[[441598]]

 人工智能的準(zhǔn)備過程大部分是組織變革。人工智能的運(yùn)用可能需要?jiǎng)?chuàng)造一個(gè)新的勞動(dòng)力類別：新領(lǐng)工人（New-collar Worker）。新領(lǐng)工作可以涵蓋網(wǎng)絡(luò)安全、云計(jì)算、數(shù)字設(shè)計(jì)和認(rèn)知商業(yè)（Cognitive Business）等工作。

在世界范圍內(nèi)，大多數(shù)組織都認(rèn)同人工智能可以幫助其保持競(jìng)爭(zhēng)力，但是許多組織通常仍使用不算先進(jìn)的分析形式。對(duì)于那些使用人工智能經(jīng)歷失敗或者未能達(dá)到最佳效果的組織而言，自然的方法似乎是消除而非增加嚴(yán)謹(jǐn)性。

從人工智能階梯的角度來看，梯級(jí)會(huì)匆忙掠過，甚至完全跳過。當(dāng)組織開始意識(shí)到并認(rèn)可這種范式的時(shí)候，他們必須重新審視分析的基礎(chǔ)，以便為其達(dá)到理想的未來狀態(tài)和獲得從人工智能獲益的能力做好準(zhǔn)備。他們不一定要從零開始，但他們需要評(píng)估自己的能力，以確定可以從哪個(gè)梯級(jí)開始。他們需要的許多技術(shù)部件可能已經(jīng)到位。

01 重點(diǎn)技術(shù)領(lǐng)域

如圖1-1所示，組織可訪問的分析復(fù)雜程度隨著梯級(jí)而增加。這種復(fù)雜性可以帶來蓬勃發(fā)展的數(shù)據(jù)管理實(shí)踐，這得益于機(jī)器學(xué)習(xí)和人工智能的發(fā)展。

在某些時(shí)候，擁有海量數(shù)據(jù)的組織將需要探索多云部署（Multicloud Deployment）。在攀登人工智能階梯的時(shí)候，他們需要考慮以下三個(gè)基于技術(shù)的領(lǐng)域：

•  以機(jī)器學(xué)習(xí)為核心的混合數(shù)據(jù)管理。
•  在安全的用戶配置文件中提供安全性和無縫用戶訪問的治理和集成。
•  同時(shí)為高級(jí)分析和傳統(tǒng)分析提供自助服務(wù)和全服務(wù)用戶環(huán)境的數(shù)據(jù)科學(xué)和人工智能。

這些基礎(chǔ)技術(shù)必須包含現(xiàn)代云計(jì)算和微服務(wù)基礎(chǔ)設(shè)施，以便為組織創(chuàng)造敏捷而快速地前進(jìn)和向上發(fā)展的途徑。這些技術(shù)必須在各梯級(jí)上實(shí)現(xiàn)，從而使數(shù)據(jù)移動(dòng)成為可能，并從單一環(huán)境到多云環(huán)境的各類部署的機(jī)器學(xué)習(xí)模型中獲得預(yù)測(cè)能力。

02 一步一個(gè)腳印地攀登階梯

如圖1-1所示，人工智能階梯的梯級(jí)分別標(biāo)記為“收集”“組織”“分析”和“注入”。每個(gè)梯級(jí)都提供了信息架構(gòu)所需的要素。

▲圖1-1 實(shí)現(xiàn)完整數(shù)據(jù)和分析的人工智能階梯

第一梯級(jí)收集，代表了用于建立基礎(chǔ)數(shù)據(jù)技能的一系列規(guī)程。理想情況下，無論數(shù)據(jù)的形式和駐留位置如何，都應(yīng)簡(jiǎn)化數(shù)據(jù)的訪問，并使其具有可用性。

由于用于高級(jí)分析和人工智能的數(shù)據(jù)是動(dòng)態(tài)的且具有流動(dòng)性，因此并非所有數(shù)據(jù)都可以在物理數(shù)據(jù)中心進(jìn)行管理。隨著數(shù)據(jù)源數(shù)量的不斷增加，虛擬化數(shù)據(jù)的收集方式是信息架構(gòu)中需要考慮的關(guān)鍵活動(dòng)之一。

