企业AI成功应用的关键要素

企业在实现人工智能（AI）全部潜力方面正面临挑战，除非采用组织级的平台化方法，将模型直接部署到数据所在位置，否则将面临员工生产力下降的风险。

Cloudera公司澳新地区首席技术官Vini Cardoso发出了这一警告，他呼吁企业从零散的、临时性的AI实验转向赋能员工，并专注于能带来可衡量回报的用例。

在接受Computer Weekly采访时，Cardoso表示，考虑任何AI项目能为企业带来的价值至关重要。用于获得批准的估算是一回事，但这种价值必须在实施过程中得到跟踪。

"我们看到一些组织，比如我们合作的该地区某家银行，通过AI在多种形式下实现了每年1.5亿澳元的价值创造——不仅仅是生成式AI，还包括传统机器学习。这是通过选择能带来正确价值的正确用例实现的。"

通过专注于正确的举措——那些能够获得效率提升、降低风险和避免损失的项目——这些组织能够取得可衡量的结果。

"在任何变革性用例中——无论是今天的AI还是过去的企业资源规划（ERP）——你都需要业务领导者的参与。他们必须拥抱变化，只有当他们理解积极成果时才会这样做。一旦他们理解了，他们应该以身作则，建立一种支持整个组织朝着该目标努力的文化，给团队学习和实验的机会，同时保持对转型目标的关注，"Cardoso说道。

这种变化为IT和数据专业人员提供了重新定义其在组织中地位的机会，运用他们的技术专长来影响业务决策和结果。

例如，数据分析团队可能会检查季度业务回顾，并提供类似这样的建议："也许你应该投资这些机会，因为根据我们的分析，它们具有更高价值且更可能成交，而不是对众多前景采用散弹枪式的方法。"

"根据我的经验，这让工作更有意义。员工不再只是操作软件：他们看到真实的结果并影响关键的业务决策，"Cardoso说道。

然而，Sapio Research为Foxit Software进行的最新调查表明，AI的使用可能会暂时降低而非提高生产力。

这项针对美国和英国1400名办公室员工和管理人员的调查发现，管理人员每周仅节省16分钟，而办公室员工却损失14分钟，这是因为需要时间验证AI输出。一个可能相关的发现是，四分之一的管理人员对AI输出"极其有信心"，但办公室员工中只有十分之一。

Cardoso指出，技术采用通常始于怀疑态度，但随着价值得到证明，信任会随时间增长。"以自动驾驶汽车为例：在加州，我看到共享出行汽车在车内无人的情况下运行。复杂性和安全实施水平非常高，逐渐地，人们获得信心，采用率增加。

"商业中的AI采用也在发生同样的情况。组织采取措施增强对AI结果的信心，首先从可信数据开始：了解数据来源、应用了哪些转换，并确保可靠的来源，"他补充道。

人们必须能够信任模型和输入的数据。在早期阶段保持人类参与有助于建立信任，这与相应的风险承受能力提高一起，加速了采用。

"人的方面——技术技能加上业务知识——对于审查框架和指导决策仍然至关重要。随着社会的发展，框架需要适应。模型也必须进化。AI的美妙之处在于它持续学习，自然地调整结果以反映新知识和不断变化的期望，"Cardoso说道。

另一个反复出现的问题是从实验和试点转向生产系统。据Cardoso称，那些有潜力提供真正价值的项目更可能获得必要的支持。

他还建议从一开始就采用平台化方法。"有时人们使用手边的任何技术来设计解决方案，但这种技术可能无法扩展或操作化。重新编码、重新架构或重新设计数据管道所需的时间可能是巨大的。

"通过平台化方法，你有一种一致的方式来接入数据源并为生产开发AI。数据和工作负载变得可重用和标准化。你可以应用一致的安全性、治理和控制，使从试点到生产的转换无缝衔接。同时，你遵守治理框架并满足监管和合规要求，"他说道。

为此，Cloudera提供其软件的试用，以便潜在客户可以测试其能力和自己的用例。

该平台可以在本地部署，在客户选择的云中部署，跨多个云部署，或在混合环境中部署。这意味着组织可以选择当时最便宜的云，同时维护相同的工作负载、基础设施和治理标准。这包括能够放置工作负载以利用未使用的预承诺云积分。

部分由于在云之间移动数据的成本，"我们采用的方法是将AI工作负载带到数据所在位置，而不是将数据移动到AI，"Cardoso说道。"如果数据在本地，我们帮助部署AI能力在那里运行模型。如果在云中，我们在数据所在位置附近部署工作负载。"

然而，在适当的情况下，例如在出口费用低或没有的情况下，Cloudera平台具有联合能力，允许在不移动数据的情况下跨不同环境访问数据。

"平台化方法确保AI在数据所在位置运行，而不暴露知识产权或敏感信息——这对主权要求至关重要。AI应该增强技能、释放想法并产生价值，而不是替换团队。

"高价值用例至关重要。低门槛成果对学习有用，但针对真正的业务问题能推动投资和董事会层面的支持以扩展AI，"Cardoso说道。

Q&A

Q1：为什么企业在AI应用中容易失败？

A：企业往往采用零散的、临时性的AI实验方式，而不是采用组织级平台化方法。缺乏业务领导者参与、没有选择正确的用例、未能将模型直接部署到数据所在位置等都是失败原因。

Q2：平台化方法对AI部署有什么好处？

A：平台化方法提供一致的数据接入方式，使数据和工作负载变得可重用和标准化。它能应用一致的安全性、治理和控制，使从试点到生产的转换无缝衔接，同时满足监管和合规要求。

Q3：如何提高员工对AI输出的信任度？

A：需要从可信数据开始，了解数据来源和转换过程，确保可靠来源。在早期阶段保持人类参与审查，随着价值得到证明，信任会逐渐建立。同时需要持续的学习和适应。