企業(yè)需要充分利用人工智能

李榮

人工智能這一術(shù)語如今似乎無處不在，這在行業(yè)市場的中造成一些混亂，甚至可能讓技術(shù)決策者感到困惑。

人工智能到底是什么？一個常見的定義是“在機器中模擬人類的智能，這些機器被編程為像人類一樣思考并模仿人類的行為”。人工智能系統(tǒng)可以看作具有能表現(xiàn)出與人類思維相關(guān)特征并具備學(xué)習(xí)和解決問題能力的任何系統(tǒng)。

具有人工智能功能的技術(shù)、產(chǎn)品和服務(wù)可以為組織帶來巨大的好處，包括：提高效率、實現(xiàn)人工流程的自動化、增強決策能力、改善客戶服務(wù)和體驗以及解決復(fù)雜問題等。

但是，IT和業(yè)務(wù)領(lǐng)導(dǎo)者必須善于將炒作與現(xiàn)實區(qū)分開。正如研究機構(gòu)Gartner公司指出的那樣，許多組織都在努力為人工智能賦予現(xiàn)實價值。組織領(lǐng)導(dǎo)者往往高估了人工智能技術(shù)的影響，而低估了其復(fù)雜性。

該公司在2020年初發(fā)布了一份組織采用人工智能的報告，該報告基于對來自美國、德國和英國的600多名各組織高級管理人員的調(diào)查。報告表明，1/3以上的受訪者表示已經(jīng)部署并使用了人工智能，超過一半的受訪者表示計劃在一年之內(nèi)部署人工智能，約1/3的受訪者表示計劃在2年內(nèi)部署人工智能。

該報告稱，組織平均需要9個月的時間才能開發(fā)出從原型到生產(chǎn)的人工智能計劃。盡管人工智能技術(shù)人才的普遍短缺，但人才的缺乏并不是成功部署人工智能的主要障礙，人工智能成功應(yīng)用的主要限制因素是缺乏明確的結(jié)果。

制定策略

Gartner公司的調(diào)查報告指出，組織還面臨著涉及集成、安全性和隱私問題的挑戰(zhàn)，這些挑戰(zhàn)使他們無法有效地將人工智能實踐從原型轉(zhuǎn)移到生產(chǎn)中，這就是人工智能工程可以發(fā)揮關(guān)鍵作用的地方。

卡內(nèi)基梅隆大學(xué)軟件工程研究所（SEI）新興技術(shù)中心主任、美國國家人工智能工程計劃負責(zé)人Matt Gaston說：“人工智能工程是設(shè)計、構(gòu)建、測試、部署、操作和發(fā)展可靠智能系統(tǒng)的過程、工具和最佳實踐。人工智能本身就是關(guān)于創(chuàng)造智能模型或能力的特定人工智能技術(shù)，例如機器學(xué)習(xí)。人工智能工程將這些智能模型或功能轉(zhuǎn)變?yōu)楣δ苋娴南到y(tǒng)，以提供業(yè)務(wù)、運營或任務(wù)解決方案。”

Gartner公司副總裁兼分析師Erick Brethenoux表示，人工智能工程將組織中的各個學(xué)科整合在一起，為實現(xiàn)多種人工智能技術(shù)的組合提供了一條實現(xiàn)價值的更清晰途徑，并將人工智能工程列為2021年最具戰(zhàn)略意義的技術(shù)趨勢之一。

與客戶合作采用人工智能工程策略的Brethenoux表示，穩(wěn)健的人工智能工程策略將促進人工智能模型的性能、可擴展性、可解釋性和可靠性，同時實現(xiàn)人工智能投資的全部價值。他說：“人工智能工程包括將人工智能投入生產(chǎn)的方法、最佳實踐、能力和技術(shù)，可以管理和監(jiān)控的人工智能應(yīng)用。”

Brethenoux指出，通常可以將人工智能分為2個主要周期：第1個周期是根據(jù)應(yīng)用程序類型開發(fā)和訓(xùn)練機器學(xué)習(xí)模型，例如基于規(guī)則的模型、優(yōu)化模型或自然語言處理模型。第2個周期是組織內(nèi)部模型的實施。

Brethenoux說：“一些組織在實施人工智能模型方面表現(xiàn)不佳，他們擅長開發(fā)模型，并開發(fā)了許多模型。但是使這些模型投入生產(chǎn)是困難的，我們需要一種將這些模型生產(chǎn)系統(tǒng)化的方法，這正是人工智能工程發(fā)揮重要作用的地方。”

Brethenoux表示，人工智能工程不應(yīng)該是為特定項目實施的非正式或臨時性工作。與其相反，它應(yīng)該在組織中正式化，以使其成為所有使用人工智能和機器學(xué)習(xí)的最佳實踐。