以下是收集梯級(jí)中包含的關(guān)鍵主題：

•  使用通用SQL引擎收集數(shù)據(jù)，使用API進(jìn)行NoSQL訪問，以及支持廣泛的數(shù)據(jù)生態(tài)系統(tǒng)（數(shù)據(jù)產(chǎn)業(yè)）中的數(shù)據(jù)虛擬化。
•  部署始終保持彈性和可擴(kuò)展性的數(shù)據(jù)倉庫、數(shù)據(jù)湖和其他基于分析的存儲(chǔ)庫。
•  同時(shí)兼顧實(shí)時(shí)數(shù)據(jù)攝入和高級(jí)分析。
•  存儲(chǔ)或提取結(jié)構(gòu)化、半結(jié)構(gòu)化、非結(jié)構(gòu)化等所有類型的業(yè)務(wù)數(shù)據(jù)。
•  使用可能包含圖形數(shù)據(jù)庫、Python、機(jī)器學(xué)習(xí)SQL和基于置信度查詢的人工智能優(yōu)化集合。
•  挖掘可能包含MongoDB、Cloudera、PostgreSQL、Cloudant或者Parquet等技術(shù)的開源數(shù)據(jù)存儲(chǔ)。

組織梯級(jí)意味著需要?jiǎng)?chuàng)建一個(gè)可信數(shù)據(jù)基礎(chǔ)。可信數(shù)據(jù)基礎(chǔ)必須至少對(duì)組織可知內(nèi)容進(jìn)行歸類。所有形式的分析都高度依賴數(shù)字化資產(chǎn)。數(shù)字化資產(chǎn)構(gòu)成了組織可以合理了解的基礎(chǔ)：業(yè)務(wù)語料庫是組織論域的基礎(chǔ)，即通過數(shù)字化資產(chǎn)可獲知的信息總量。

擁有可用于分析的業(yè)務(wù)就緒的數(shù)據(jù)是用于人工智能的業(yè)務(wù)就緒的數(shù)據(jù)的基礎(chǔ)，但是僅僅具有訪問數(shù)據(jù)的權(quán)限并不意味著該數(shù)據(jù)已為人工智能用例做好了準(zhǔn)備。不良數(shù)據(jù)可能導(dǎo)致人工智能癱瘓，并誤導(dǎo)使用人工智能模型輸出結(jié)果的任何進(jìn)程。

為了進(jìn)行組織，組織必須制定規(guī)程來集成、清洗、策管、保護(hù)、編目和管理其數(shù)據(jù)的整個(gè)生命周期。

以下是組織梯級(jí)的關(guān)鍵主題：

•  清洗、集成、編目不同來源的所有類型數(shù)據(jù)。
•  支持并提供自助服務(wù)分析的自動(dòng)化虛擬數(shù)據(jù)管道。
•  即使在跨越多云的情況下，也能確保數(shù)據(jù)治理和數(shù)據(jù)沿襲。
•  部署可提供個(gè)性化服務(wù)的基于角色體驗(yàn)的自助服務(wù)數(shù)據(jù)湖。
•  通過從多個(gè)云數(shù)據(jù)存儲(chǔ)庫中梳理業(yè)務(wù)就緒視角，獲得360度全方位視角。
•  簡(jiǎn)化數(shù)據(jù)隱私、數(shù)據(jù)策略和合規(guī)性控制。

分析梯級(jí)包含了基本的業(yè)務(wù)和計(jì)劃分析能力，這些能力是人工智能持續(xù)取得成功的關(guān)鍵。分析梯級(jí)進(jìn)一步將構(gòu)建、部署和管理人工智能模型所需能力封裝在一個(gè)集成組織技術(shù)的產(chǎn)品組合之中。

以下是分析梯級(jí)的關(guān)鍵主題：

•  準(zhǔn)備用于人工智能模型的數(shù)據(jù)，在統(tǒng)一體驗(yàn)中構(gòu)建、運(yùn)行和管理人工智能模型。
•  通過自動(dòng)生成人工智能來構(gòu)建人工智能模型，從而降低所需技能水平。
•  應(yīng)用預(yù)測(cè)性、規(guī)范性和統(tǒng)計(jì)性分析。
•  允許用戶選擇自己的開源框架來開發(fā)人工智能模型。
•  基于準(zhǔn)確性分析和質(zhì)量控制不斷地演進(jìn)模型。
•  檢查偏差，確保線性決策解釋并堅(jiān)持合規(guī)性。

注入是一門涉及將人工智能集成到有意義的業(yè)務(wù)功能之中的規(guī)程。盡管許多組織能夠創(chuàng)建有用的人工智能模型，但它們很快會(huì)被迫應(yīng)對(duì)實(shí)現(xiàn)持續(xù)的、可行的業(yè)務(wù)價(jià)值的運(yùn)營(yíng)挑戰(zhàn)。

