一百万个赞叹不已的推文，一千个TedX视频和数百个不必要的热点都不在话下：人工智能（AI）在这里，将真正称为民主技术之前，我们必须超越硅谷的创业公司，并在中小型企业和政府中实施AI，以获取该技术所承诺的回报。因此，我们必须问自己：非技术公司如何发展？有哪些陷阱要避免？从哪里开始？以下是在欧洲一些最大的公司担任技术顾问期间所学到的一些经验教训。

　　一.识别并清除较小的障碍

公司在错误的问题和愚蠢的借口上已经失去了多年的进步，并在今天继续这样做。在开始任何AI项目之前，必须进行一些整理工作，以确保不会将以下突出显示的问题用作降低项目速度的借口。在您的项目宣言中写下这些问题的答案，并观看所有由政治驱动的推销都消失了。

　　1.我们将如何确保用户采用率？

对于大多数公司来说，这应该不是一个问题：大多数AI项目在这个时间点上还没有扩展。它们通常只是概念的证明，或回答了非常具体的痛点，几乎没有用户受到影响。如果明天将AI解决方案扩展到整个组织，则只需与最终用户和利益相关者共同构建。使用敏捷方法，可以确保所有利益相关者都对解决方案感到满意。

　　2.对于这种类型的项目，我们的数据质量不是太差吗？

即使在这个世界的科技巨头内部，也没有完美的数据。但是您必须从某个地方开始。那个地方正在根据特定目的或预定义用例对现有数据的质量进行基准测试。只有这样，改进计划才能开始出现，可以在相关的管理支持下逐步实施。设法修复所有数据问题只会导致浪费能源和资源。

　　3.我们的业务和IT员工之间是否距离太远？

答案通常是肯定的，这两个核心团队经常沟通不畅，很少共享相同的目标。这可能会导致组织内部裂痕：运营团队可能希望提高生产力，而IT团队则可能追求网络安全和节省成本的选择。但是，如果没有明确的目的，人为地链接它们是没有意义的。设定目标后，每个团队中的几个人可能会定期开会，就共同的战略进行交流，以确保组织中的任何人都不会感到自己脱离了AI转型。然后，他们将进行报告，并确保按照先前指定和计划的决定在每个团队中执行。

　　4.我们的数据管理流程是否适应我们的需求？

提防人为的和“地面之上的”治理：甚至在项目开始之前就定义治理结构太容易了，然后尝试使项目适应上述治理。这就像写没有烹饪经验的食谱。治理必须是实施AI用例的结果，而不是前提条件。

　　5.我们组织中是否缺乏相关的AI技能？

目前，全球只有22000名具有博士学位水平的专家能够开发最先进的算法。他们中的许多人都在大型科技公司工作。这将是异常艰难的中小企业雇用他们中的一个。好消息是没有必要。大多数项目不是在试图突破我们的AI知识的界限，而是使用已经存在的东西。因此，执行团队可能认为缺少的技能可能与小型AI项目所需的技能有很大不同。如今真正重要的是业务承诺，算法稳健性和信息学体系结构。

　　6.我们的公司是否受制于高层管理数据文化不足？

CxO是著名的忙碌人员，很少有时间坐在一个特定主题的讲座之后。这就是公司团队非常喜欢“学习探险”的原因：它将他们置于一个新的环境中，在这种环境中，他们不得不听取有关此事的专家意见，并使他们离开他们的伴侣和孩子几天。

尽管我喜欢组织学习探险，但除了执行团队的免费假期外，我一直对它们的有效性持怀疑态度。相反，我是一个支持者，不仅要根据他们在各自领域的优点，而且还要根据他们在数据管理方面的知识和/或好奇心来计划和雇用或提拔高管。

　　二.避免真正的陷阱

一旦回答了简单的问题，我们就必须继续面对AI转型的真正挑战，其中有很多挑战。

　　1.更喜欢“ Business Pull”而不是“ Techno Push”

技术是奇妙而令人兴奋的。它还常常无法提供真正的客户价值。这就是为什么始终专注于“业务拉动”而不是“技术推动”的原因：看似出色的解决方案有时在错误的时间，错误的地方出现。在任何AI项目中，重要的是不要忘记创建该项目的原因和对象。

　　2.投资“无聊”的东西

当无知的群众到处讨论创新的初创公司，数据科学，POC，深度学习，Elon Musk…时，专家们热衷于谈论AI项目的阴暗面：数据质量，工程，体系结构，HR和业务模型转换。项目的那些方面经常被低估和低估，但它们却是积极的AI转型的核心。记住：人工智能应该很无聊。只是统计而已，而统计则是最差的。

　　3.不要做出虚假的承诺

在AI项目开始时过度兴奋很容易。我们听到大数据，以数据为中心，DQM，无代码，RPA等字眼，并相信我们可以驯服这些概念，为整个公司带来价值，并最终获得应有的提升。但是要当心：所有这些想法在过去都引起了极大的失望，如果不慎乱扔，可能会使整个项目面临风险。避免过度销售通常是成功项目的关键。

　　4.对技巧要现实

有人告诉我，开发人员的工作有75%是基于谷歌搜索能力。听起来不错。数据科学家也是如此：由于每个AI项目都是独一无二的，因此它们在第一天就无法完全运行。因此，在项目的前几个月中表现出耐心并提供相关培训非常重要。这也是为什么不超额出售尚未开始的项目至为重要的原因：仅从项目简介中很难弄清我们所不知道的内容。

5.不要复制Google

或任何同类最佳的AI公司。模仿科技巨头是一个愚蠢的事情，实际上不会取得成功。言语几乎无法描述他们在做事上有多出色，以及到达那里要花费多少钱。但是，每家公司都有其独特的资产，可以用来制定独特的算法来专门满足其需求。

　　三.从头开始

阅读完以上所有内容后，可能难以置信，但是太多的项目将想要“扎根”。然后，数据科学家无需花时间去了解谁，什么，为什么以及如何，就可以在冲刺阶段开始设计过程。令管理层惊讶的是，他们得到了滑板而不是踏板车。让我清楚一点，尽管不是屈尊的：但是从头开始是结束的必要条件。

　　1.定义AI野心

如上所述，花时间回答一些关键问题很重要。这些问题中最重要的问题是“ 为什么 ”。公司为何要投资于AI，其AI项目的目标是什么？无论他们的编码或数据分析能力如何，高层人员在定义AI项目策略时都可以发挥关键作用。如果没有确切的指示，团队将被无目的地漫无目的地挖掘数据，寻找故事。而且，由于没有明确的和商定的目标，他们将被追逐一个移动的目标，冒着随着新数据的涌入而重写历史记录的风险。这就是为什么在任何项目启动之前就应定义策略的原因，该策略应该是具体的，可衡量的，可实现的，相关的和有时间限制的。

“其他人都在做”是进入AI游戏的可怕原因。

　　2.定义优先用例

雄心定义后，识别用例变得容易得多。上一步中出现的所有想法和用户故事都应根据它们为公司总体目标提供的服务水平进行定义并客观地确定优先级。评分类别可能包括：

· 资料可用性

· 数据独占

· 技术复杂度

· 团队成熟度

3.逐步工业化“大规模人工智能”

根据智能实验室的POC结果，逐步/缓慢地将整个组织的项目产业化。在工业化阶段考虑以下几个方面很重要：

· 数据收集/采购，质量，完整性

· 制作或购买AI解决方案

· IS体系结构的适应

· 业务流程调整

· 更换管理层

以上就是关于协助AI项目经理全公司采用的3条首要原则的全部内容，想了解更多关于人工智能的信息，请继续关注中培教育。