Gaston指出，“人工智能工程是一門新興學(xué)科，它將隨著時間的推移而發(fā)展壯大，并與我們在人工智能領(lǐng)域看到的快速創(chuàng)新保持同步。也就是說，組織正在使用人工智能工程來創(chuàng)建和維護包含人工智能技術(shù)的業(yè)務(wù)解決方案”。

這其中包括確保系統(tǒng)需求由業(yè)務(wù)需求驅(qū)動，為這些需求選擇適當(dāng)?shù)娜斯ぶ悄芗夹g(shù)、測試和監(jiān)控工具，以確保系統(tǒng)繼續(xù)按預(yù)期運行。隨著需求或運營環(huán)境的變化，流程和框架已經(jīng)到位，可以更新和發(fā)展人工智能系統(tǒng)。

主要組件

成功使用人工智能的關(guān)鍵之一是認識到進入運營階段不僅是技術(shù)問題，而且也是業(yè)務(wù)問題。Brethenoux說：“將人工智能投入生產(chǎn)時，組織必須與主題專家討論它們正在運行的應(yīng)用程序，人工智能的用例以及這些應(yīng)用程序如何為組織服務(wù)，還必須知道已建立的關(guān)鍵績效指標是否真的有效。”

Brethenoux表示，組織需要將業(yè)務(wù)用戶置于其人工智能工程實踐的核心，以確保人工智能交付組織所要實現(xiàn)的目標。

這并不是說技術(shù)不重要。人工智能團隊在選擇工具和技術(shù)時需要有敏銳的洞察力，以確保能夠?qū)崿F(xiàn)組織在人工智能方面的目標，且能夠輕松地與現(xiàn)有產(chǎn)品以及其他新的人工智能工具集成。

另一個重要的考慮因素是組織輸入模型的數(shù)據(jù)質(zhì)量，也就是數(shù)據(jù)來自哪里，它的可靠性如何？可以幫助組織提高數(shù)據(jù)質(zhì)量的一個相對較新的學(xué)科是DataOps。DataOps是數(shù)據(jù)分析團隊使用的一種自動化的、面向過程的方法，旨在通過敏捷方法來提高數(shù)據(jù)質(zhì)量，并縮短分析周期。

DataOps適用于從數(shù)據(jù)準備到報告的完整數(shù)據(jù)生命周期，并且它承認數(shù)據(jù)分析團隊和IT運營是相互聯(lián)系的。

希望利用人工智能的組織還需要具備適當(dāng)?shù)募寄埽渲邪ㄊ褂肞ython，R，Java，C ++等編程語言的經(jīng)驗，包括算法和數(shù)據(jù)庫的機器學(xué)習(xí)、數(shù)據(jù)科學(xué)神經(jīng)網(wǎng)絡(luò)架構(gòu)、概率和統(tǒng)計的應(yīng)用數(shù)學(xué)、機器人技術(shù)以及計算機視覺。從事人工智能項目的專業(yè)人士也需要軟技能，如良好地溝通協(xié)作能力、批判性思維和創(chuàng)造力。

Brethenoux表示，新興的相關(guān)技能之一是機器學(xué)習(xí)驗證。模型驗證是使用測試數(shù)據(jù)集評估經(jīng)過訓(xùn)練的模型，使用測試數(shù)據(jù)集的主要原因是測試訓(xùn)練模型的一般能力。他說：“這些人員將參與人工智能模型的整個生命周期，從數(shù)據(jù)的角度進行驗證，然后從開發(fā)的角度進行驗證，然后從操作的角度進行驗證。他們將評估使用這些模型所做的一切是否有效、合法以及技術(shù)上是否可行。”

獲得人工智能技能并不像許多組織認為的那么難，組織內(nèi)部需要擁有正確的人才發(fā)現(xiàn)計劃、適當(dāng)?shù)靥嵘寄芎徒逃龑嵺`以及外部人才組合，這是他們?nèi)〉贸晒λ枰囊磺小?/p>

人工智能的未來發(fā)展

Gaston表示，許多組織意識到人工智能可以通過多種方式提供真正的商業(yè)價值，并開始建立自己的數(shù)據(jù)科學(xué)、機器學(xué)習(xí)和人工智能團隊。

Gaston說：“雖然這些都是重要的第一步，但大多數(shù)數(shù)據(jù)科學(xué)或機器學(xué)習(xí)團隊的功能是在受嚴格控制的環(huán)境中使用數(shù)據(jù)生成模型。重要的是，組織必須從整體上著眼于如何實現(xiàn)、運營和維護用于業(yè)務(wù)解決方案的人工智能，并且它們需要為此帶來各種才能、思想和經(jīng)驗。”

組織無需制定人工智能工程策略即可推進人工智能項目。但是，如果這樣做的話，該技術(shù)獲得長期和全面成功的可能性將會受到限制，這是一個具有戰(zhàn)略性和強大功能的工具，不適合隨意使用。