人工智能階梯中的“注入”梯級(jí)突出了在模型推薦的決策中獲得信任和透明度、解釋決策、避免偏見或確保公平的檢測(cè)，以及提供審計(jì)所需的足量數(shù)據(jù)線索所須掌握的規(guī)程。注入梯級(jí)旨在通過解決時(shí)間–價(jià)值連續(xù)統(tǒng)來實(shí)現(xiàn)人工智能用例的可操作性。

以下是注入梯級(jí)的關(guān)鍵主題：

•  通過預(yù)構(gòu)建適用于諸如客戶服務(wù)和財(cái)務(wù)規(guī)劃等常見用例的人工智能應(yīng)用程序，或定制適用于物流運(yùn)輸?shù)葘ｉT用例的人工智能應(yīng)用程序，縮短實(shí)現(xiàn)價(jià)值的時(shí)間。
•  優(yōu)化知識(shí)工作和業(yè)務(wù)流程。
•  利用人工智能輔助的商業(yè)智能和數(shù)據(jù)可視化。
•  自動(dòng)化規(guī)劃、預(yù)算和預(yù)測(cè)分析。
•  使用符合行業(yè)需求的人工智能驅(qū)動(dòng)框架進(jìn)行定制。
•  通過使用人工智能支持新業(yè)務(wù)模型的創(chuàng)新。

一旦對(duì)每個(gè)梯級(jí)的掌握達(dá)到一定程度，即新的嘗試是重復(fù)以往的模式，而且這些新嘗試不被視為是定制或需要巨大努力的，組織就可以認(rèn)真地朝著未來狀態(tài)采取行動(dòng)。

人工智能階梯的頂端是不斷實(shí)現(xiàn)現(xiàn)代化：從本質(zhì)上根據(jù)其意愿重塑自己?，F(xiàn)代化梯級(jí)只不過是已達(dá)到的未來狀態(tài)。但是一旦達(dá)到，此狀態(tài)便成為組織的當(dāng)前狀態(tài)。達(dá)到階梯的頂端后，充滿活力的組織將開始新的階梯攀登。這個(gè)循環(huán)如圖1-2和圖1-3所示。

▲圖1-2 人工智能階梯是不斷改進(jìn)和適應(yīng)的重復(fù)攀登的一部分

▲圖1-3 當(dāng)前狀態(tài)←未來狀態(tài)←當(dāng)前狀態(tài)

以下是現(xiàn)代化梯級(jí)的關(guān)鍵主題：

•  為人工智能部署多云信息架構(gòu)。
•  在任何私有或公有云中利用統(tǒng)一的選擇平臺(tái)。
•  將數(shù)據(jù)虛擬化作為收集任意來源數(shù)據(jù)的手段。
•  使用DataOps和MLOps為自助服務(wù)建立可信任的虛擬數(shù)據(jù)管道。
•  使用開放且易于擴(kuò)展的統(tǒng)一數(shù)據(jù)和人工智能云服務(wù)。
•  動(dòng)態(tài)和實(shí)時(shí)擴(kuò)展以適應(yīng)不斷變化的需求。

現(xiàn)代化是指升級(jí)或更新的能力，或者更具體地說，包括利用重新構(gòu)想的業(yè)務(wù)模式的變革性想法或創(chuàng)新所產(chǎn)生的新業(yè)務(wù)能力或產(chǎn)品。正在實(shí)現(xiàn)現(xiàn)代化的組織的基礎(chǔ)設(shè)施可能包括采用多云拓?fù)涞膹椥原h(huán)境。鑒于人工智能的動(dòng)態(tài)本質(zhì)，組織的現(xiàn)代化意味著構(gòu)建靈活的信息架構(gòu)，以不斷展示相關(guān)性。

•  大藍(lán)圖

在敏捷開發(fā)中，史詩（Epic）用于描述一個(gè)被認(rèn)為因過于龐大而無法在單個(gè)迭代或單個(gè)沖刺（Sprint）中解決的用戶故事。因此，史詩被用來提供大藍(lán)圖。這個(gè)藍(lán)圖為需要完成的工作提供了一個(gè)端到端的視角。然后，史詩可以被分解為被處理的可行故事。史詩的作用是確保故事被適當(dāng)?shù)鼐幣拧?/p>

在人工智能階梯中，階梯就代表“大藍(lán)圖”，分解由梯級(jí)表示。這個(gè)階梯用于確保每個(gè)梯級(jí)的概念（收集、組織、分析、注入）都被正確地線程化，以確保獲取成功和實(shí)現(xiàn)價(jià)值的最佳機(jī)會(huì)。