企业公司多年来一直在试验人工智能（AI）——这里有一个试点，那里是一个用例。但公司领导者长期以来一直梦想在人工智能方面做得更大、更好、更快。
也就是说，大规模应用人工智能。
此任务的目标可能会有所不同。也许希望提高客户参与度，提高运营效率并统一AI和数据工作负载。也许目标是更高的增长，更多的收入来源和实时洞察力。
但对人工智能涅槃的追求从来都不只是关于人工智能。它涉及超越在特定应用程序中利用它，而是大规模实施它，在整个组织中创造价值。
在过去的一年里，大规模人工智能的趋势获得了巨大的动力。例如，去年七月，Gartner研究分析师Whit Andrews告诉VentureBeat，当今所有其他AI趋势背后的“巨大”AI趋势是组织中人工智能规模的增加。
“越来越多的人正在进入一个时代，人工智能是每个新项目的一个方面，”他说。他解释说，这是因为技术工具更好、更便宜，拥有合适人工智能技能的人才存在，而且更容易获得正确的数据。
根据波士顿咨询集团（Boston Consulting Group）一月份的一篇文章，在从人工智能中扩展和创造价值方面，领导者比其他公司做得更好：他们优先考虑影响最大的用例，并快速扩展它们以实现价值最大化;它们使整个组织都可以访问数据和技术，避免阻碍扩展的孤立和不兼容的技术堆栈;他们认识到协调领导层和构建和使用人工智能的员工的重要性。
但文章还坚持认为，尽管扩展用例是从人工智能中产生和维持价值的关键，但大多数公司还没有充分利用这种方法的全部潜力。
在VentureBeat的本期特刊中，我们将研究大规模应用AI的机遇和挑战，以及组织如何更接近AI涅槃。它包括一些企业如何利用MLOps的力量在整个组织中扩展AI，以及专家表示组织如何负责任地扩展AI。我们还深入探讨了公司如何使用合成数据来推动大规模实施人工智能的努力。
最后，本期重点介绍了一些最终用户公司如何通过在整个组织中实施技术、流程、治理和战略来大规模推出人工智能。
大规模应用人工智能的真正意义是什么？
现场工程高级副总裁、数据湖屋平台Databricks的联合创始人Arsalan Tavakoli告诉VentureBeat，大规模应用人工智能的关键在于人工智能是否已成为公司所有业务线的关键。
“关键在于人工智能是否是帮助你推动新客户体验、产品开发或运营效率的核心，”他说，“[它是否]已经成为你组织转型能力的内在组成部分。
他指出，许多Databricks客户正在做人工智能实验，但不知道如何扩大规模。其他人走得更远，模型正在生产中，但他们意识到效率不高。
HPE HPC 和 AI 业务集团执行副总裁兼总经理 Justin Hotard 表示，拥有正确的数据与正确的技术为正确的模型提供支持也至关重要。
“我们看到人们对人工智能产生了更广泛的兴趣，不仅仅是因为LLM和生成人工智能，还因为现在人们认识到，如果你建立正确的模型，你可以用你的数据做什么的力量和潜力，”他说。
MLOps平台Domino Data Lab的数据科学战略和传播主管Kjell Carlsson同意，弄清楚如何为更大的模型利用更多数据肯定是大规模AI对话的一部分。但是，他补充说，大多数业务价值不是来自将模型嵌入到业务各个部分的应用程序中，而是来自组织其他部分的嵌入。
“你需要弄清楚如何做这两件事，”他说。
公司现在所处的位置
好消息是，组织在大规模实施人工智能的努力方面正在成熟，Carlsson说。问题是，公司成熟的程度和速度如何？
他认为，人工智能成熟度的最佳指标是首席数据分析官和其他最高管理层角色的日益普及，这些职位明确要求在其组织中实施数据科学和机器学习。此外，这些高管可以控制您执行所需的数据资产。
“我认为以前组织内部严重缺乏领导力，[领导力]实际上能够在推动基于人工智能的转型计划中发挥积极作用，”他说。
Tavakoli补充说，ChatGPT和其他生成式AI解决方案的兴起无疑在过去几个月中给公司带来了刺激。“我不记得上一次开会是什么时候了，有人没有以某种形式使用'ChatGPT'这个词。
他说，一年前，人工智能和机器学习对许多组织来说更有抱负。“他们谈论它，有人会开玩笑地说这很棒，投资者喜欢听到它，这就是世界的发展方式。但这是明天的挑战，而不是今天的挑战。
他说，现在，领导人担心在竞争激烈的时代落后。“每个CEO的财报电话会议都是关于嵌入业务中的AI和ML，”他说。“我说的不仅仅是世界上的Netflix和Uber。你说的是全世界的迪士尼，全世界的银行，全世界的T-Mobiles，全世界的沃尔玛——他们都说人工智能和机器学习是我们重点领域的关键。
然而，随着组织对工作的深入了解，他们意识到实现AI和ML最困难的部分不是算法。
“这是它背后的所有其他东西，”他说，“比如'我如何真正弄清楚如何获得高质量的数据，尤其是实时数据？我如何真正弄清楚如何开发它，让我的数据科学家高效工作，将其投入生产，对其进行迭代，并了解何时遇到数据质量问题？
Tavakoli补充说，最大的挑战之一是，许多组织在将数据从本地转移到云中时感到解放，因为他们可以为一切获得“最佳”解决方案。但这导致了所有需要连接的工具的“大杂烩”。
“人们意识到的是，他们并没有真正的人工智能问题，他们有一个客户360度的问题，”他说。“当他们开始尝试将它们拼接在一起时，它变得非常困难 - 然后[有]处理围绕它的数据和治理。
公司需要做些什么来扩展人工智能
HPE的Hotard表示，要开始大规模应用人工智能，公司应该做的第一件事是考虑人工智能可以对其业务产生积极影响的地方 - 以及它是在行业中进攻，还是防守（如果你不这样做，其他人会这样做）。
接下来，如果还没有人到位，请任命某人在高级级别领导人工智能工作。“这是与最高管理层互动并促进整个企业进行这些讨论的人，”他说。
最后，在AI工具和功能方面，考虑企业风险和可审计性。“有能力回过头来说你是如何做出决定的，这将变得很重要，”他说。
好消息是，有几个垂直行业已经在寻求大规模应用人工智能方面取得了重大进展，达美乐的卡尔森说。“我们已经在制药和保险等垂直领域达到了临界点，我认为银行和金融服务也已经存在，”他说。
他警告说，痛点仍然无处不在，从打破技术和数据孤岛的需求到高技能人才的短缺。但是今天，借助最新的技术工具、增加的计算和先进的数据解决方案，可以以前所未有的强大新方式解决对大规模人工智能的追求。
椰有料原创，作者：小椰子啊，转载请注明出处：http://www.studioyz.com/2217.html
文章评论