如何确定何时开始在组织中使用AI
来源：CPDA数据分析师网 / 作者：数据君 / 时间：2020-12-31
有关自动驾驶汽车，无人驾驶汽车的故事
对人工智能及其无处不在的宣传如此之多，以至于有时需要提醒一下人工智能的核心功能很重要，从理论上讲，人工智能可以完成所有这些事情，但是IT经理和AI面临的问题是，确定AI的成熟程度足以成功插入业务框架，以及成熟的AI与公司需要做什么之间是否存在匹配，已经有一些公司在成熟的AI和公司业务案例之间找到了成功的结合。
1、在呼叫中心中，AI可用于分析客户评论的情感内容，并实时告知呼叫中心座席客户情感以及如何地与特定客户打交道。
2、在银行业务中，AI会检测到异常的信用卡使用模式，并在欺诈发生之前发现欺诈行为。
3、诸如此类的业务案例巩固了AI在企业中的作用，并帮助减轻了焦虑，因为这些案例已得到证实，并且可以在生产中使用，同时如果您正在进行的AI研发具有如此巨大的前景，那就值得大胆创新，那就是尽早采用风险是值得的。
在仓库和配送中心中越来越多的操作正在使用机器人
而AI为自动执行仓库拣选和包装操作的机器提供了智能，与此同时像亚马逊这样的行业告诉我们，端到端仓库机器人自动化还需要至少十年的时间，尽管如此创新和“成为”的能力是如此引人注目，以至于风险值得承担。
重要的是您必须了解您的业务以及AI在现在和将来能够发挥作用的地方
然后您必须评估愿意为希望获得的收益承担的风险程度，如果您所在的企业中上层管理人员阅读并参加了有关AI的研讨会，但确实不了解，那么坚持传统的智慧，即从小规模开始并在我们已经知道AI可以正常工作的生产环境中实施AI ，前提是它们适合您的企业，在其他情况下，如果业务案例值得承担风险，并且您得到了AI供应商的大力支持，则可能值得冒险成为AI的早期采用者。
如何帮助数据科学家适应企业文化
学术生活与商业世界截然不同，帮助您的数据科学家了解他们的期望，我曾经看过一位大学数据科学家的采访，该科学家一直在一个项目团队工作了七年，一直在努力解决遗传学中的一个复杂问题，出结论无法通过研究得出答案，因此决定解散，理论研究和分析而不一定要取得有意义的结果是可以接受的。这也是为什么要培养数据科学家，以便他们可以适应更严格的结果方向和企业的实际应用的原因，这一点也很重要。
广义上的数据科学已经存在了很长时间
但是大数据项目的总体失败率，特别是（人工智能）项目的失误率仍然令人不安地很高，尽管进行了大肆宣传（例如，“数据是新的石油”），但企业仍未引用数据科学在以下方面的贡献：他们的底线，为什么数据科学家努力适应业务文化？企业本身并不了解数据科学学科是什么，数据科学家的来访背景以及如何使这些训练有素的数据工程师适应业务的运作和需求，许多数据科学家生活在大学拨款资助的环境中，这使他们能够从事高度理论化的项目，这些项目都与寻求答案有关，但不一定与寻找确定性解决方案有关，为什么客户似乎突然偏爱另一个品牌，或者为什么您的制成品突然出现更多故障。
公司还难以将数据科学家与他们现有的业务和IT员工整合在一起
通常现有的业务部门和IT与数据科学家之间的共同点很少，并且没有现有的工作流程可以帮助他们学习如何地协同工作，另一个问题是，企业并不总是确定在大数据项目中期望什么（什么时候）期望分析和结果，在大多数行业中都有成功的用例，但是公司仍然不了解数据科学或分析项目何时进展以及何时停滞。
如何帮助数据科学家适应
公司可以通过以下方式解决这些问题，从而提高数据科学性能，将数据科学家的思维定势于业务。使数据科学家适应业务的目标，需求和期望（这可能比大学研究环境中的要求更为严格）应该是要务，这些差异也应在工作面试中提出，因为它使求职者有机会决定是否要在业务环境中工作或解释他们对公司生活的熟悉程度，期望结果，并阐明这些期望，公司将比大学和研究机构更早地预期结果，应该为数据科学和分析项目设定时间表和预期结果期望，如果项目无法交付，则应进行审查并可能终止。
