都在押注人工智能 该如何布局？
点选上方关注，All in AI中国提高灵活性，改善客户体验，降低成本。这些是推动组织对人工智能和机器学习持续兴趣的三大好处。
如果您的组织坐拥资料，那么您就可以通过将机器学习引入您的流程和系统来充分利用AI。然而，AI和ML是最新的IT术语，很容易被忽视。
这就是为什么了解更多关于这项技术以及如何快速、经济地实施该技术很重要。因此，您可以为即将普及的技术奠定基础，改善您的运营并获得竞争优势。
AI、ML和深度学习：他们如何融合在一起的？
AI是一个包罗永珍的术语，用于表达将人类智慧融入机器的想法。这包括概念的所有方面，从广义的、高度先进的、近乎人类的机器人概念到深度资料分析。
机器学习和其他形式的软件之间有什么区别？大多数流程都是由基于规则和指令组成的引擎的软件控制的。机器学习是一组可用于分析资料模式和执行预测的技术。
机器学习是AI的一个子集，它使计算机能够将学习算法（通常由资料科学家建立）应用于资料，以获得准确的预测。
深度学习（DL）是ML的演变，旨在克隆人类大脑解决问题的方法。 DL不使用预先标记的资料，而是使用资料中的模式对资料进行标记和分类。要做到准确，DL需要大量的资料和训练。
现在ML的最佳用途是什么？
解决涉及大量资料和其他系统无法处理的程序的问题，特别是当资料和结果之间没有明确的路径时在资料和结果之间的相关性过于复杂或耗时的情况下，无法进行人工分析为决策提供支援资讯示例包括事件预测、趋势分析、资料分类和决策自动化。 ML甚至可以用来建立计算机视觉，其可以用于执行传统的人工任务，例如可视地检查专案以解决问题。
人工智能的其他领域的突破，如自然语言理解（NLU）和自然语言处理（NLP），也在塑造线上客户服务。“按一买一”的日子即将结束。语音识别是如此先进，以至于我们很快就无法区分电脑和手机另一端的人之间的区别。
ML的主要优点之一是它可以分析整个资料集，而不是从较少量的资讯中推断和应用结果，并希望它是正确的。这样可以实现更准确的分析，并使企业能够将实时资料整合到模型和决策中。
AI和ML将何去何从？
虽然人类是快速而缓慢的思想家，但ML正在推动快速和快速思维的边界。诺贝尔经济学奖获得者丹尼尔·卡尼曼（Daniel Kahneman）澄清了这种双速系统的工作原理：
系统一：快速思考
人类有时被称为直觉机器，因为我们依赖于一种本能的思维方式。系统一思维使用关联和记忆、模式匹配和假设来帮助我们快速得出结论。
系统二：慢思考
这是我们的分析思维方式。系统一不断创造印象、直觉、意图和感受，只有在遇到意外事件的情况下才会恢复到系统二。系统二反映、分析和解决问题，其结果形成信念和行动。
机器学习是通过应用比大脑更高的计算机能力，迅速创造出一个相当于“快速思考”的机器。或者，从更人性的角度来说，使机器能够使用直觉作为其智慧的基础。
随着我们更广泛地理解和应用机器学习，它并不总是技术的独立方面。它将在各个行业和日常生活中的整个工作场所无处不在。
这对企业意味着什么？ AI和ML的早期采用者已经拥有多年的经验，现在他们已经开始使用这项技术，风险已大大降低。
您很可能会在某个时候将此技术应用于您的业务，这就是为什么理解组织中AI投资的商业案例至关重要。
在您的企业中使用AI
当应用于正确的业务挑战时，AI可以展示出巨大的投资回报。
许多公司已经将AI和ML与他们的业务流程整合在一起。这里有些例子：
1.自动车辆检查，使员工能够解决其他优先事项
一家大型快递公司在返途中手动检查他们的送货车是否损坏。使用可以发现损坏的自动摄像机和人工智能，检查进行得更快，使工作人员可以有时间进行其他增值活动。
2.无人为干预的异常事务识别
能源公司实施机器学习以分析消费模式。通过将交易资讯聚集到不可预见的组中，系统可以构建模型、识别模式并分析预测客户使用情况。
