【人工智能】成功实施数字商业AI项目的秘诀、人工智能“花”落何处？如何正确运用好人工智能？

成功实施数字商业AI项目的秘诀

首席信息官和 IT 领导者应该遵循三个最佳实例，通过数字商业 AI 项目提高其成功率。

人工智能 （ AI ） 时代已经开启 —— 至少在 数字商业 领域确实如此。全球领先的信息技术研究和顾问公司 Gartner 预测，到 2020 年，至少有 60% 的数字商业组织将使用 AI 。数字商业中大量面向客户的应用和后端管理任务将成为 AI 力证其业务价值的沃土。

Gartner 高级分析师和总监 Mike Lowndes 表示： “ 我们对全球数百家数字商业机构进行了调查 —— 大约 70% 的企业机构表示他们的人工智能项目获得了成功，或者极其成功，这令我十分惊讶。四分之三的企业机构表示其评估的结果呈现出两位数的增长。 ”

AI 技术在数字商业中蓬勃发展，这得益于大量可用数据和众多支持关键业务目标的使用案例，如：增加收入、降低成本和改善客户体验。 Lowndes 认为：“ AI 项目最流行的应用领域是客户细分、产品分类和欺诈检测等，但除此之外，还有很多领域都可以应用 AI 项目。”

妥善管理时间和资金，为成功作准备

尽管我们调查了成功率，但 AI 项目并不一定能保证 成功 。首席信息官和 IT 领导者必须制定严格的时间计划并确保 项目 可在 12 个月内完成，从而短期制胜并取得 C-level 高管们对进一步实施的支持。

Lowndes 表示：“缩短项目时间的关键是让每个项目都短小简单，以促其快速完成或尽快舍弃，而不会浪费太多资源。我们的调查显示，成功的企业机构已开展了多种此类项目。”

“ 评估您的企业内是否有足 够的 AI 人才来制 定高性能解决方案。 ”

除了时间计划，还有 预算 问题。受访企业在 AI 项目上的平均投资额为 130 万美元。虽然控制开发成本有助于限制项目范围，但如愿获得最佳的技术应该是主要目标，而不应受到成本控制成本的掣肘。雇用合适的人才，获得强大的 数据 管理和处理工具，以及将 AI 应用集成到现有基础架构中 —— 这些应该占开发成本的大部分。

克服挑战：建立您的数据和技能基础

Lowndes 认为：“在部署人工智能项目时，数字商业领域的首席信息官和 IT 领导者面临两大挑战：缺乏优质的培训数据和缺乏内部技能。”

尽管专项预算分配可以缓解这一情况，但各企业机构也应寻求外部供应商的支持。“评估企业内是否有足够的 AI 人才来自行开发高性能解决方案。如果没有，请考虑了解商业 AI 解决方案。这些已经过测试的商业 AI 解决方案和供应商拥有处理数据问题的专业技术。”

“ 员工需要时间来学会信任 AI 。 ”

采用商业解决方案并不意味着您可以不再搜寻人才。第三大挑战 —— 整合 现有的应用基础架构应由技术娴熟的内部团队承担。商业 AI 解决方案可能没有现成的连接器，因而让整合过程变得十分复杂。这个问题搁置太久可能意味着您的项目计划在试用阶段停滞不前。

勇敢向前，但不要急于求成

尽管人工智能技术正变得越来越主流，但员工们仍然心存诸多疑虑，有时甚至对它的感受并非正面。首席信息官们和 IT 领导者不能也不应该忽视这些情绪，这是因为整个企业机构的支持对于塑造 AI 友好型业务流程至关重要。

Lowndes 指出：“员工需要时间学会信任 AI 。应尽可能地充分说明 AI 解决方案提出了某些建议的原因并主动展示 AI 制定的决策对关键绩效指标（ KPI ）带来的影响。此外，还要为员工提供培训，并鼓励他们将自己的专业知识用于持续改进模型。 ”

人工智能“花”落何处？

（文： Gartner 前副总裁兼院士级分析师 Tom Austin ）

你是否曾将应用了人工智能技术的“杀手级应用”投入大规模生产中？

实际上，这种情况较为少见。去年，全世界 3182 名首席信息官（ CIO ）中，仅有 4% 表示他们已将人工智能相关的应用投入生产中，或是在未来 12 个月内有此计划。首席信息官不一定了解企业中正在进行的每一个项目，但基本上这个数字的误差不会超过它的两倍。也许， 8% 的企业都已将这样的应用投入生产中，但 8% 这个数字很可能是对实际情况的一种高估。

