人工智能技术已经应用在企业的业务中，并且已从梦想变成现实。实际上，根据O'Reilly公司最近的一项调查，大多数组织(85%)正在采用或评估人工智能，超过一半的组织在生产或分析中使用人工智能。
然而，人工智能不能很好地适应IT过去使用的相同流程和方法。虽然这些努力迅速扩大，但仍处于初期阶段。成长的痛苦已经变得显而易见。O’Reilly公司分析师指出：“企业需要做更多的工作，才能将人工智能的工作扎根。无论是控制常见的风险因素(模型开发中的偏差、缺失或条件差的数据、模型在生产中退化的趋势)，还是实例化正式流程以促进数据治理，采用者在建立可靠的人工智能生产线时，都需要为这些做好准备。”
人工智能无法完全适应IT组织过去使用的相同流程和方法。适用于评估、测试、实施和扩展非学习系统的最佳实践和常识性方法可能并不总能很好地进行转化。在某些情况下，它们可能适得其反。
以下是有助于企业采用人工智能技术的8个提示：
1. 放慢速度
某些企业急于让其业务采用人工智能技术，如果不加以控制，可能面临风险。Cognizant公司数据科学、机器学习和人工智能副总裁Jerry A.Smith博士说，“现代人工智能的智商很高，但情商很低。需要这二者的结合才能获得真正的智慧。如果企业获取数据并使用人工智能进行分析，并在没有情感的情况下从中学习并大规模地进行处理，则可能让事情越来越糟糕。”
Smith表示，IT领导者应该花费一些时间来确保他们尽早就如何使用人工智能进行讨论。
企业高管通常对人工智能为业务提供帮助给予很大期望。但归根结底，如果他们没有建立正确的框架和战略，将会面临失败的结果。
2. 在关注工具之前先关注技能和文化
TIBCO公司分析策略副总裁Shawn Rogers表示：“技术通常是企业试图进行创新的起点，这并不奇怪。但是，企业放弃文化方面的因素注定会失败。需要新的技能来推动人工智能的成功，同时也需要一种文化来促进人工智能和机器学习技术的采用和行动。成功需要平衡的战略。”
3. 计划迭代
希望使用人工智能的企业需要从用例入手。但是，开放数据湖提供商Qubole公司首席执行官兼联合创始人Ashish Suchoo指出，大多数人工智能和机器学习用例都是随着时间的推移而不断演变的。他说，“至关重要的是，企业必须投资于执行连续数据工程的能力，并提供SQL和编程访问来训练和部署模型。”他是Apache Hive公司联合创始人，并建立了Facebook数据平台。
4. 采用DevOps还不够
大多数创新的IT商店已经采用DevOps。这对于采用人工智能技术是必需的措施，但还不够。Fractal Analytics公司技术服务客户合作伙伴George Mathew说，企业需要添加MLOps。他说：“这种集成需要在应用程序生命周期的早期进行计划，并在随后的各个阶段中进行。”
例如，企业需要考虑在生产中对人工智能模型进行再培训。他解释说，“这意味着必须建立一条额外的管道，将人工智能模型产生的洞察力(如预测)与几周或几个月后从现场收集的实际数字进行比较。”
5. 扩大规模
早期采用人工智能往往会使用一组定义的数据来利用一些模型。但是，这些努力可以迅速扩展到难以管理的领域。TIBCO公司的Rogers说：“随着成功率的不断提高，为不断发展的数据科学团队管理生产中的数百个模型和多个创作环境会带来新的挑战，以适应不断增长的需求。”
6. 寻找并消除偏见
Cognizant公司的Smith说，“了解输入和输出之间的关系是人工智能的简单部分。很多企业向人工智能开发团队施加压力，要求寻找并消除偏见。例如，不希望有偏见的人工智能算法做出贷款决策。”
但是与此同时，人类本身也可能有偏见。Smith说：“人们需要掌握其中的人类智能，并确保构建人工智能系统的人员在建模中不会产生偏见。消除偏见无法在数据级别开始或停止。”
7. 不能只让数据科学家负责
建立最有效的人工智能系统来增强人类。Smith说，“如果想要构建一个系统来支持人类，那么它就必须以人为本。需要获得心理学家(了解客户行为的人)和社会学家(了解企业客户如何与社会互动的人)的帮助。人工智能太重要了，不能只让数据科学家负责。”
8. 更好地解释人工智能
可解释的人工智能(XAI)可以使人类能够理解、信任和管理人工智能技术，这变得越来越主流。因此，Fractal Analytics公司的Mathew说，一些IT组织将在监管审核的接收端，询问人工智能模型训练运行的详细信息，例如使用了哪些数据集，如何评估算法，以及在每个阶段生成了哪些模型度量。
Mathew说：“这些元素需要在模型在生产中运行的整个时间段内进行收集和存储，对于某些用例而言，甚至超出范围。解决方案架构师需要准备架构来满足这些要求，项目负责人必须在项目计划中包括这些步骤和可交付成果，而构建应用程序的数据科学家和工程师必须使用此框架。”
企业在项目开始时对这项工作进行规划，并在系统开发生命周期内提供必要的支持，这已经成为人工智能应用程序成功的一个关键因素。