这种方法使资料模式和识别超越了传统方法。它使企业能够更快地识别和纠正问题，并具有更高的准确性。
3.高度准确的元件故障预测
了解何时更换制造元件对于优化装置和最大化收入至关重要。通过将预测资料与速度、加速度和温度等因素的实时分析相结合，ML可用于更准确地预测元件故障。通过结合两种资讯并建立识别因素和故障率之间相关性的模型，系统提供了卓越的预测能力。这样可以更快、更准确地标记问题，提醒员工需要进行修复并实现卓越的人力规划。
决定如何在您的业务中使用AI和ML需要准确的专案范围：确定具体的用例并建立一个风险投资列表，以便您可以处理多个专案，快速应用您的知识并增加价值。 Gartner建议您将专案与业务目标和衡量成功的预期指标保持一致。
投资AI和ML需要有一个合理的商业案例和理由。通过明确您想要修复的问题，了解业务价值并设定明确的措施，您将能够证明您的投资回报。
你应该如何采用AI？
人工智能开发存在于一个范围，发明者在一端，安装人员在另一端。根据您的业务专案，您可能会发现中间位置是您充分利用这两个方面的最佳位置：
发明者：
建立新的模型和技术。这需要内部技能和大量时间和投资。你将拥有你所创造的东西的知识产权，但除非你是一个未被现有AI软件服务的未来企业，否则你不太可能需要投入这么多时间和金钱。
创新：
利用嵌入式AI开发现有技术框架，以改进流程。此路线涉及采用现成的模型并对其进行定制以满足您的业务需求。您需要内部资料科学家来完成此类工作，或者您可以将其外包给具有快速专案交付能力的经验丰富的团队。这有助于您在不做出巨大财务承诺的情况下证明AI技术的价值。通过调整软件来解决您的客户或业务问题，您将通过无法轻易复制的定制解决方案获得竞争优势。
安装程式：
使用和调整已有的技术。预打包的软件解决方案有时已经足够好，如果它能够让您快速轻松地到达目的地，那么它可能是一种选择。但是，它可能不会给你最好的结果。它可能不会给你带来很多竞争优势，因为你的竞争对手能够购买完全相同的软件，并以与你完全相同的方式实现它。
无论您选择哪条路线，都需要确保你的人工智能能够执行。这意味着持续管理模型，并在业务发生变化时预测其演变。
你需要开始做什么？
在迈出人工智能之旅的第一步之前，请仔细考虑AI是否是解决问题的正确工具。约束优化和商业智慧系统等传统工具通常可以完全满足要求。您可能需要咨询受信任的开发团队，以了解AI是否是为您的业务增值的正确选择。
一旦您确定AI是正确的路线，就需要收集决策所基于的基本资料和元资料(关于基本资料的资料)。这需要构建具有相当详细程度的结构化资讯。一般来说，资料越多，结果就越好。
与任何软件开发专案一样，您需要一个计划和流程。认为人工智能专案需要大规模、长久的时间投入，这是一种常见的误解。我们经常发现最好的方法是采取一个特定的问题，并将其从研究和开发转移到实时阶段并证明概念。在几周内，而不是几个月。
这可能意味着与经验丰富的开发公司合作，他们可以快速试用和测试产品，让您充满信心地前进。
如果您有遗留系统，请不要担心 - 它们不会成为AI的障碍。最好的技术公司将能够将旧系统与新的支援资料连线起来，以便顺利地传输，而不会妨碍创新的新技术。
AI和ML正在成为我们工作方式中不可或缺的一部分。逐渐进入新领域：
确定一些潜在的专案/挑战，并审查AI如何提供解决方案。确定成功的样子并确保解决方案能够满足这一要求。回顾您的资料，并阐明清理和转换资料所需的工作量。在有监督的学习中，您的模型只能与它所提供的预先标记的资料一样好。在开发、测试期间以及模型释出后，不断检查验证标记资料的过程。制定重新训练模型的计划。这可能是由于资讯量较大，使您能够提供更好的见解，或者必须对基础业务环境中的更改做出反应。无论哪种方式，您的模型可能需要重新训练以确保质量。随着您的第一个智慧系统成功执行，您将拥有更多AI业务案例和持续改进的坚实基础。