为什么会出现这种情况？

今年 6 月 27 日， Gartner 发布了一项 人工智能技术成熟程度的研究 ，为企业架构师和科技创新者提供相关见解。该研究的重点在于人工智能技术的成熟程度，而不在于人工智能领域企业的发展状况。

从表面上看，人工智能领域在过去十年中取得了突破性的进展。不断有新的、宝贵的机会涌现出来。在这十年中，在与人工智能有关的研究、会议、研究生项目、初创公司、风险资金、公司中的并购（ M&A ）活动、人工智能相关的工作发布、专利申请上，我们都取得了很大的进步。

但我们看到的只是其中的一部分，还须考虑的是：

• 如今，伟大的研究发现过多地涌现，使得技术空间变得混乱。在很多情况下，当下的技术突破在下一季度或第二年就会过时；

• 系统工程的指导方针（以及专业知识）较为缺乏；

• 如今的人工智能技术就像信息通信技术在 1960 年的发展状况一样，这种情况短时间内很难改变；

• 最糟糕的是，由于缺乏新的、使用人工智能技术的“杀手级应用”推动商务人士在这方面开展投资项目，人工智能相关的应用投入大规模生产的进程近乎处于停滞状态。

让我们把目光聚焦在“杀手级应用”的“真空”状态上。

我们向 IT 领导者或企业管理者询问了人工智能应用的问题，并向他们征求文字或口头回答，回答通常会分为以下四类：

1. 决策支持 / 扩大化 —— 帮助人们变得更加聪明

2. 虚拟代理 —— 熟悉用户的文字或发言

3. 决策自动化 —— 任务自动化或优化

4. 智能产品 —— 嵌入式的人工智能

这几类（先不说第二项）和老式汽车的市场非常相似 —— 老式汽车的想法在十九世纪已经出现，在二十世纪早期出现了对应的产品。人们在熟悉的环境下可以更好地发挥想象。

因此，我们有例如：

• 二十世纪九十年代初的类似 商业智能化 的产物（决策支持 / 扩大化）

• 以“决策自动化”为特征的 任务自动化和任务优化 ，实际上，我们从计算机时代的开始就在这么做了

• 智能产品 —— 一个已经近乎没有实际意义的、过时的标签

客户对虚拟代理存在着普遍的兴趣。事实上，表示在人工智能技术上进行了投资的客户中，有三分之二提到了“面向用户”（通常与聊天有关）的项目。但是除非缩窄这些项目的定义，这些项目要达成一定规模的难度非常大。除了几家大型科技公司外，没有哪家公司具备开发出一个可以回答所有人所有问题的全能聊天机器人的能力，洞察引擎（ Insights Engine ）在这方面比聊天机器人做得更好。而从目前的情况来看，这些大公司的产品也并不是那么完美。谷歌的 Duplex 、亚马逊的 Alexa Challenge 中的对话可能是目前最为智能的，但企业是否会对这些项目大规模投资仍然悬而未决。

未来是难以预见的。除了聊天机器人之外，其余项目都仅是在“老式汽车”上的改进。那些能够让企业开创使用人工智能技术的新商业计划的巨大突破在哪里呢？

然而，行业、厂商、分析人员、咨询顾问乃至全世界范围内的企业，都并不了解这些巨大突破会是什么。

这其中一部分的问题是，人工智能最适合解决的问题，可能已超出那些想找到新的 “杀手级商业应用” 的人的能力和经验认知。

回到商用计算机的早期年代（二十世纪中期），企业购买计算机，运行人们已在纸上处理了数个世纪的问题。当人们知道如何在纸上进行记账，那么将相同的逻辑应用到计算机上就相对容易了。

在如今这个人工智能技术应用开始生产的早期时代，我们无意中失去了知道我们应该如何处理一些事情的能力。研究笔记中写道：

“我们 现在能够用深度神经网络（ DNN ）为基础的系统对照片做面部识别。人类（我们灵长类动物的祖先）已经有至少五千万年的面部识别经验，但总的来说，我们并没有一套有效、系统的方法来进行面部识别。

