隨著ChatGPT和生成式人工智能的持續(xù)發(fā)展，人工智能可以實(shí)現(xiàn)的目標(biāo)越來越明顯。新用例和創(chuàng)新的加速，對(duì)行業(yè)來說是一個(gè)激動(dòng)人心的時(shí)刻。然而，這些技術(shù)進(jìn)入主流市場(chǎng)并達(dá)到能夠達(dá)到為整個(gè)企業(yè)提供真正價(jià)值的易用性水平還需要時(shí)間。

幸運(yùn)的是，對(duì)于那些渴望踏上自己的人工智能之旅但可能不知道從哪里開始的組織來說，人工智能模型已經(jīng)存在了一段時(shí)間，現(xiàn)在相對(duì)更容易使用。例如，像谷歌、IBM、微軟和其他大型科技公司已經(jīng)創(chuàng)建并開發(fā)了人工智能模型，企業(yè)組織可以圍繞自己的商用利益將這些模型應(yīng)用到自己的工作流程中，如今使得人工智能的進(jìn)入門檻比過去低得多。

缺點(diǎn)是，這些模型需要根據(jù)組織的特定需求進(jìn)行定制。如果定制過程做得不正確，可能會(huì)消耗寶貴的資源和預(yù)算，并最終影響企業(yè)的成功。為了避免這種情況，在將人工智能模型應(yīng)用于其工作流程之前，組織機(jī)構(gòu)應(yīng)仔細(xì)審查以下幾點(diǎn)：

考慮基礎(chǔ)架構(gòu)

實(shí)現(xiàn)人工智能比安裝計(jì)算機(jī)程序更困難。正確地做到這一點(diǎn)需要時(shí)間和資源。這個(gè)過程中的失誤可能會(huì)導(dǎo)致不必要的成本——例如，評(píng)估數(shù)據(jù)的存儲(chǔ)位置對(duì)于防止陷入昂貴的云模型非常重要。

但在組織評(píng)估如何應(yīng)用人工智能模型之前，他們必須首先確定是否有正確的基礎(chǔ)設(shè)施來啟用和推動(dòng)這些模型。組織往往缺乏培訓(xùn)和運(yùn)營人工智能模型所需的基礎(chǔ)設(shè)施。對(duì)于面臨這種情況的組織來說，至關(guān)重要的是，他們要考慮利用現(xiàn)代基礎(chǔ)設(shè)施來處理、擴(kuò)展和存儲(chǔ)為人工智能模型提供動(dòng)力所需的大量數(shù)據(jù)。與此同時(shí)，數(shù)據(jù)處理也需要快速完成，才能在當(dāng)今的數(shù)字世界中發(fā)揮作用，因此利用能夠提供快速、強(qiáng)大性能的解決方案同樣重要。例如，投資于能夠解決人工智能數(shù)據(jù)管道多個(gè)階段的高性能存儲(chǔ)，可以在最大限度地減少放緩、加速開發(fā)和使人工智能項(xiàng)目能夠擴(kuò)展方面發(fā)揮關(guān)鍵作用。

驗(yàn)證用例

一旦現(xiàn)代基礎(chǔ)設(shè)施奠定了基礎(chǔ)，定制過程中的下一步就是確定人工智能模型的用例。這個(gè)用例應(yīng)該是具體的，具有模型可以輕松實(shí)現(xiàn)的有形結(jié)果。如果識(shí)別一個(gè)用例是一個(gè)挑戰(zhàn)，那么從小處著手，為人工智能模型爭取一個(gè)特定的目的。在識(shí)別這些用例時(shí)，考慮您的理想結(jié)果也很重要，因?yàn)樗梢詾楹饬磕Ｐ褪欠駥?shí)際正確運(yùn)行提供基礎(chǔ)。一旦模型開始實(shí)現(xiàn)這些目標(biāo)，并在方法上變得更加有效和高效，組織就可以開始進(jìn)一步開發(fā)其模型，并解決更復(fù)雜的問題。

數(shù)據(jù)準(zhǔn)備

數(shù)據(jù)是人工智能模型運(yùn)作的核心，但要想成功，數(shù)據(jù)必須首先做好準(zhǔn)備，以確保準(zhǔn)確的結(jié)果。數(shù)據(jù)準(zhǔn)備可能很難管理，而且很難確保準(zhǔn)確性。但如果沒有適當(dāng)?shù)臏?zhǔn)備，模型可能會(huì)被輸入“臟數(shù)據(jù)”或充滿錯(cuò)誤和不一致的數(shù)據(jù)，這可能會(huì)導(dǎo)致有偏見的結(jié)果，并最終影響人工智能模型的性能（例如效率降低和收入損失）。

為了防止臟數(shù)據(jù)，組織需要采取措施確保數(shù)據(jù)得到適當(dāng)?shù)膶彶楹蜏?zhǔn)備。例如，實(shí)施數(shù)據(jù)治理戰(zhàn)略可能是一種非常有益的策略——通過開發(fā)定期檢查數(shù)據(jù)的流程、創(chuàng)建和執(zhí)行數(shù)據(jù)標(biāo)準(zhǔn)等，組織可以防止其人工智能模型出現(xiàn)代價(jià)高昂的故障。

數(shù)據(jù)訓(xùn)練

部署和維護(hù)訓(xùn)練人工智能模型所需的連續(xù)反饋回路對(duì)人工智能部署的成功至關(guān)重要。成功的團(tuán)隊(duì)經(jīng)常應(yīng)用類似DevOps（開發(fā)運(yùn)營）的戰(zhàn)術(shù)來動(dòng)態(tài)部署模型，并保持訓(xùn)練和再培訓(xùn)人工智能模型所需的持續(xù)反饋回路。但是，實(shí)現(xiàn)連續(xù)的反饋回路是很難實(shí)現(xiàn)的。例如，不靈活的存儲(chǔ)或網(wǎng)絡(luò)基礎(chǔ)架構(gòu)可能無法跟上管道更改引起的不斷變化的性能需求。隨著流經(jīng)模型的數(shù)據(jù)發(fā)生變化，模型性能也很難衡量。

投資于能夠推動(dòng)快速管道變革的靈活、高性能基礎(chǔ)設(shè)施對(duì)于避免這些障礙至關(guān)重要。人工智能團(tuán)隊(duì)設(shè)置抽查或自動(dòng)性能檢查也至關(guān)重要，以避免成本高昂且令人討厭的模型漂移。

人工智能是數(shù)據(jù)的眾多目的地之一。盡管人工智能很重要，但我們能用人工智能做些什么才是真正重要的?，F(xiàn)在，我們比以往任何時(shí)候都有更多的機(jī)會(huì)通過人工智能從我們的數(shù)據(jù)中構(gòu)建和提取價(jià)值，這最終會(huì)以更高的效率和新的創(chuàng)新驅(qū)動(dòng)真正的價(jià)值。