研究：CIO 对 AI 的实验和投资仍持谨慎态度
毫无疑问，已采用者显然是科技公司。本次大会上 Facebook、Twitter、Salesforce 和其他公司分享了他们正在用机器学习解决的问题的重要细节，以及他们标准化和扩展机器学习实践的努力。
技术供应商也展示了他们最新的能力和企业产品，其中英特尔AI、微软Azure和IBM Watson处于领先地位。在去年的报告中曾提到，深度学习更容易被主流企业所接受，在今年的会议上，大大小的供应商都提供了数据科学平台、dataops框架和数据管理工具，帮助企业开始和成熟地进行机器学习实验。
人工智能投资：很多企业都落后了
调研结果显示，在机器学习和人工智能方面，许多CIO似乎都在观望。Gartner最近的一项调查显示，只有37%的受访者表示他们在投资人工智能。Ben Lorica 和 Paco Nathan 在《企业对人工智能的采用情况调查》(AI Adoption In the Enterprise survey)中分享了他们自己的发现，即许多企业在采用人工智能方面仍然落后。
调查结果显示，人工智能以科技金融服务、医疗保健和教育为主导，占据了调研结果的58%。所有其他行业，包括电信、媒体和娱乐、政府、制造业和零售业，在调查中都低于4%。
即使在顶级行业，也只有一小部分受访者表示拥有成熟的实践经验。科技行业的这一比例最高，为36%，超过50%的顶尖行业受访者表示，他们正处于评估阶段。
CIO 们要克服的几个AI障碍
调查指出，在机器学习中进行实验存在许多困难，这可能会让CIO在将其列为研究和开发的首要任务之前稍作停顿。
投资人工智能之前，企业需要满足几个先决条件。23% 的受访者表示，他们的公司文化还没有认识到人工智能的必要性，19% 的受访者缺乏数据或存在数据质量问题。
据报道，50% 的人工智能项目处于研究和开发阶段，随后是客户服务、IT 或操作用例。对于保守的 CIO 来说，在推动客户体验或运营改进方面，投资实验性人工智能可能是第二或第三种选择，而不是其他更成熟的策略。
人工智能需要雇佣一个多学科的团队，由机器学习建模师、数据科学家、业务分析师、数据工程师和基础设施专家组成，受访者报告所有这些技能都存在技能短缺。
存在明显的技术风险，因为工具之间没有明显的赢家和输家。许多人工智能从业者正在使用多种工具，而 TensorFlow、scikit-learn、Keras 和 PyTorch 仍然是前四名，调查受访者列出了他们还在使用的其他 10 种工具。
除了选择技术，人工智能还有一整套全新的实践，这些实践需要通过模型可视化、自动化培训和模型监控来不断成熟，而模型可视化、自动化培训和模型监控在受访者中排名前三。
人工智能仍有许多业务风险，但其缓解策略并非微不足道。所处的最大风险包括来自模型的意外结果和预测、模型透明性、偏差和伦理、模型退化、隐私、安全性、可靠性和安全漏洞。
为什么 CIO 不应该推迟 AI 实验
尽管存在所有这些障碍，企业首席信息官们仍在冒着巨大的风险，因为他们没有涉足机器学习和人工智能领域。人工智能不同于web 1.0、移动、社交和云计算，在这些领域，落后者可能会因为姗姗来而受到惩罚，但可以通过投资于正确的技术平台、采用最佳实践和与熟练的服务公司合作来迎头赶上。
问题是，投资人工智能有三个关键的先决条件，需要首席信息官的领导。组织需要一个定义好的数据策略，使用新技术执行的能力，以及变更管理和驱动文化变更的组织能力。这些都是数字原生企业的基本能力，对于许多投资于数字转型的企业来说，这些能力仍在改进中。
接受数字化转型的 CIO 应该在这些程序中添加人工智能实验。它是向数据、技术和组织变更活动交付业务利益的方法之一，所有 CIO 都应该已经在这些活动中进行了投资。通过将人工智能和机器学习添加到范围中，CIO可以开始更好地了解在其行业中应用人工智能的潜在业务利益、竞争威胁和操作风险。如果没有这种研究和开发，组织学习就会滞后，CIO 们可能会发现他们的能力与早期投资的竞争对手之间的鸿沟越来越大。
如何驱动人工智能实验
CIO有义务确保他们的组织不会远远落后于行业对机器学习和人工智能能力的采用。这并不一定意味着要立即对新技术和技能进行重大投资。相反，CIO可以通过承担这些职责开始解决一些先决条件：
投资于组织学习，让商业和技术领导者更了解跨行业的人工智能正在发生什么。这意味着要超越那些大肆宣传和营销的科技公司，因为它们在人工智能的好处和能力方面显然处于领先地位。首席信息官们应该考虑派商业领袖参加人工智能会议，并让受过机器学习技术和数据技能培训的高素质人才参加。
CIO 应该组织领导蓝天思维，并赞助机器学习证明概念，围绕机器学习可以提供最重要的商业利益。正是通过这些聚会和测试，才能对最有希望的机会进行更多的调查和探索。
CIO 应该领导主动的数据治理工作。所有机器学习程序都需要大量定义良好的数据，但数据质量较低。它本身是一个程序，用于编目数据源、配置文件和清理数据、对数据资产的分析人员进行培训，并使数据基础设施可用于机器学习实验。
这些努力都构成了机器学习项目的低风险、低起点，但都为需要在客户体验、自动化、分析和技术能力方面竞争的越来越多的组织带来了额外的好处。
时间:2019-05-06 23:02 来源: 转发量:次
声明：本站部分作品是由网友自主投稿和发布、编辑整理上传，对此类作品本站仅提供交流平台，转载的目的在于传递更多信息及用于网络分享，并不代表本站赞同其观点和对其真实性负责，不为其版权负责。如果您发现网站上有侵犯您的知识产权的作品，请与我们取得联系，我们会及时修改或删除。
相关文章：
相关推荐：
网友评论：
最新文章
热门文章
