请选择 进入手机版 | 继续访问电脑版
美国1/2/4C站群E3/16G/1T的999起 美国洛杉矶高防服务器499/月起 韩国服务器,大带宽、CN2、高防护 香港CN2物理机E5*2 32G 10M独享899 腾讯云 云服务器秒杀 首购99元/年
香港、美国站群服务器 自助金币兑换广告位 菲律宾CN2服务器租用 延迟低 香港东南亚高防服务器CN2直连稳定 自助金币兑换广告位
美国200G BGP高防服务器 美国圣何塞cn2高防服务器租用 自助金币兑换广告位 自助金币兑换广告位 镇江大带宽,济南100g秒解499起
香港cn2服务器 5M独享 699/月 韩国企业级CN2服务器 不限流量 无视CC高防BGP服务器!开服专用! 自助金币兑换广告位 帝通科技年末特惠云主机88/年
台湾中华电信服务器 20M独享带宽 阿里云官方合作伙伴 全场85折优惠 IPLC国际专线直连香港、美国、日本 自助金币兑换广告位 帝通科技年末特惠云主机88/年
日本cn2服务器 不限流量 新加坡CN2服务器I3/4G/1T/849/月 自助金币兑换广告位 台州bgp,杭州bgp浙江高防一手资源 自助金币兑换广告位
无视CC攻击 高防服务器 无视CC攻击 高防服务器 贵州电信特价机柜 7000W 台州bgp,杭州bgp浙江高防一手资源 香港CN2母鸡/云服务器出租
查看: 133|回复: 0

[人工智能] 企业如何大规模实现AI和机器学习

[复制链接]
累计签到:31 天
连续签到:1 天

70

主题

1

好友

132

金币

首席技术官

Rank: 8Rank: 8

发表于 2019-10-26 09:14 | 显示全部楼层 |阅读模式
AI.GettyImages-1094304646-1.jpg
您已经听说了AI可以为当今企业提供的所有巨大好处。从检测欺诈到预测机器故障,再到了解客户行为,人工智能具有在各种不同领域提供改变游戏规则的业务价值的潜力。
您甚至可能在一些试点项目中涉足了AI和机器学习(ML)模型。但是,您的企业是否真的兑现了AI的承诺并带来了切实的业务收益?如果不是的话,你并不孤单。您的大多数同龄人都面临类似的问题。
Gartner 预测,明年“ 80%的AI项目将保持炼金术,由无法在企业中扩展人才的巫师管理。”我们已经看到这种情况一次又一次地出现在从事AI项目的企业中:他们建立了一个创新实验室进行“做AI”,直到后来才意识到他们无法将其ML模型投入实际业务流程中。
只有可操作的ML模型(已与生产中的业务功能集成的模型)才能提供业务价值。那么,要成功地大规模使用AI / ML并实现您的ML模型,又需要做什么呢?以下是一些关键注意事项:
1.定义您的业务目标
由于对AI可以做什么的期望过高,许多AI / ML项目无法交付。在启动AI计划之前,请确定项目目标。从业务目标开始-您要提高哪些指标?例如,您是否要降低客户流失率?减少欺诈案件?减少花在处理客户申请上的时间?从一开始就很重要的一点是,清楚地识别用例,定义可衡量的目标,对当前性能进行基准测试,然后切实定义成功标准。
2.确保利益相关者保持一致
由于各利益相关者之间缺乏共识,AI项目也可能无法成功。确定用例后,请确定需要参与的不同利益相关者。为了弄清楚这一点,您需要制定一个计划,以了解如何使用机器学习模型的输出(检测,分类,分割,预测或推荐)以及由谁来使用。当输出无法使用,无法访问或根本不打算作为决策过程的一部分时,让机器学习系统紧缩数字并预测潜在客户的可保性是没有意义的。必须计划出如何使下游工具/过程/人员可以访问预测。
3.雇用合适的员工并为成功做好准备
可用数据科学人才的短缺已得到充分证明-聘用该职位仍然是一项基本挑战。但是,成功实现AI / ML不仅需要数据科学技能:从数据准备和模型构建到培训和推理;这是一项团队运动,需要多个不同的角色,包括数据工程师,ML架构师和运营。有效的企业和扩展团队是另一个挑战。您是否拥有合适的内部人员和技能来将项目从构想付诸实施?您需要确定是否通过雇用和再培训来培养技能,还是雇用某人来帮助在给定的时间内完成项目。从长远来看,建立技能组有助于扩大规模,而第三方咨询服务可能有助于使项目快速启动和运行。
4.提供正确的技术和工具
一次又一次,我们看到数据科学项目因缺乏技术方面的规划而陷入困境。它不仅具有用于构建和开发模型的正确技术和工具;ML模型的运营和生产部署方面通常是任何AI项目面临的最严峻挑战。您需要考虑整个ML生命周期。这有几个方面:
数据: 确保您拥有适用于用例的正确数据。例如,如果您正在构建和训练ML模型以检测癌症,则需要大量用于该用例的高质量,带标签的图像。同样,要识别合同文档中的异常,您需要准备并提供对带有标签的高质量文本数据的访问。
工具: 这不仅仅是选择一种工具;AI / ML和数据科学生态系统中有大量工具,使用哪种工具确实取决于用例。是的,TensorFlow很棒,但是它不能解决所有问题。机器学习空间正在不断发展,您的技术堆栈需要支持多个不同的框架,包括TensorFlow,Keras,PyTorch等。同时,您的体系结构应允许为将要参与ML生命周期的不同角色(数据科学家,数据工程师,ML架构师,软件工程师)创建协作工作区。
基础设施: 公共云服务确实提供了一些优势,但是云并不是企业中大型AI / ML项目的灵丹妙药。越来越多的企业采用混合混合云方法:根据ML生命周期的用例和阶段以及所需数据的位置,使用本地或云基础架构。这使他们可以利用自己在本地已构建的内容,同时利用公共云服务提供的敏捷性和弹性。将云原生技术(例如容器)用于AI / ML工作负载还极大地提高了开发速度,同时提供了“在任何地方构建和部署到任何地方”的灵活性。
标准化流程: 机器学习工作流程不同于典型的软件工程工作流程。大多数企业缺乏用于模型管理,监视和再培训的标准化ML流程。 这通常会阻碍协作,并导致延迟或失去业务价值。此外,机器学习模型是根据历史数据进行训练的,因此随着基础数据的变化,它们的准确性会随着时间的流逝而降低。一旦超过预定义的阈值,检测到这些偏差就需要专门的调试工具和流程来重新训练模型。设置流程,工具和基础结构以存储多个模型版本,触发重新训练以及在生产中无缝更新模型对于ML的运营至关重要。

回复

使用道具 举报

联系我们

工作日:周一至周五9:00-17:00

mail#idcjia.net
社会化关注

微信公众号

微信号:IDC之家

扫一扫关注我们

QQ交流群

群号:200940660

欢迎加入IDC大家庭

Powered by IDC之家丨Discuz X3.4© 2010-2019 idcjia Inc.( 渝ICP备17007481号-4 )