AI 落地知易行难，该怎么做？听听 AI 大佬们怎么说

在 5G、大数据、云计算等新兴技术的赋能下，人工智能加速发展，人工智能的应用也受到各行各业的广泛关注。

九月底，中信读书会和微软 AI 商学院共同打造了“AI +商业话题共读计划”第二场分享会。

我们邀请了——微软全渠道事业部首席技术官徐明强先生，安永大中华区数据智能咨询服务主管合伙人顾卿华先生，Paypal 科学数据科学部创办人、前百度金融首席数据科学家、《AI 思维》作者丁磊老师。

结合微软与安永联手发布的《大中华区人工智能成熟度调研：解码 2020，展望数字未来》报告，一同深度探讨企业在 AI 落地中遇到的难题及可行的解决策略，并对商业闭环如何形成、AI 人才升级等问题发表了看法。

以下是直播的核心内容。

大众和业内对 AI 的定义是不同的。

很多普通人对 AI 的理解就是自己“会跑、会动、会说话、会控制”机器人。

丁磊老师在他的新作《AI 思维》中强调，AI 它不只是一个技术、工具， AI 是一种思维方式，它能够帮助我们有效分析大量的数据，并从中得出预测，甚至帮助我们做出决策。

（一）人类无法胜任的工作。

1、 对人来说，很困难的分析工作。 

比如医药领域，人类 DNA 的对数量级大（上亿甚至上十亿），如果要分析哪些基因会致病，基因与疾病存在什么样的关系，人力是没办法做细微的统计与分析的。

2、虽然人可以尝试分析事物之间的相关性，但量大无法胜任。

比如在一个世界级的大型网站上做首页个性化，网站拥有每天几百万、上千万的流量和用户，怎样给用户们千人千面个性化的大横幅？

人可以做出相应规则的设定，但是我们没法分析实时的人的复杂行为信号。在人做不到的情况下，也是特别适合机器和AI做的场景。

（二）人可以胜任的工作，但是 AI 可以更快，甚至做得更好。

例如，银行或者保险机构需要做大量的电话沟通，AI 机器人可以按照规定跟它的用户进行常规流程沟通，或者给用户解释既定的政策等等。

这种机械、重复的工作，机器可以更快、更低成本，甚至更好地完成。

AI 既能创造东西，又能解放我们，但在实际运用的过程中，AI 在企业级应用中进展是相对较缓慢的，这是为什么呢？

AI 落地阶段是个知易行难的阶段。

AI 项目在企业中最大的问题和坑点，其实是空降精干团队在公司组织架构中的定位问题。 

首先，数据科学、AI 部门既不是 IT 部门，分析部门，更不是传统意义上的业务部门，所以注定 AI 部门不能随意融合进传统部门。 

它的建立必须要从零开始，打造全新的专业领域形象。即使有 CEO 的支持，AI 部门可能也只有 6-12 个月的时间来打造专业领域形象。

如果这段时间，AI 部门不能给公司内一或多项业务提供相应的、有效的支撑与提升，它就很难在一个成熟公司内部立足，企业内的员工会对 AI 抱有质疑。

除了人的因素，数据因素很重要。

企业需要扎实的数据基础，如果缺少比较统一、标准化、高质量的数据，AI 应用可能会是无米之炊、无源之水。

风险和合规因素也不容忽视。

AI 让企业开始大量依赖机器帮忙做决策。在这个过程中会带来业务连续性、隐私保护、AI 可信度、伦理和社会的问题等，这些在 AI 落地过程中都不能忽视。

规模化也是一大难题。大多数企业的AI创新都是点状、实验性质、局部的创新，缺少规模化、商业化、运行态的布局。

所以对任何 AI 业务——无论是内部项目，还是服务客户项目而言，要想 AI 落地，门槛和挑战都很大。

数据是有原罪的，如果没有被救赎，它就没有办法发挥能力。

数据何罪之有呢？数据的罪，就是四个字——“自由散慢”。

“自由”就是当你靠一些服务器收集数据，会发现很多数据有问题，无法使用。

比如英国的 HealthCare 做普查，80% 的人都出生于1911年11月11日，为什么会有这种情况？

有些被调查者不想回答一些隐私问题，他们就想输入“00”，但系统不允许 “00” ，于是大家都输入了“11”，所以 80% 的人生日都是随意填写的，这个数据是脏的。

“散”是指散落在各处。“慢”是指速度慢。

很多业务部门总有一种误解，觉得问数据团队要数据，电脑很快就可以跑出来。但很多情况下，有些数据用时一个月都未必能出，非常地慢。

想要把数据真正做好，需要很多工具支持。

比如怎么样从原数据里把数据抽取出来，还有如何把脏的数据做好等等。

只有这样才能得到较好的结构化数据，让数据科学家能够在此基础上做一些实质性挖掘，做好模型。

所以，企业要想实现 AI 落地，必须把数据治理首先画在自己的路线图上。

如果忽略了这些工作，AI 的根源就是错的，那么 AI 落地也就无从谈起了。

企业到底该如何顺利实现 AI 落地呢？AI 成熟度调研报告中提出了一个 3+4+8 的落地方法论。

“3”是指总体上分三步走。

【1】要精细的了解企业目前对 AI 应用的现状。

【2】 要明确未来应用的场景和方向。

【3】 落地和持续变革的管理。在过程中，总体原则还是企业要量力而行与循序渐进。

“4”是指四个价值创造的领域。这里有一个大原则，就是要从企业的优势领域里来着手先应用这些新兴科技。

“8”是指八项核心力，包括 AI 领导力、创新管理能力、应用场景的识别和选择能力、数据的管理与高级分析能力，以及新兴技术选择的判断力、迅捷开发水平、信息与网络安全状况。

白皮书中还提供一个在线的AI成熟度评估工具，由微软跟安永共同研发，可以帮助企业做快速的诊断和评估，看看自己在AI应用成熟度方面的优势和差距到底在哪，根据所处阶段提供合适的工具。

在 AI 落地过程中，企业储备相关人才很重要。

国内很多企业或一些偏传统的企业虽然没有这么多高级数据或者 AI 人才的储备，但并不缺乏能够进行 AI 基础落地的技术人才。

尤其在深度学习得到广泛推广和普及的当下，博士生、硕士生甚至很多本科生都可以用 Python 工具包来建立模型。

那么，我们缺什么？缺的是具备 AI 思维、真正地懂 AI 的语言的人。 

其实大部分的企业场景下，都是工程师、科学家讲一套语言，而业务负责人讲另外一套语言，相互之间没有一个很好地交流的通道。这种状态下，AI 是没办法落地的。

所以，AI 落地中关键需要加大对企业老板或者业务负责人，甚至包括部分一线业务负责人在 AI 思维上的提升和教育。

当这些人真正地理解这样一个框架和 AI 数据思维的闭环逻辑的话，再进行 AI 落地就会顺利很多。

构建学习型组织也很重要。

一个学习型组织，它会自上而下的，从最高层开始重视学习和知识资产的积累，重视不断的企业和员工的自我提升与改造。在这样一种氛围下，会有更好的土壤和氛围接纳AI和其它的一些创新的新兴科技。

这点不论是对企业，还是个人的思维模式的转变而言，都有一定的借鉴和启发意义。

扫描二维码

查看活动精彩回顾

关注公众号：拾黑（shiheibook）了解更多

[广告]赞助链接：

四季很好，只要有你，文娱排行榜：https://www.yaopaiming.com/
让资讯触达的更精准有趣：https://www.0xu.cn/