Brethenoux說：“我認為這是解決人工智能問題的唯一途徑，如果不從事人工智能工程設(shè)計，那么只有約35 %～45 %的模型會找到他們的生產(chǎn)方式，因此，組織將會浪費其余的模型，并且每次都必須從頭開始。”

人工智能的主要問題之一將繼續(xù)從開發(fā)和培訓(xùn)階段過渡到運營/產(chǎn)品階段。如果組織不對人工智能采用結(jié)構(gòu)化、工程化的方法，這仍然是一個問題。

Brethenoux說：“那些在人工智能方面做得很好的組織正在更系統(tǒng)地完成這項工作，他們從中獲得了非常好的收益。我很想問，‘如果組織并沒有計劃實現(xiàn)運營目標，為什么還要采用人工智能呢？在此之前，這只是一個有趣的智力練習(xí)。當(dāng)組織部署人工智能時，它將成為一種經(jīng)濟優(yōu)勢。”

人工智能工程的基礎(chǔ)實踐

作為卡內(nèi)基梅隆大學(xué)一部分的聯(lián)邦資助的研發(fā)中心，其軟件工程研究所已為人工智能工程編寫了11項基礎(chǔ)實踐。這些是軟件工程、網(wǎng)絡(luò)安全和應(yīng)用人工智能領(lǐng)域的專家為IT和業(yè)務(wù)決策者提供的建議：

（1）確保組織存在應(yīng)該采用人工智能解決的問題。從定義明確的問題開始，了解組織要完成的工作和所需的結(jié)果，同時確保可以使用數(shù)據(jù)來實現(xiàn)這些結(jié)果。

（2）在組織的軟件工程團隊中包括各種主題專家，如數(shù)據(jù)科學(xué)家和數(shù)據(jù)架構(gòu)師。

（3）認真對待數(shù)據(jù)。數(shù)據(jù)接收、清理、保護、監(jiān)視和驗證對于設(shè)計成功的人工智能系統(tǒng)至關(guān)重要，它們需要大量的資源、時間和注意力。確保組織的流程考慮到環(huán)境的變化、可能的偏見和潛在的對抗性利用。

（4）根據(jù)組織需要模型執(zhí)行的操作而不是其流行程度來選擇機器學(xué)習(xí)算法。算法在幾個重要方面有所不同，其中包括它們可以解決的問題類型、輸出信息的詳細程度以及輸出和模型的可解釋性。組織需要選擇適合解決特定問題并滿足業(yè)務(wù)和工程需求的算法。

（5）通過部署集成的監(jiān)視和緩解策略來保護人工智能系統(tǒng)。軟件工程研究所的研究表明，人工智能系統(tǒng)的攻擊面正在擴大，而更廣泛的攻擊面又加劇了運營環(huán)境的脆弱性。通過進行持續(xù)的評估和驗證來應(yīng)對這一問題，還要考慮到新威脅的出現(xiàn)速度很快，這一點尤其重要。

（6）定義檢查點以說明恢復(fù)、可追溯性和決策依據(jù)的潛在需求。人工智能系統(tǒng)對輸入數(shù)據(jù)、訓(xùn)練數(shù)據(jù)和模型之間的依賴關(guān)系非常敏感。對任何一個系統(tǒng)的版本或特征的更改都可能影響其他系統(tǒng)。

（7）結(jié)合用戶體驗和交互，不斷驗證和發(fā)展模型。盡可能使用自動化的方法來獲取系統(tǒng)輸出的反饋并改進模型，監(jiān)控用戶體驗，盡早發(fā)現(xiàn)問題，還要考慮到用戶的偏見。

（8）為解釋輸出做好準備。軟件工程研究所的研究表明與其他大多數(shù)系統(tǒng)相比，人工智能輸出需要更多的解釋。人工智能系統(tǒng)引入的不確定性在某些情況下可能是不可接受的。結(jié)合機器學(xué)習(xí)組件也需要設(shè)計輸出的不確定性。

（9）實現(xiàn)可擴展或替換的松散耦合工具，以適應(yīng)不可避免的數(shù)據(jù)和模型更改。與傳統(tǒng)系統(tǒng)相比，人工智能系統(tǒng)組件之間的邊界惡化速度更快。

（10）組織在系統(tǒng)的整個生命周期中投入足夠的時間和專業(yè)知識來進行持續(xù)不斷的變化。很多組織的團隊嚴重低估了所需的資源。構(gòu)建人工智能系統(tǒng)最初需要更多的資源，這些資源需要迅速擴展，并且在系統(tǒng)的整個生命周期中都需要投入大量資源。

（11）將道德作為軟件設(shè)計和政策考慮的因素。評估人工智能系統(tǒng)的各個方面是否存在潛在的道德問題，并說明該系統(tǒng)各個方面的組織和社會價值，其內(nèi)容從數(shù)據(jù)收集到?jīng)Q策，再到績效和有效性的驗證與監(jiān)控。