Orbit

2019 AI predictions : Six AI priorities you can’t afford to ignore

  • 2019-06-02
  • 管理者

Title:2019 AI predictions : Six AI priorities you can’t afford to ignore
Date:2019
Source:PWC, US, Website
https://www.pwc.com/us/en/services/consulting/library/artificial-intelligence-predictions-2019.html
 
摘要:
PricewaterhouseCoopers (简称 PwC)是四大国际会计师事务所之一,在其谘询服务网页上发表一篇对2019 AI的预测,并列出6个优先事项来讨论:
 
1.  结构:组织投资报酬率和动力 (Structure: Organize for ROI and momentum)
 
为特定任务开发的AI模型,可以增强企业现有流程或解决明确定义的业务问题。
正确的AI基础来自于多元化团队,其中包括拥有业务,IT和专业AI技能并代表组织所有部分的人员。卓越中心(CoE)通常是构建此AI基础的最佳方式,有些公司可能会选择将AI职责添加到现有的分析或自动化小组,无论AI团队位于组织的哪里,其职责都应涵盖业务问题,例如:如何识别使用案例 (use case)、制定权责和治理、确定技术标准 (包括架构,工具,技术,供应商和知识产权管理,以及智能AI系统需求)、创建和管理一个数码平台。此平台可视为人工智能工作的一站式商店,具有让业务和技术专业人员共享资源(如数据集,方法和可重用组件)并协作实施计划的虚拟环境。
 
2.  劳动力:教AI人员和专家一起工作 (Workforce: Teach AI citizens and specialists to work together)
 
一个AI劳动力策略可以创建三个层级 (Citizen users, citizen developers, data scientists) 的AI员工,并为他们提供成功合作的方法。随着AI的传播,公司大多数员工都需要接受培训才能成为AI Citizen users。5%到10%的员工应该接受进一步的培训,成为citizen developers,他们可以识别用例和数据集,与AI专家密切合作开发新的AI应用程序。一小部分的数据工程师和数据科学家将负责创建,部署和管理AI应用程序。要使这三个小组正常运行,领导者需要明确地定义新的工作技能和角色,哪些工作需要公民用户或开发人员处理?哪些应用需要有经验的数据科学家?
 
3.  信任:让AI负责所有方面 (Trust: Make AI responsible in all its dimensions)
 
随着AI的发展,人们越来越关注人工智能如何影响隐私、网络安全、就业、不平等和环境。客户、员工、董事会、监管机构和企业合作夥伴都在问同一个问题:我们可以信任AI吗?因此,确保人工智能系统值得信赖是高层管理者2019年面临的最大挑战。如何克服此一挑战取决于管理者如何解决公平性、可解释性、稳健性和安全性、治理、系统道德等议题。
 
4.  数据:找到并标记以教授机器 (Data: Locate and label to teach the machines)
 
人工智能可用于数据和分析,以便有更好的管理风险,帮助员工做出更好的决策,自动化客户运营等等。人工智能相关的首要任务是整合人工智能和分析系统,以便人工智能从数据和分析中获取业务洞察力。以AI来检视预测消费者和其类似的消费者之行为将如何发展,必须有赖足够的消费者行为历史数据。要创建培训所需的数据集必须标记数据。AI CoE可以创建和监控数据标准,以及开发系统和流程,使员工更容易创建可用的标记数据集以供将来使用。
 
5.  重塑:通过个性化和更高的质量将AI货币化 (Reinvention: Monetize AI through personalization and higher quality)
 
目前,人工智能所带来的最大收益来自生产力增强,因为企业使用人工智能来自动化流程并帮助员工做出更好的决策。而人工智能的大部分经济影响则来自于消费方面,根据PWC对300多个AI使用案例的分析,医疗保健,零售和汽车可以看到最直接的好处。
 
6.  融合:将AI与分析,物联网等结合起来 (Convergence: Combine AI with analytics, the IoT and more)
 
当AI与分析 (ERP) 、物联网(IoT)、区块链、量子计算等整合时,其功能将更加强大。物联网与AI结合使用可以让大型企业从商业设备和消费设备收集信息。
但是,要将AI与其他企业系统整合,人类专家也必须融入。需要考虑的另一点是:AI模型需要不断地学习新数据,定期测试、,更新和更换,否则,AI模型将因使用过时的数据而降低其性能。