如何大规模实现AI和机器学习

 
您已经听说了AI可以为当今企业带来的所有巨大好处。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，您的组织是否真的兑现了AI的承诺并带来了切实的业务收益?如果不是，那么您并不孤单;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，由无法在组织中扩展才华的巫师管理。”我们已经看到这种情况一次又一次地出现在从事AI项目的企业组织中：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，明确识别用例，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，细分，预测或推荐)以及将由谁使用。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，没有必要设置机器学习系统的数量并预测潜在客户的可保性。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。有效地组织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，还包括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，则该用例将需要大量的高质量，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，但是云并不是企业组织中大型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。这样一来，他们就可以利用自己在本地已构建的资源，同时利用公共云服务提供的敏捷性和弹性。在AI / ML工作负载中使用云原生技术(例如容器)还极大地提高了开发速度，同时允许灵活地“在任何地方构建和部署”。
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推移而下降。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。
在Hewlett Packard Enterprise(HPE)，我们拥有广泛的硬件，软件和专业知识组合，可为企业客户的AI之旅提供支持。我们为AI优化的云提供最全面的优势。借助HPE机器学习操作(HPE ML Ops)，我们为整个ML生命周期提供了一个安全的，基于交钥匙的基于容器的软件平台。借助HPE Pointnext咨询和咨询服务，我们将由一支由数据科学家和领域专家组成的专业团队来确保AI / ML项目取得成功。