AI进阶三步走：爬行、学步、奔跑

作者：Yasmeen Ahmad

对于传统行业的公司而言，第1个1亿用户的积累可能要花费一个世纪那么久。相比之下，互联网巨头的发展速度就要快的多。随着Google、Facebook等公司在10-20年间实现“超大规模增长”，他们为所有行业设立一个前所未有的标杆。

那么这种超级增长背后的商业模型是什么呢？我们发现算法是互联网行业里数十亿美元的独角兽，算法能比人类更快地实现变革和创新。

成功AI部署项目背后的新元素

但是针对传统的机器学习，无论是从数据工程还是讨论的角度考虑，都需要大量的时间；AI、尤其是深度学习技术能够让算法自身实现自动训练、测试和学习。而通过将传统的CPU技术转变为GPU技术，他们获得了更强大的计算能力、计算速度也提升了十倍。

丹麦银行利用AI进行欺诈监测

但并不是只有新应用和新兴业务才能从这些技术中获益。以丹麦银行为例，虽然数字化交易经历了爆发式的发展，但欺诈行为的复杂性也在提高，因此丹麦银行一直在努力应对这样的挑战。检测率低达40%，误报率达到99.5%的历史最高点，每一个月都会损失数千万欧元——丹麦银行清楚自己必须采取行动。因此，丹麦银行通过分析运营框架部署了创新AI模型，将欺诈检测率提升了60%，误报率下降到了50%，预防了数百万的欺诈损失。

但是丹麦银行和其他公司如何才能借助AI获得成功，经历AI进阶三步走最后和AI一起奔跑前行呢？

自动应用分析技术

那些关注于分析技术的成功的公司往往能让高级分析应用的价值驱动看起来很简单。可是事实是，兼具实用性和盈利能力的AI、机器学习和深度学习应用都是非常复杂的。只有为数不多的公司能够大规模地开展这一个个的流程。

那些真正投资于人工智能的公司正在创建框架，可以随时为任何分析师部署数百或数千个模型，以任何语言编写，以联合的业务数据视图运行。这一新兴的运营化分析学科正在将软件工程中建设好的DevOps和分析领域相结合。如果不能自动化的应用于分析中，那么任何创新模型注定都是无用的。

个性化推荐：Netflix平衡准确度与成本

再举一个Netflix的例子，通过推荐实现个性化是一项利润丰厚的业务，每年可以节约成本超过10亿美元。通过部署最好的算法，Netflix实现了用户的增长与留存，同时优化的产品目录的规模。但是，当Netflix斥百万巨资引进了最先进的推荐算法、希望以此来与Kaggle竞争时，他们并不能实现优势算法的生产化。Netflix个性化科学和工程团队反映：“我们评估了一些线下的新模型，但我们所观测到的准确度提高的水平并不能匹配我们为了把这些算法迁移到生产环境中所需要付出的努力。”

和Netflix一样，很多案例中公司都在最开始就把分析运营考虑在了项目中。分析运营框架对于成功的AI项目而言是必不可少的，它提供了数据和模型的版本控制、能够持续整合并自动测试的自动化工作流。没有这些环境，哪怕是最成熟的模型也无法投入生产。

并不是所有投资了AI的企业都跃迁成为了超大规模的明星企业。很多项目都还在初始阶段，很多公司都在努力应对挑战，努力适应全新的数据驱动、算法自动化的文化。这种文化要求在AI能够真正用于为整个企业带来价值之前，必须打下坚实的基础。

那么，在以流动、自发的方式运用AI技术，和AI一起奔跑时，企业应该记住些什么呢？

首先，不存在一项万能的技术，企业需要建立生态系统来获得可控的敏捷度：统一的数据架构是必须的，它能够轻松地获取、整合并灵活地运用多种形式、来源和复杂度的数据。而对于生态系统中的数据和技术而言，敏捷度和控制力的结合是必要的。在今天技术创新和变化的速度之下，要完全锁定一个IT环境是不可能的——新的技术总是几周或者几个月就引进又离开了，而不是以年为时间跨度。在这个充满变化的年代，考虑通过云端部署能够提供必要的灵活度，跟上技术进步的节奏。

其次，差异化的技能和人才对于成功的AI研发和部署也是必要的：为了完成成功的试点项目，将原型推动走向生产，一个团队中必须要有架构师、工程师、数据科学家、开发运营和自动化工程师、可视化专家、还要有业务专家的共同参与。但是，在没有妥善设计功能环境的情况下就聘请员工，长期以来会减少他们能够提供的价值。所以，企业必须为分析研发团队提供数据科学实验室以及自动化的环境，管理并监测分析产品，环境的治理和可靠程度会起到关键的作用。

最后：不要被落下！如今，通过AI和机器学习利用分析技术已经帮助带来了很多真正的业务便利，例如用户体验的优化、成本的缩减、建立交叉销售和资产优化的能力。那些从一个业务使用案例开始，逐渐将AI融合到运营中心的企业都在利用AI发展的趋势来推动价值。未来，让AI成为企业文化的关键要素将帮助企业顺利通过爬行、走路、跑步利用AI的三个阶段，进化成为未来的超大型企业。