5种快速跟踪下一个AI实现的方法

5种快速跟踪下一个AI实现的方法

准备和实施人工智能项目可能是一个多年的旅程。根据最新的数据,只有28%的受访者表示在第一年就通过了人工智能规划阶段。这是由于几个因素造成的,包括技术的相对成熟度(至少在不断扩大的行业用例集中),所涉及的复杂性水平,如广泛的集成需求,有限的企业经验和缺乏内部技能集,对人工智能偏见的关注以及治理,风险和法规遵从性问题、广泛的变更管理要求等等。

无论是作为企业创新计划的一部分还是作为数字转型计划的一部分,在如此强调展示快速成功的情况下,长期的人工智能项目可能会影响比自己更大计划的声誉。随着首席信息官们在产品管理方法上从“项目到产品”的转变,这些冗长的人工智能项目也会推迟创新的内部或外部产品发布。

为了围绕这一重要的使能技术获得快速收益,并进一步推动在更广泛的数字转型和创新计划中进行更多投资的商业案例,首席信息官可以通过以下五种方式快速跟踪其人工智能实施:

(虽然我们将重点放在人工智能机器学习(ML)计划上,并举例说明金融服务中的贷款决策,但这些建议适用于许多其他人工智能计划和行业。)

首先要做的决定之一是建造还是购买。虽然我们听到很多关于自己动手构建人工智能的各种平台、基础设施和框架,但无名英雄往往是更为利基、专业的人工智能供应商,他们提供基于云的人工智能服务,可以针对您的特定用例快速培训和部署。构建或购买的决定实际上是基于人工智能作为未来核心竞争力对组织的重要性。

举个例子,虽然每个金融服务公司都应该关注AI“富人”和“穷人”之间日益显现的数字和金融鸿沟(请参阅“对业务战略和技术部署采取违反直觉的方法”),但并不是每个公司都需要在内部构建自己的算法。较小的商店可以非常有效地将更多的精力放在将第三方人工智能技术纳入其核心工作流程(如贷款承销)的业务好处和成果上,而不必建立自己的内部人工智能/ML专业知识。

曾经有人说,成功是10%的灵感加上90%的汗水。说到人工智能,一个成功的实现通常是10%的人工智能和90%的数据。任何用于训练AI/ML算法以反映人类决策的数据集都需要尽可能大和尽可能干净。

简单地说,这意味着对于ML算法来说,每行1000个属性的10000行数据远比每行100个属性的1000行数据有用。Underwrite.AI公司的首席执行官马克•斯坦(Marc Stein)表示,该公司专注于应用AI的预付款,为贷款人提供非线性、动态的信用风险模型,然而,这并不像“越多越好”那么简单。数据类型和数量必须与算法类型匹配。深度学习需要大量的记录才能有效,而基于统计的算法能更好地处理较小的数据集。

如果您使用人工智能来模拟人类的决策,那么您可以获得尽可能多的数据,确保每个数据字段都有一个值,并重视数据质量和一致性。这可能很耗时,尤其是从多个不同的源进行绘制时,但如果在早期就彻底完成,则可以避免大量代价高昂的返工。

虽然从技术上讲,调用一个AI API来传递一个新的数据集并获得一个分数是很简单的,但更困难的是,为了使业务分析师能够最好地解释这些分数,并将新的流程融入到他们的日常工作流程中,所需的变更管理和培训。

虽然某些形式的人工智能可能会产生自动决策,例如根据信用历史对新贷款做出“是”或“否”的决策,但通常情况下,ML算法也会提供更微妙的响应。此响应可能需要与现有的人工过程结合使用,以最佳地决定贷款。例如,AI“得分”可以是从“a”到“D”和“F”的等级“A”和“F”可能是明确的“是”或“否”决策,可以完全自动进行实时决策,但“B”级到“D”级可能仍需要人工保险人参与。

正如你花时间培训分析师使用新的财务模型以及如何最好地解释模型的结果一样,基于人工智能的结果也是如此。业务分析师可能需要花费数周甚至一个月的时间来观察ML算法返回的结果,因此他们有一个如何最好地解释分数的基线。如果您与人工智能供应商合作,该供应商可以就如何解释结果以及如何培训员工以充分利用新系统提供指导。

斯坦因认为,理解人工智能不是魔法是至关重要的。这只是一个识别过去行为模式的过程,允许对未来做出更准确的预测。只有当企业有明确的问题和易于理解的成功标准时,它才能成功。例如,“我们需要减少以损失率衡量的贷款违约”或“我们需要从目前的32.5%的利率提高转化率”等等。如果你不完全理解问题,你也不会理解解决方法。

由于每个人工智能实现都是独特的,因此重要的是要以“假设和测试”的心态进入每个项目,而不是将项目视为彻底的成功或失败。通过在每一步做出假设,并将每一步的经验教训带入下一次迭代,您可以快速优化您的AI部署,直到它成为一个可行的解决方案,能够提供有意义的结果。

虽然“假设和测试”方法将延长项目部署时间,但其好处是您不断微调解决方案,以结合实际经验教训,与客户和员工需求保持一致,并不断转向最引人注目的业务案例,从而使您的解决方案具有可持续性。

当您开始进行初始人工智能试点、概念验证或MVP时,请记住,您的组织在企业范围人工智能方面的未来愿景可能是多种类型自动化的融合,从完全手动流程,到采用机器人过程自动化(RPA)的流程,再到更复杂的人工智能。通常是从头开始重新发明业务流程,然后在每一个新的步骤中为工作应用最好的工具。简单地将RPA或AI插入到不变的现有业务流程中,很可能会错过可能的艺术。

另一个重要因素是每个工具之间发生的切换。这可能是人对机器或机器对机器。通过优化切换并使其快速、无缝和可靠,您可以进一步增强您未来的业务流程,使其与您的业务目标和市场要求一样具有成本效益和竞争力。

好消息是,人工智能的实现可以快速进行,但这并不意味着人工智能的智能化。它是关于做出正确的选择,例如构建还是购买,在数据质量(以及客户)方面变得沉迷,在变更管理上花费足够的时间,让业务尽早参与,采取“假设和测试”的方法,最终将多种自动化技术结合到您的未来愿景中。

如果你的人工智能项目需要相当长的时间,要有耐心,坚持到底。你也可以利用这里的一些建议来帮助你快速的到达终点。当然,就像数字化转型一样,这场竞赛永远不会结束。