我们只是运用人类的本能（不像科技开发者那样），用我们神经系统中不同的、与生俱来的学习回路来进行面部识别。其中具体的过程是模糊的。一个十五个月大的孩子是如何分辨出他父亲和母亲的图片的？我们并不了解。日常的人类经验不足以让我们建立一套实现脸部识别的技术。”

我们在缺乏这样的见解的同时，也缺乏实际经验以驱动对相关应用的创造或开发。拟人法可能会让我们误入歧途。

这些局限之外，我们仍要相信：

• 科学将以惊人的速度继续进步；

• 人工智能技术将会被应用在更多产品中；

• 到 2020 年，人工智能技术将存在于基本上所有的新型软件产品中；

• 厂商将会用这些嵌入式的技术增加并扩大其产品功能，此后企业就会因商业型人工智能的优势进行投资，而非开发相关技术。

等待能够带动重大商业投资的“杀手级应用”被发现的过程中，我们将继续以实际的、策略性的方式进行小型投资，为业务带来实际价值。

如何正确运用好人工智能？

人工智能的正确利用需要首席信息官建立并培养一个数据知识型社会。

鉴于 人工智能 使用如此广泛，能否正确利用信息技术促进人工智能的发展与应用可能会产生深远影响。如果利用不当，人工智能可能会在无意中放大人类主观偏见、加剧两极分化以及产生其他破坏性后果。

Gartner 研究副总裁 Alan D. Duncan 表示：“人们对人工智能发展前景的热忱以及对于人工智能的大肆宣传，很容易导致人将重点放在技术与编码领域，即，人工智能的‘人工’方面。”

“如同模型与算法一样，数据也是人工智能发展与利用的基石之一。”

Duncan 补充说：“然而，如果没有数据的话，在这个智能数据连接的世界中，任何可能被认为是‘智能’的方面都无法运作，或者可以说，都不复存在。对于大多数高管、业务与 IT 专业人士而言，尽管他们熟知商业模式中的人员、流程与技术能力，但他们都无法专业地使用与分析数据。”

要想正确地使用人工智能，企业需要将数据认知素养（ data literacy ）作为人工智能开发者与消费者的新型核心能力。 Gartner 建议负责人工智能项目的首席信息官遵循以下三个步骤：首先，正确构建人工智能系统；然后，正确使用人工智能；最后一步，保持人工智能的正确性。

正确构建人工智能系统

要想“正确构建人工智能系统”，首先最关键的是要建立有关人工智能的基本词汇，即人们“使用与分析数据”的技术语言。至少，首席信息官应该确定出在描述人工智能系统或解决方案时使用的主要术语，包括正在开发的人工智能解决方案的目的或理由，以及其他关键术语，例如，从解决方案中使用与收集的数据类型。

Duncan 解释道：“与模型和算法一样，数据也是人工智能发展与利用的基石。人工智能吸收并生成数据。首席信息官以及数据与分析领导者将负责开发与解决人工智能的数据管理方面问题。在整个过程中，建立数据管理专业知识是获得成功的关键。 ”

正确使用人工智能

无论项目范围或企业机构成熟度如何，在本地或整个系统中都可能存在信息语言障碍。解决这个障碍需要思维方式的转变以及对过程正确性的有意认知与干预。为了加强数据素养，首席信息官应该制定数据认知素养培养计划。

• 找到能自然而轻松的分析数据并达到流利程度的专业人士。 流利的数据分析者应该善于描述情景化的使用案例与结果 \ 适用于这些案例的分析技术 \ 以及涉及的基础数据源、实体与关键属性。

• 找到熟练的数据转换人员。 典型的数据转换人员通常是企业数据或信息架构师、数据科学家、信息管理员或相关项目经理。

• 确定存在沟通障碍妨碍数据与分析有效性的领域。 尤其关注商业与信息技术的差距、数据分析差距以及熟练度差距。

• 积极倾听未采取明确行动的商业成果。 在哪些商业领域应用改进的数据和分析能力？正在改进哪些运营决策？

• 确定出有专业数据转换需求的关键利益相关者。 为了评估数据认知素养水平，要求关键利益相关者根据业务成果阐明数据作为战略资产的价值，包括增强业务、货币化以及风险缓解。

