來源：ST社區

人工智能和機器學習將開始做出更多決策。他們可能仍然不會在不久的將來用來做出“大”決定，比如是否對商品征收25％的關稅并與合作伙伴展開貿易戰。

但是，幾乎所有你在Excel中進行按摩，編碼或排序的東西都是一個很好的聚類，分類或學習排名問題。任何可以預測的值都是一個很好的機器學習問題。任何你剛剛經歷并“尋找”的圖案，形狀或物體都是一個很好的深度學習問題。

而商業充滿了這些。就像文字處理器取代打字機池一樣，人工智能將很快取代成群的辦公室工作人員盯著Excel，并取代一些分析師。

公司需要為這一變化做好準備。正如那些沒有為網絡和電子商務做準備的公司一樣，那些不適應人工智能和機器學習的公司也是如此。如果您沒有查看您處理的大量數據和您做出的決定，并且“我不能在最后一英里實現自動化嗎？”或者尋找您不做的事情，因為您無法做出決定“實時”足以獲得優勢 - 我會在幾年內看到你的公司在報紙上關閉。

要準備此更改，在開始業務轉換之前，您有五個先決條件。您需要一種策略來在整個組織中傳播AI，這些策略從這五個先決條件開始。

AI前提條件1：教育

你不能讓你公司的每個人都成為數據科學家。此外，一些數學運算速度太快，我們凡人都無法掌握 - 人們認為本周最有效的特定算法下周可能不是正確的算法。

但是，一些基本的東西不會改變。組織中的每個人都應該了解機器學習的一些基本功能，尤其是開發人員：

聚類：將事物分組在一起。

分類：將事物分類為標記組。

線上預測：如果您可以制作折線圖，則可以預測該值是什么。

方差預測：無論是流動性風險還是振動或功率峰值，如果您有一組屬于某個范圍的值，您可以預測您在給定日期的差異。

排序/排序/優先排序：我不是在談論簡單的東西。無論是搜索還是優先考慮您的銷售或支持人員接下來打電話，這都可以通過機器學習來處理。

模式識別：無論是形狀，聲音還是一組值范圍或事件，計算機都可以學會找到它。

一個關鍵的事情是讓一群人根據他們的技能水平為人們愚蠢。您的開發人員可能對特定的算法或技術感興趣，但您的分析師和管理人員應該了解基本的業務問題和計算機技術。您的管理人員可能不需要了解群集的工作原理，但他們確實需要認識到問題“看起來像”群集問題。

最后，您需要定期更新教育，至少每年一次，因為功能正在擴展。

AI前提條件2：組件化

最近關于組件化的一些工具是數據科學家的“筆記本”; 很多其他工具都是從這些工具中發展出來的。這些是數據科學家及其合作者的絕佳工具。

問題是他們鼓勵在生產方面采取不良做法。分類算法的界面看起來與所有其他算法大致相同。特定的分類算法實現不會隨業務問題而變化。

就像許多公司必須弄清楚如何對每個業務問題進行一次客戶代表（而不是每個系統中完全不同的代表），您需要對算法做同樣的事情。這并不是說你需要提出一個真正的聚類算法，而是你要組件化不同的東西。

AI前提條件3：系統化

盡管所有的喧囂，大多數系統看起來仍然相同。有一些將數據導入算法的過程，一些執行算法的過程，以及一個將結果吐出的地方。如果你為每種算法一遍又一遍地定制設計所有這些東西，你就會浪費時間和金錢 - 并為自己創造一個更大的問題。就像SOA改變了有多少公司部署應用軟件一樣，在部署AI方面也需要類似的技術。

您不需要隨處可見的自定義Spark群集，以及定制的“筆記本”，以及自定義的ETL流程。無論業務問題如何，您都需要能夠完成繁重工作的人工智能系統。

AI前提條件4：AI / UI組件化

在后端使用RESTful服務的Java / Web UI世界中，許多UI應該能夠混合使用AI組件。無論是基于用戶行為的推薦器還是全面的虛擬助手，您的公司都應該構建一個包含AI功能的UI庫，以便輕松嵌入到您的業務應用程序中。

AI前提條件5：儀表

沒有數據，這一切都無效。讓我們不再回過頭來創建大而胖的數據轉儲，我們只是在HDFS上收集大量垃圾，并希望它有一天會有價值，正如一些供應商敦促你做的那樣。相反，讓我們來看看應該檢測哪些東西。

如果您正在制造，那么有一個簡單的起點：任何拔出手動儀表的人都在浪費你的時間。然而，即使在銷售和市場營銷方面，您也可以通過電子郵件和手機自動收集數據，這些數據顯然非常有用。而不是嘮叨銷售人員來完成數據輸入，為什么不讓系統自己做呢？

審核編輯黃宇