作流程中寻找重复的对话，这是聊天机器人可以增强的潜在领域

分析文档 - NLP 可以分析文档以确定相关主题，并使内容易于根据上下文进行搜索

更新记录——客户的语音和书面输入可以在客户关系管理 (CRM) 系统中自动更新

业务需求可以通过计算机视觉解决的问题包括：

自动数据输入 - 这使您能够搜索存档数据或新数据并减少积压

处理地理空间图像 - 由于人类需要花费大量时间来查看每张图像，因此计算机视觉可以有效地扩展分析范围

分析视频监控 - 算法可以执行初步筛选并标记异常对象，使审核人员能够专注于高价值工作和最终决定

第 2 步：从小而有意义的成果开始

确定要解决的业务需求后，您需要创建一个定义明确、规模较小且技术上可行的试点项目范围。通过限制项目范围并确保技术可行性，您可以更轻松地衡量成功并快速展示影响。试点的目的是展示可能性，提高组织中的人工智能意识和采用率。当组织中的利益相关者通过演示、试点和原型看到 AI 功能的实际应用时，您的组织将更好地了解 AI 及其优势。虽然立即寻求大规模解决方案很诱人，但更小、更有意义的项目可以降低潜在风险，同时提供更大的影响。

第3步：大量使用高质量数据

建立利用人工智能的试点需要大量高质量数据。高质量的数据格式良好并且充分代表问题空间。要训​​练模型，您可以使用真实数据或与实时数据具有相同结构和格式的合成数据。有用的元数据和清晰的文档也将有助于试点实施。如果没有这些关键要素，就很难开发出能够产生准确结果的人工智能解决方案。数据的基础设施也发挥了作用，使飞行员能够以简单的方式检索当前数据并进行交流。处理新数据。之前对云基础设施和数据治理的投资有助于提高数据检索的效率并加速试点实施。组织还可以考虑使用第三方数据来扩充专有数据集。

第 4 步：探索不同的算法和技术

人工智能算法与传统软件不同，因为开发人员花费更多时间评估模型，而不是编写明确的指令。对于每个试点，团队必须确定输入和输出。根据您要解决的问题的类型选择算法。该团队可能会探索许多不同的算法。不同方法的组合通常会表现最好。数据科学家必须专注于手动管理、维护、整理、清理和标记数据集。然后使用数据来优化模型。

您可以参考决策图和备忘单，帮助您为预测分析模型选择正确的算法。怀尽管并非详尽无遗，但当团队开始探索时，开源 Scikit-learn 机器学习库和 Microsoft Azure 发布的参考资料非常有用。我们建议考虑开源技术的成本和成熟度。大多数广泛采用的人工智能编程库都得到大型科技公司的支持。使用开源解决方案可以降低供应商锁定的风险，支持寻找和留住顶尖人才，并降低许可和维护成本。

第 5 步：改进模型并管理训练数据

人工智能模型在遇到新数据时不断发展。为了考虑这种演变，您必须在项目进度中预算时间和资源来引导和继续模型的迭代。当您在生产中运行模型时，您会发现训练数据中存在空白。您的团队应该通过收集更多边缘情况的训练数据来弥补训练数据中的差距。随着更多现实世界的反馈被捕获，它an be used to increasingly optimize the models.  不断优化，确保每个试点项目都朝着良好的结果迈进。

在企业范围内采用人工智能是一个迭代过程

您的试点项目将作为企业级采用的蓝图。试点项目对于了解组织的运营限制特别有用。以组织成功为目标，这些试点项目将提供有关如何解决运营限制（例如数据孤岛、数据治理、数据基础设施以及持续集成和持续交付管道）的经验教训。

采用人工智能是一个迭代过程，对于您试图解决的每个业务挑战都应该重复上述每个步骤。这种方法将帮助您的组织更好地理解和实施人工智能来满足您的需求。