• 确定并维护单词和短语列表。 参与数据和分析团队的工作，更好地表达这些短语。

保持人工智能正确性

即使是最成功的公司也会受到不道德行为的负面影响。需要进行广泛与明确的讨论，区分公司可能会遇到的道德伦理问题与困境类型与实际可以采取的道德伦理立场之间的区别。

• 后退一步，将数字伦理和数字关联主义 作为改善数字业务，或者广义来说，数字化社会的准则。

• 主动寻找与使用人工智能数据有关的道德伦理案例研究 ，因为企业所面临的道德伦理问题往往都不是新出现的类型。其中，机遇包括竞争差异化和优越的价值主张；危险包括声誉风险、监管问题和财务损失等。

• 将人工智能算法与数据交换作为实现数字交互的推动力 ，并以此让利益相关者参与生态系统而非特定流程控制。鼓励每个人都能在人工智能环境中贡献他们的数据并成为互惠生态系统的积极参与者。

在IT运营中实现卓越人工智能的12个步骤

按照以下步骤利用人工智能实现 IT 运营转型。

虽然只有少数企业机构大规模部署并使用了人工智能（ AI ），但 IT 基础架构与运营（ I&O ）管理者们已经面临着构建敏捷基础架构以支持所在组织人工智能战略的挑战。

此外， I&O 团队正在探索使用人工智能技术来改进自身运营。 Gartner 首席研究分析师 PankajPrasad 认为，这将需要对任务与流程进行彻底革新。

Prasad 表示： “ 首先应使用人工智能驱动的 I&O 管理工具，并通过全新人工智能与数据分析技能持续对您的团队进行技能再培训。我们建议从小规模开始，快速构建并经常验证。 ”

通过细分的 12 个步骤， Gartner 能够帮助 I&O 管理者们应对在 IT 运营中使用人工智能的各种挑战（参见下图）。这 12 个步骤分为 4 大流程阶段，以搭建可真正改变 IT 运营的坚实平台。

如何设计人工智能的商业案例

首席信息官们必须认识到人工智能项目与大部分其它 IT 项目大相径庭并需要妥善规划。

各企业对于利用人工智能（ AI ）项目及其潜力从根本上改变商业价值兴趣浓厚。但是，大部分人工智能技术目前充其量也只是处于初期阶段。全球领先的信息技术研究和顾问公司 Gartner 近期调查发现， 37% 的企业机构仍在苦苦寻求制定人工智能战略，而 35% 者则在竭力确定合适的使用案例。

“ 由于需要深度转变行为与思考方式，人工智能所要求的心态转变可能导致‘文化焦虑’ ”

为了获得必要的人工智能项目投资，首席信息官们必须提交可行的商业案例，而问题显然也随之而来，部分困境在于尚不存在人工智能商业案例。此类商业案例应针对将人工智能方法和技术用作整体解决方案一部分的特定商业场景、问题或应用。当你在制定人工智能项目，请着重关注以下 4 个问题：

1. 你为什么要开展此项目？

2. 你将向谁提交该解决方案？

3. 你将采用哪些解决方案与技术框架？

4. 你将如何交付此项目？

Gartner 首席研究分析师 Moutusi Sau 认为：“相比大部分其它 IT 项目，由于成本与收益更难以预测，因此人工智能项目商业案例的开发非常复杂。人工智能项目特定挑战包括其他标准技术尚未出现的更多复杂性、不透明性和不可预测性。”

为了设计成功的人工智能项目商业案例，首席信息官们必须明确并处理造成人工智能项目不同于其他 IT 解决方案的具体因素。

无法产生即刻收益的人工智能解决方案将显得代价高昂

设计商业案例包括分析与项目相关的预期收益及成本。但是，就人工智能而言，答案不可能简单明了。若无法产生即刻收益，人工智能解决方案将显得代价高昂——这对于松散的场景以及不会为开发和部署新商业场景的解决方案提供预算的企业而言更是如此。

项目的投资回报与企业的期望值之间紧密相关。 以往大量成功的人工智能投资实例显示 ，在数字化转型曲线上保持领先的企业机构在人工智能方面也独具优势。企业必须认真制定人工智能项目投资战略并提供强大的管理支持。

