位於美國維吉尼亞州亞歷山大市的美國專利商標局，正在利用人工智慧（AI）計畫來加快專利分類過程，幫助檢測詐欺行為，擴大審查員對類似專利的搜尋範圍，使他們能夠在相同的時間內搜尋更多文件，而且他們的每個項目都從試點開始的。美國專利商標局首席資訊長Jamie Holcombe表示：「概念證明（PoC）是我們用來了解新技術、測試業務價值假設、降低規模專案交付風險、為全面生產實施決策提供資訊的關鍵方法。」他說，一旦試點計畫被證明是成功的，那麼下一步就是確定是否擴大這些試點計畫。然後，就是在實際環境中擴展，以及全面投入生產。
印度電子商務供應商Flipkart也在部署一個專案之前遵循了類似的流程，該專案幫助客戶用11種不同語言對數百萬件商品進行文本搜尋和視覺搜尋。現在，Flipkart正在測試對話式機器人，使用深度學習來建立模型，模型中包含了使用者意圖偵測、語言翻譯、語音到文字和文字轉語音的功能。 Flipkart和美國專利商標局都在快速地把電腦視覺、自然語言處理、機器學習和其他人工智慧技術擴展運用於業務的其他方面。
儘管人工智慧和機器學習令人興奮，但有許多最初的試點計畫和PoC計畫未能全面投入生產。那些已經成功的項目，需要成為戰略計劃的一部分，獲得高管的支持，能夠使用合適的數據，有所需的團隊，有合適的技術和業務指標，以及項目里程碑，經歷多次迭代，快速試錯。 「這個過程可能需要一兩年的時間才能達到高品質的水平，期間需要你的耐心，」Flipkart公司工程副總裁Ganapathy Krishnan這樣說道。
企業正在快速採取行動，開展成功的AI試點項目，投入生產並帶來成果。 Forrester人工智慧、機器學習和資料科學分析師Rowan Curran表示：「我們已經看到AI項目正在步入主流，有57%的企業正在實施或正在擴展他們的AI項目，有70%到75%的企業正在從這些項目中看到明顯價值。」此外，根據安永最近的一項調查顯示，有53%的CIO和IT領導者稱，AI範疇內的數據和分析將成為未來兩年的首要投資領域。
但其中許多試點計畫在開始之前就注定要失敗，原因有很多，首先就是缺乏自上而下的支持。美國專利商標局的Holcombe說：「你需要來自高階主管的認可，還必須有所需的資金。」
有IT主管認為，從組織中層或自下而上的方式啟動計畫會降低專案成功的機會。最成功的項目，應該獲得來自CIO的支持以及高管承諾為項目提供資金，並把AI融合到企業組織整體數位轉型的戰略當中。
Flipkart公司的Krishnan表示，設定明確的期望值也很重要。 「你不應該期望你部署的專案會從根本上改變業務，這是一個漫長的過程，需要時間。」
PoC也可以是企業內部磨練能力的一種練習，也是這是這是製造公司禮來（Eli Lilly）所採取的一種方法。禮來公司資訊與數位解決方案副總裁、資訊長Tim Coleman表示：「透過PoC，我們試驗並了解了技術和專案交付的規模維度。」這支團隊正在將自然語言處理功能應用於業務領域的自然語言發現、生成和翻譯，範圍覆蓋很廣，從臨床和科學內容創作到產品開發、高級搜尋和一般管理功能。
但不要把這種能力建立練習與需要產生廣泛轉型價值的試點計畫混為一談，安永全球人工智慧諮詢負責人Dan Diasio警告說，「你想培養自己的能力來實現目標，但是未來當你需要與顛覆者競爭、對投資者產生有意義的影響力時，你就必須採取自上而下的方法。」
這就是醫療企業Atlantic Health System對待人工智慧和機器學習專案的方式。 Atlantic Health System已經在影像評估方面成功地進行了試點，以協助放射科醫師，並在預授權自動化方面進行了試點，這種自動化技術可以接收成像訂單並將其通過幾個流程步驟進行調度。該公司高級副總裁、首席資訊長Sunil Dadlani說：“人工智慧應該是數位轉型的一部分，而不是一項孤立的舉措。我們正式製定了一個關於人工智慧和機器學習的治理結構和投資計劃。”在禮來公司，專案提案在推進之前應該要通過三個標準：在投資回報率方面提供商業價值，具有可接受的成功率，並且專案結果必須與業務策略和優先事項保持一致，Coleman介紹說。例如，Mosaic PV是禮來公司首批專注於藥物不良反應報告的人工智慧專案之一，主要驅動力是「提高生產力並降低處理不良事件的成本，同時保持高標準的品質和合規性」。
