你可能听说过这样一个统计数据：超过 80% 的人工智能（AI）项目未能成功部署。虽然我们预计未来几年这一数字会有所下降，但与此同时，企业依然拥有非常现实和常见的成功障碍。缺乏高质量的数据、缺乏技术专长、企业内部难以协调一致，都是计划部署 AI 的企业面临的重大挑战的实例。 好消息是，越来越多的企业正在研究解决这个问题，想方设法让 AI 为他们的业务服务，并大规模部署各种解决方案。正在构建 AI 的企业应该从这些成功案例中获取经验。有了合适的基础设施和适当的工具，就可以最大限度地提高战胜 AI 挑战的几率。
应对 AI 挑战的五步计划
虽然并未详细地列出模型构建流程的每个步骤，但下文针对期望部署高性能 AI 模型的团队提出了五条关键建议。
第一步：选择正确的问题并评估投资回报率（ROI）
AI 从业者通常会因为在不知不觉中选择了使用 AI 来解决错误的业务问题，而使项目一开始就陷入困境。他们选择的问题可能太广泛而无法有效解决，也可能最终成本太高，或者根本不需要 AI 来解决。避免这一障碍意味着要前期做好评估审查。 专家建议在开始AI项目之前，设置一个探索发现阶段，由业务和技术团队在此阶段共同选择要解决的问题、确定解决方案、衡量该问题的可用数据，并计划从何处获取更多数据。在此阶段，从多个角度评估潜在的投资回报率：这项工作对发展业务是否必不可少？期望通过成功完成这项工作实现什么目标？（节省成本？增加额外收入？） 在这个过程中，你可能会发现你们无法获得所需数据，因此只能选择其他不以数据为基础的解决方案；或者你会发现你们想的解决方案其实并不能解决问题，或有较低的投资回报率。在这个阶段可能会发现很多问题，因此一定要尽可能澄清所有问题，并多部门联合确定策略。
第二步：弥合业务领导者和技术领导者之间的分歧
在部署 AI 方面，尽管近年来取得了一些进展，但企业领导者和技术负责人之间的理解仍然存在分歧。尽管困难，但企业中的所有重要决策者都需要了解AI的功能和局限性：AI不是万能药，在创建AI解决方案的时候，会有很多不确定性和更多的问题。 在开始部署之前，需要明确项目预期，并让所有企业重要领导人和决策者，包括C级别的高级管理者，都了解这个项目想要解决什么问题，以及部署的过程和步骤。 例如，业务领导者需要理解，AI构建不是一个一次性的过程，而是需要不断迭代更新；随着项目的进展，AI的成本会逐渐增加，因为模型需要持续不断的数据投入来进行测试和训练。领导人的理解有助于项目的资源整合。如果你是第一次部署AI项目，记得要选择能够简单说明其价值的项目，这样你在获得资源方面会更加顺利。
第三步：协调各个技术团队
在企业的技术部门内，开发运维团队（DevOps）、IT 团队和数据科学家之间通常仍然存在分歧。通常，这些团队各自为政；例如，IT 通常不太熟悉 AI 的具体细节。然而，对于 AI 项目，所有这些团队都发挥着重要作用。在启动 AI 项目之前，必须把这些独立作战的团队联合起来。一些企业会从不同的技术部门抽调人才，共同组成一个AI项目小组，而这需要高层管理人员的支持才可能做到。因此，我们就回到了第二个问题：一定要在一开始就获得上层的同意，这对项目的完成非常重要。
第四步：投资于数据
开展以数据为本的人工智能开发，意味着要注重对数据质量的投资。与模型表现关系最为密切的是数据质量，而不是模型的复杂程度等其他因素。即使在AI成功部署后，也需要持续不断的投入数据来适应实际数据发生的变化。投资数据，并且确保所有主要决策者都了解这一点的重要性，将很大程度地促进你的成功。 采集和准备训练数据也是模型构建过程中最耗时的阶段。 在数据采集阶段，可能需要从多个来源获取数据、与数据供应商合作或创建合成数据来满足所有用例的要求。在数据准备阶段，你需要清理数据并进行准确标注。如果后者需要使用技术专家，请聘请这类标注专家或与可提供采集和标注的数据供应商合作，并在计划中标明这一点。 由于创建高质量的数据需要大量的精力和时间投入，因此应该尽可能在该领域实现自动化。创建工作流程以持续清洗、标注和监控数据。如果需要，利用可以定制的开源工具。
第五步：准备进行迭代
构建 AI 是一个高度迭代的过程。例如，可能需要循环测试多个模型，才能找到最适合你的解决方案的那一个。在部署应用之前，需要在新数据、超参数、特性和其他控制变量下反复测试模型。即使在部署之后，模型也可能在生产环境中遇到新的和不可预见的数据，并且需要新的训练。因此，整合全面的数据流程，不断地在新数据上重新训练模型，就显得至关重要。 最后，还可能会出现意想不到的情况。在生产环境中可能会出现团队没有预想到的新用例，或者客户与你的解决方案的交互方式可能与你想象的不同。在任何情况下，都要确保有多方面的指标（KPI）来衡量模型性能。同时，还应制定反馈循环，以便能够了解客户对你的产品的感受，并根据需要进行调整。
构建可扩展性
AI 部署中的许多挑战可以归结为数据质量低劣、资源不足和内部团队无法协调一致。如果你拥有强大的基础设施，能够获得所有相关决策者的支持，以及完备的前期规划，那么你成功的几率就会大大增加。完成这些步骤还可以帮助你将 AI 解决方案扩展到其他业务部门，进一步证明资源投资的合理性，并为未来的 AI 项目铺平道路。
