揭开AI的神秘面纱: 扩展AI以利用其真正的潜力

作者: Ravi Mehta，合伙人; Sushant Kumaraswamy，董事; Vedant Agarwal，副总监，Akshay Kumar，高级顾问，德勤印度

实施人工智能 (AI) 的最大矛盾之一是，尽管大多数 (84% 的C-Suite Leaders1) 认为扩展AI是其组织的关键战略任务，然而，在他们的AI实施过程中，很少有 (16% 的C-Suite领导者1) 成功超越了试点阶段。显然，使公司在 “试点” 阶段取得成功的策略在 “扩大规模” 阶段不起作用，因此领导者需要制定不同的策略来成功地扩大组织中的AI。人工智能是多种类型技术 (例如，NLp-自然语言处理，ML-机器学习) 的复杂 “投资组合”，这些类型的技术中的每一种都有自己的 “能力”，以及其独特的实现方式，挑战和要求。此外，如今，业务和流程通常是超分散的，因此跨多个业务部门和职能部门大规模实施人工智能成为一项非常复杂和复杂的工作。公司可以采取三管齐下的方法来帮助解决与组织中扩大人工智能相关的复杂性-1) 采用基于投资组合的实施方法2) 构建强大的数据战略3) 简化人工智能治理和政策。

采用基于投资组合的实施方法: 通常，公司要么采取 “低垂果” 策略，要么采取 “大爆炸” 策略。由于人工智能不是一种 “单一” 技术，而是一种 “技术组合”，公司可能会受益于采用基于 “投资组合” 的人工智能实施方法。在这种方法中，公司可以构建一个 “项目组合” (类似于 “股票组合”)，其中很少的过程可以是 “快速获胜”，而其他过程可以是 “大赢家”。采用这种方法可以帮助公司两全其美-实现一些早期可证明的好处，并在组织的独特环境中学习有关这些AI技术适用性的一些重要经验教训。另一个重要的考虑因素是通过将技术能力与跨多个业务部门，区域和职能部门的流程需求相结合来创建健康的usecase管道 (例如，一旦组织在 “试点” 阶段创建了有效的发票读取解决方案，则该解决方案需要在各个业务部门之间快速扩展以最大化收益)。

构建稳健的数据策略: 数据是成功的人工智能计划的食物。如果没有正确的类型、质量和数据量，任何人工智能程序都必然会营养不良，并有可能最终失败。根据德勤最新的 “企业AI状况” 调查2，接受调查的高管中有33% 发现，与数据相关的挑战是阻碍其公司AI计划的三大担忧之一。具体来说，“数据战略” (“数据生成” 和 “数据治理”) 有两个关键方面对人工智能项目至关重要。对于许多公司而言，“数据生成” 仍然不是一项重点计划，因此许多AI程序无法在正确的时间接收正确的数据。此外，“数据治理” 有助于在多学科和多项目团队环境中使数据所有权和数据使用更加清晰。例如，一家领先的电信专业已经实施了全面的数据战略，帮助他们加快人工智能的实施并实现更好的结果。

精简人工智能治理和政策: 与大多数其他技术不同，人工智能通常会随着时间的推移而学习，因此在实施过程的各个阶段对 “成功” 的定义有更多的校准响应。虽然在大多数技术实施计划中，公司通常在生产部署后进入 “超护理和稳定” 阶段，但在人工智能计划的情况下，公司需要进入 “增强学习和改进” 阶段。此外，公司还需要确保遵守自己的组织政策以及其他国家和国际法规 (例如，有关数据隐私和安全性的GDpR)。因此，公司需要创建一个强大的 “适合目的” 治理模型和风险控制框架 (例如，人工智能和人类将在面向客户的过程中扮演什么角色？)，以便大规模实施人工智能计划。这种治理模式的关键部分是明确定义角色并为关键角色分配合适的领导者 (例如，公司可以考虑创建 “AI采用领导者” 的角色，以赋予组织中增加AI采用的明确责任)。

人工智能承诺改变人类的生活和工作方式。然而，这一巨大的变化取决于许多重要的事情 (如上所述) 在正确的时间成功地发生。公司将需要深入挖掘，很少做出大胆的决定，为AI计划扩大规模并在其组织中取得成功奠定基础。赌注很大，挑战也更大，但人类精神有办法超越挑战，在最具挑战性的情况下找到成功的方法。