成功的試點應該從定義業務問題開始。 「不要變成了透過答案去尋找問題，」全球專業服務公司Genpact的首席數位策略師Sanjay Srivastava這樣表示。 Genpact主要針對大型企業提供關於AI專案的諮詢服務。 「那些專注於業務成功，並且是從問題著手、而不是從答案著手的項目，往往會做得很好。」
然後要決定AI是否是最佳的答案。 Krishnan表示：「這個專案是否適合複雜到值得使用AI的標準？如果你可以透過簡單的、基於規則的方法來做到這一點，那就去做吧。但是，如果你有數十萬甚至數百萬條規則的時候，使用基於軟體的方法是不可行的。」
說回到美國專利商標局，AI專案需要兩組指標：如何執行模型的技術指標，以及如何量化AI專案商業價值的指標。
Atlantic Health System則是透過為一小部分業務實施具有明確業務KPI的試點計畫來確保成功。例如，Atlantic Health System的影像評估系統就從在神經內科進行小型試點開始部署，隨後快速擴展到心臟學和其他領域。這個團隊在八週的時間內創建了一個成功的神經病學試點，展示了計畫成果，獲得了心臟病學和所有其他服務線的支持。
Flipkart和美國專利商標局一樣，先把目光集中在技術模型指標上，然後執行A/B測試，看看對業務會產生怎樣的影響。目前，團隊正在開發和測試一個以AI輔助的對話式機器人。他們從「可回答性」這個指標開始，也就是機器人在回答問題方面的能力。現在他們正在運行A/B測試，確定這是否會對業務產生可衡量的影響。
AI專案嚴重依賴大數據，你需要所需的速度、數量和種類，Dadlani說。 「如果你的數據品質不佳，你就不會看到預期的結果。」
Genpact公司的Srivastava對此表示認同。 「建立AI系統的工作，有90%是圍繞數據攝取、協調、工程和治理的。如果你專注於10%而放棄這90%，從一開始就失敗了，所以你要建立數據的基礎。”
你還要能夠在不同的A/B測試之間提供持續的回饋－即時取得數據，以便調整模型。但是你所在的企業組織可能無法自動地快速提供資料。例如，如果你正在研究預測模型，而團隊沒有自動獲取有關客戶購買商品的信息，那麼你就無法完成這個循環。在完全部署後繼續回饋循環也很重要，因為客戶的偏好會隨著時間而改變。如果你的模型沒有考慮到這一點，你就不會得到你期望的結果，這種結果稱為「模型漂移」。
雖然在你的初步預期中，試點計畫可能是可以全面部署的，但能否擴展取決於這些試點計畫。那麼，你是否擁有適當的資源可以把試點計畫擴展到全面部署。安永的Diasio說：「要擴展，你可能需要簡化程式碼、引入新技術、將人工智慧和機器學習推向邊緣，而不是擁有一個資料儲存庫、僱用新的團隊、建立資料標籤工廠。你需要的，是一整套工程技能。」
Flipkart在試點專案中採用了雲端和MLOps相關功能。 「從一開始，試點計畫就需要大量的工程支持，必須經常迭代，快速試錯，而要做到這一點，你就需要大型雲端服務供應商提供的MLOps基礎設施。」他建議說，試點團隊應該定期報告他們距離目標達成還有多遠，並且要確保在試點期間正確設定預期值。
他說：「如果你在試點初期設定了3%，那麼你做得很好。」不要期望立即能看到收益。複雜的試點計畫往往很難在三個月內看到影響。你要做的，就是部署，找到差距，再次部署，逐步改善提升。
試點計畫期間出現了失敗，並不一定意味著試點計畫的終結。美國專利商標局的增強分類系統最初就失敗了。 Holcombe說：「從一開始，我們就遇到了資料集管理不當的問題。」但團隊重新調整，繼續進行試點，直到系統效能大大優於手動流程。 「如果你失敗了，不要放棄，找出失敗的原因。」
