人工智能和機器學習經(jīng)過數(shù)十年的研究和開發(fā)，現(xiàn)在正進入企業(yè)的方方面面，涵蓋從聊天機器人到拖拉機，從金融市場到醫(yī)學研究等許多領域。但是，在將技術的小規(guī)模應用擴大到覆蓋全公司的大規(guī)模應用時，許多公司遇到了挑戰(zhàn)，幾個主要原因包括缺乏合適的數(shù)據(jù)、人才缺口、不明確的價值主張，以及對風險和責任的擔憂。
以下內(nèi)容來自由摩根大通委托并聯(lián)合制作的 MIT Technology Review Insights 報告，該報告基于對 300 名高管的調查問卷，以及對來自金融、醫(yī)療保艦學術界和技術領域的 7 位專家的采訪，列出了人工智能和機器學習部署過程中的驅動力和障礙。
報告的主要結論如下：
企業(yè)相信人工智能和機器學習，但很難在整個組織中擴展。絕大多數(shù)（93%）的受訪者表示，有幾個實驗性或正在使用的人工智能和機器學習項目，大公司相對部署的更多。
大多數(shù)受訪者（82%）表示，在未來 18 個月內(nèi)對機器學習投資將會增加，并將人工智能和機器學習與應收目標緊密聯(lián)系在一起。然而，如何擴展是一個主要挑戰(zhàn)，比如雇用懂技術的員工、找到合適的用例和顯示價值。
（來源：見水�。�
成功的部署需要人才和技能策略，面臨的挑戰(zhàn)遠不止于吸引核心數(shù)據(jù)科學家。公司需要混合型人才來指導人工智能和機器學習的設計、測試和治理，并需要制定員工戰(zhàn)略來確保所有用戶在技術開發(fā)中發(fā)揮作用。
為了打造競爭力，公司應該為員工提供明確的機會、晉升和影響，讓他們與眾不同。對于更多的員工而言，提高技能和參與度是支持人工智能和機器學習創(chuàng)新的關鍵。
卓越中心（CoE，Centers of excellence）為技術的廣泛部署提供了基礎，平衡了技術共享與定制解決方案之間的關系。具有成熟能力的公司，通常是較大的公司，傾向于在內(nèi)部開發(fā)系統(tǒng)。
CoE 提供了一個輪輻模型（hub-and-spoke model），通過跨部門的核心機器學習咨詢來開發(fā)可廣泛部署的解決方案以及定制工具。因此應該激勵機器學習團隊跟上快速發(fā)展的數(shù)據(jù)科學的發(fā)展。
人工智能和機器學習治理需要穩(wěn)健的模型操作，包括數(shù)據(jù)透明度和來源、監(jiān)管遠見和負責任的人工智能。同時使用多個自動化系統(tǒng)會給高級數(shù)據(jù)科學工具帶來更大的風險，如網(wǎng)絡安全問題、非法歧視和宏觀波動。目前，相關監(jiān)管機構和民間社會團體正在仔細審查影響公民和政府的人工智能，尤其是關注會產(chǎn)生系統(tǒng)性影響的部門。
整體來看，公司需要一個基于完整數(shù)據(jù)來源、風險評估、檢查和控制的負責任的人工智能戰(zhàn)略。這需要一些技術干預，例如人工智能和機器學習模型故障或風險的自動標記，以及社會、文化和其他業(yè)務改革。