例如，亚马逊收购 Kiva Systems 仓库机器人公司反映出机器人在仓储自动化方面提供了显著的竞争优势。因此，如今能从人工智能中获益的企业必定先于其竞争对手投入巨资。

Sau 表示：“在这种情况下，自适应方法必不可少。不要害怕坦诚地讨论预期成本并设定期望目标，它们将随着解决方案范围不断深入和细化而发生显著变化。同样，若在早期阶段无法获得明显的收益，也要做好准备中止人工智能试点项目。”

人工智能需要重大文化变革

对于大部分企业而言，由于需要深度转变行为与思考方式，人工智能所要求的心态转变可能导致“文化焦虑”。首席信息官们应认同文化变革，主动应对相关挑战并逐渐建立起信任。文化变革以及向新职能与实践的成功转变取决于 IT 成员之间以及管理层与员工之间开诚布公地对话及相互尊重。

人工智能项目需要各种技术技能

Gartner 2018 首席信息官调查反映的最大痛点在于人工智能方面的专业技能不足 ， 47% 的首席信息官表示急需用于人工智能项目的新技能。因此，人才招募可能将成为未来人工智能普及的最大障碍之一。

长期战略应包含如何依托学术界与开源技术缓解资源短缺问题，但当务之急是解决当前需求。充分利用并训练现有资源——尤其是数据科学工具——将成为一项关键战略。从初期试点中获得的经验教训也将有助于首席信息官们决定最终应内部实施、购买还是外包未来项目。

首席数据官实施人工智能战略指南

（文：Gartner 研究副总裁 Mike Rollings Gartner 研究总监吕俊宽）

Gartner 数据显示，到 2020 年，人工智能（ AI ）将成为 30% 以上首席信息官（ CIO ）的首要任务。尽管人工智能有望改变世界，但只有在企业机构有效应用人工智能的情况下，这种梦想才能成真。

如果您是一位正在尽力挖掘 人工智能 的全部潜力的首席数据官（ CDO ），那么现在就是您扩大战略、评估人工智能对商业模式和客户体验的影响、为其它战略性挑战做好准备的最佳时机。

当前的关注热潮源于 高级分析 （ advanced analytics ）和 机器学习 （ machine learning ）所带来 的 效益 。这种转变一部分得益于新出现的低成本、大规模和随时可用的计算能力，以及可用于训练机器、构建模式和产生洞察的海量数据。

不过，要注意的是，许多企业机构刚刚步入人工智能领域，它们正在积累知识和制定应用战略。如果您与许多数据和分析领导者想法没有分别，那么制定人工智能战略及确定其用途将成为真正的挑战。

越来越多的企业机构发现，人工智能并非直接从根本上完善现有业务活动，而是以前所未有的方式为数据驱动型业务的战略创造潜力。这种潜力将使数据和分析成为战略的主要推动力，相应地，这也要求企业机构对人工智能潜力进行更广泛的研究。

在评估人工智能的潜力时，采用我们通常将评估数据和分析策略作为其它战略工作副产物的方式显然不够。我们必须了解人工智能的相关新兴用途，还应熟悉新的战略发展实践，考虑业务变化的潜力。

挖掘人工智能的全部潜力

首席数据官应该关注以下三个方面：

1. 明确商业价值

首先，从商业价值和管理角度评估人工智能的相关性，以及与具体业务运营和 IT 挑战的关系。

商业价值是人工智能计划获得关注的必要条件。许多企业机构都迷恋人工智能的能力，但在这个过程中，它们并未确定最具战略价值的决定因素。商业价值应阐明如何利用诸如数据科学家这样的关键资源；新的解决方案如何从人工智能中受益；以及如何坚定地发展实现长期业务成果所需的各种能力。

利用框架来扩展战略库可以帮助您确定人工智能对业务模型组成部分的适用性及其相互关系。业务模型评估框架（ businessmodel assessment frameworks ）为描述您所在企业机构的现有业务模型制定了一种通用语言。它还有助于评估各个组成部分的变化并提出变革意见，由此改善成本结构、实现数据驱动的收入流、或确定数据和分析在新的关键协同中发挥哪些重要作用。它还有助于确定相关部分应发生哪些变化才能支持潜在的广泛业务模型变革。

2.利用客户体验中的颠覆性潜力