以上幾位CIO、IT主管和顧問，會使用各種方法來評估他們的試點專案.在Atlantic Health System，一旦初步試點完成，就到了評估結果的時候，這決定了是否要延長試點、推進生產、還是減少損失。 Dadlani說：「試點計畫必須提供可感知的成功衡量標準，只有當我們看到有希望的結果時，我們才會說，擴大規模需要什麼，需要多少時間，實現價值需要多長時間，技術基礎設施資源需要哪些投資，以及我們如何付諸實施。」
禮來公司的Coleman表示，試點計畫失敗的原因有很多：AI技能不足、標記資料不足、專案願景或價值主張不明、缺乏敏捷性、缺乏快速試誤的心態、缺乏高階主管的支持、以及缺乏組織變革管理來推動業務採用。
你要向上報告了對財報至關重要的指標。例如，如果定價演算法預計可以節省5000萬美元，那麼迄今為止已經實現的目標與預期的目標之間可能存在差距，Diasio：「當你談論大型耗資項目的時候，試點項目往往缺乏創造如此大價值的可信度，所以要盡可能努力記錄那些已經實現的價值。」
這也是重新評估試點是否需要擴大規模的一個機會。 Genpact公司的Srivastava說：「許多PoC在技術上非常成功，但在擴展時並不具有經濟效益，」其他考慮因素還包括擴展項目需要多長時間，以及需要哪些資源。
但是，當你放眼長遠時，情況可能會改變。 Coleman說：「即使在短期內可能無法實現規模化的情況下，具有高交付成功機率的較小專案範圍仍可能帶來短期業務價值，與此同時，技術能力和技能也會發展成熟到可以克服規模化障礙的程度。」
然後是基礎設施。你應該確保在擴展的時候檢查了所有假設條件，包括配置、網路頻寬、儲存和計算。 Krishnan表示：「你需要大量的工程支援來擴展試點項目，而這時候基於雲端的MLOps基礎設施可以提供幫助。」
最後，你應該確保可以把AI整合到上游和下游工作流程中。例如，如果你沒有把故障預測整合到上游供應鏈系統中，確保你在所需的時間和地點有所需的備件，那麼預測故障功能就無法派上用場。同樣地，這些資訊也可以用於下游調整維護計劃。
成功的人工智慧/機器學習試點項目，關鍵在於初始規劃，你要在繼續推進之前就獲得高階主管的支持和財務上的支持。 Holcombe說：「你必須要有高階主管支持，」從一開始就讓所有利害關係人參與其中。
人工智慧/機器學習試點計畫應該作為整體數位轉型策略的一部分進行，並且具有令人信服的業務場景，Dadlani說，達到預期結果是需要耐心的。制定技術和業務影響力指標，並且這些指標可以定義成功與否。確保你擁有所需的資源，組建團隊並且做好快速試錯的準備。因此，在團隊中擁有具備所需的技能和領域專業知識組合，是AI試點計畫成功的關鍵。他說：「即使在試點階段，你也需要一個跨職能的團隊。我們要確保每個人都參與試點計畫中，因為這將成為實際工作流程的一部分，他們必須從一開始就參與其中。 ”
那些不具備所有所需人才的組織，應該考慮與外部合作夥伴建立一個混合團隊，而中小型公司則可能需要把更多的職責角色進行外包——如果他們能找到合適人才的話。 Srivastava說：「如果你沒有合適的人工智慧/機器學習工程師和資料工程師的話，外包是非常困難的。」更重要的是，你的團隊中既需要有了解機器學習又了解所在行業（例如製造業）的人員。這不是一個容易找到的技能組合，因此交叉培訓是至關重要的。
最後，你要考慮到一個可以產生實際業務成果的目標項目，然後擴展到業務的其他領域，就像Atlantic Health System做的基於機器學習的成像評估系統項目一樣。
一旦試點進入全面生產階段，就在你已經完成的工作基礎上再接再厲。讓業務部門隨時了解試點進展，展示專案在完全部署後具備哪些功能，並開發出一個平台讓其他業務部門可在該平台上使用自己的應用程式。 Srivastava說：「如今，變化速度是有史以來最慢的，那些想要實現顛覆和發展的企業，必須改變他們推動價值的方式，如果沒有人工智慧，你就無法做到這一點。如果你不投資人工智慧的話，你就會顯得束手束腳。」
以上是七位IT專家暢談：如何啟動和擴展成功的AI試點項目的詳細內容。更多資訊請關注PHP中文網其他相關文章！
