| huozm32831 |
2020-10-27 21:37 |
1.人工智能不只是一种技术
Butterfield说，“实际上，人工智能是用于解决特定问题的一组技术，人工智能的术语十分广泛和笼统。用最简单的术语来说，人工智能通常是围绕提供基于数据的答案或预测而设计的，然后出现各种分支技术和功能。”
自然语言处理(NLP)可以用于自动处理电子邮件，机器视觉用来评估产品线的质量，或者用于高级分析来预测网络故障。Butterfield说，“首席信息官必须了解与其业务相关的人工智能价值链，并确保他们能够为了业务对人工智能可以解决的问题有基本的了解。”
2.人工智能并不是万能的
密歇根理工大学计算学院计算机系统副教授、计算与网络系统研究所所长Timothy Havens说：“人们对人工智能的期望是各种各样的，而希望将期望变成现实。首席信息官应该对人工智能的局限性有着合理的理解，这样他们就可以了解预测自己的期望，并正确评估正在考虑的人工智能解决方案。”
例如，机器学习技术可以根据代表性数据或经验生成过程非常复杂的隐式模型。因此，机器学习算法可以通过查看数百万张猫的图片和“不是猫”的图片来学习识别猫，但它不会通过猫叫的声音或其他的特性来识别猫。
3.支持人工智能的项目需要对投资回报更有耐心
与一般的IT计划相比，企业获得人工智能的投资回报需要更多的耐心。Everest Group对200多位全球IT领导者进行的调查表示，84%的受访问者将“漫长的等待”视为一种挑战。Joshi说：“首席信息官们需要意识到这些漫长等待的原因，而不是为此而感到沮丧和失望。”
4.许多人低估了数据的作用
在某些情况下，可能没有足够的数据治理。数据是人工智能的驱动力。因此，任何一个数据团队都应从一开始就参与制定人工智能策略。Havens说：“人们的期望值通常超过可用的培训数据。”他表示，人们可以开发机器学习算法来检测含有数百万张猫图像中的猫，但是现在很难开发出一种算法，只使用一张猫的照片来检测出一只特定的猫。
Josh说：“首席信息官需要了解创建智能系统所需的数据处理量。因此，首席信息官们需要决定企业是否拥有构建或使用人工智能系统的数据和能力。”
Havens建议首席信息官需要了解训练数据来自何处以及如何评估算法。Havens说：“这是因为该算法是否已经在以前从未见过的真实数据中得到了证明。”
尽管大多数企业都认为数据很重要，但很少为此进行大量投资。Joshi.说：“这些企业的其他职能部门(例如人力资源和财务部门)比其数据业务部门的规模要大得多。首席信息官们需要了解他们的支出能力，需要投资哪些技能。”
5.不要低估数据科学家
凯捷公司北美人工智能与分析副总裁Dan Simion指出，关于数据科学或人工智能卓越中心的归属问题经常存在争议。一些首席信息官认为，数据科学家应该在IT部门工作，而另一些首席信息官可能建议数据科学家应该在业务部门工作。Simion说，“首席信息官必须确保他们不会低估数据科学家的作用。”他指出，数据科学家们不仅可以实现描述性数据的可视化，还可以利用人工智能和机器学习技术解决业务问题。
Simion说：“想要充分发挥其人工智能项目潜力的首席信息官应该认识到数据科学家的知识和技能，并提供机会，使他们能够创造最大的价值。”
6.人工智能需要大规模的基础设施
因此，企业运营团队对于人工智能的成败至关重要。实际上，根据Everest Group的研究，61%的企业表示他们的运营团队主管也是负责人工智能应用的领导者。
Joshi说，“尽管越来越多的企业正在利用针对云计算和SaaS供应商基于云计算的人工智能产品，但运营团队对于扩展此类计划并创建所需的策略至关重要。”
IT领导者最重要的角色之一是了解支持和维持企业的人工智能转型所必需的技术要求。Simion说：“为了使企业在其人工智能旅程中取得成功，首席信息官需要确保人工智能技术堆栈与企业技术发展保持同步。”
7.跨职能团队是强制性的
与许多历史悠久的IT项目不同，人工智能计划需要跨数据分析、基础设施、应用程序、数据管理和业务的协作。Joshi说：“首席信息官需要更具远见，并建立跨职能团队，共同对结果负责，而不是对各自的工作负责。”
8.人工智能与人类的学习是不一样的
尽管人们抛弃了“智能”一词，但人工智能并不是天生的自适应性。Havens说：“人工智能算法只擅长于其设计目的，并且在应用于看似与人类相似但从人工智能角度来看并不相似的问题时，往往会以奇怪的方式失败。”例如，经过训练可以在城市环境中驾驶汽车的人工智能算法在乡村驾驶中可能会失败。
9.组织的成果优先
企业是否希望提高效率?还是改变客户或用户体验?创建全新的业务模型?首席信息官必须了解企业希望从人工智能应用中获得什么样的价值。Everest Group指出了四个常见的业务因素：效率、有效性、经验、发展。首席信息官可能还需要管理有关人工智能采用及其对组织的影响的过高期望。 |
|