不要将数据科学当作孤岛
对人工智能及其无处不在的宣传如此之多，以至于有时需要提醒一下人工智能的核心功能很重要，从理论上讲，人工智能可以完成所有这些事情，但是IT经理和AI面临的问题是，确定AI的成熟程度足以成功插入业务框架，以及成熟的AI与公司需要做什么之间是否存在匹配，已经有一些公司在成熟的AI和公司业务案例之间找到了成功的结合。
1、在呼叫中心中，AI可用于分析客户评论的情感内容，并实时告知呼叫中心座席客户情感以及如何地与特定客户打交道。
2、在银行业务中，AI会检测到异常的信用卡使用模式，并在欺诈发生之前发现欺诈行为。
3、诸如此类的业务案例巩固了AI在企业中的作用，并帮助减轻了焦虑，因为这些案例已得到证实，并且可以在生产中使用，同时如果您正在进行的AI研发具有如此巨大的前景，那就值得大胆创新，那就是尽早采用风险是值得的。
在仓库和配送中心中越来越多的操作正在使用机器人
而AI为自动执行仓库拣选和包装操作的机器提供了智能，与此同时像亚马逊这样的行业告诉我们，端到端仓库机器人自动化还需要至少十年的时间，尽管如此创新和“成为”的能力是如此引人注目，以至于风险值得承担。
重要的是您必须了解您的业务以及AI在现在和将来能够发挥作用的地方
然后您必须评估愿意为希望获得的收益承担的风险程度，如果您所在的企业中上层管理人员阅读并参加了有关AI的研讨会，但确实不了解，那么坚持传统的智慧，即从小规模开始并在我们已经知道AI可以正常工作的生产环境中实施AI ，前提是它们适合您的企业，在其他情况下，如果业务案例值得承担风险，并且您得到了AI供应商的大力支持，则可能值得冒险成为AI的早期采用者。
如何帮助数据科学家适应企业文化
学术生活与商业世界截然不同，帮助您的数据科学家了解他们的期望，我曾经看过一位大学数据科学家的采访，该科学家一直在一个项目团队工作了七年，一直在努力解决遗传学中的一个复杂问题，出结论无法通过研究得出答案，因此决定解散，理论研究和分析而不一定要取得有意义的结果是可以接受的。这也是为什么要培养数据科学家，以便他们可以适应更严格的结果方向和企业的实际应用的原因，这一点也很重要。
广义上的数据科学已经存在了很长时间
但是大数据项目的总体失败率，特别是（人工智能）项目的失误率仍然令人不安地很高，尽管进行了大肆宣传（例如，“数据是新的石油”），但企业仍未引用数据科学在以下方面的贡献：他们的底线，为什么数据科学家努力适应业务文化？企业本身并不了解数据科学学科是什么，数据科学家的来访背景以及如何使这些训练有素的数据工程师适应业务的运作和需求，许多数据科学家生活在大学拨款资助的环境中，这使他们能够从事高度理论化的项目，这些项目都与寻求答案有关，但不一定与寻找确定性解决方案有关，为什么客户似乎突然偏爱另一个品牌，或者为什么您的制成品突然出现更多故障。
公司还难以将数据科学家与他们现有的业务和IT员工整合在一起
通常现有的业务部门和IT与数据科学家之间的共同点很少，并且没有现有的工作流程可以帮助他们学习如何地协同工作，另一个问题是，企业并不总是确定在大数据项目中期望什么（什么时候）期望分析和结果，在大多数行业中都有成功的用例，但是公司仍然不了解数据科学或分析项目何时进展以及何时停滞。
如何帮助数据科学家适应
公司可以通过以下方式解决这些问题，从而提高数据科学性能，将数据科学家的思维定势于业务。使数据科学家适应业务的目标，需求和期望（这可能比大学研究环境中的要求更为严格）应该是要务，这些差异也应在工作面试中提出，因为它使求职者有机会决定是否要在业务环境中工作或解释他们对公司生活的熟悉程度，期望结果，并阐明这些期望，公司将比大学和研究机构更早地预期结果，应该为数据科学和分析项目设定时间表和预期结果期望，如果项目无法交付，则应进行审查并可能终止。
不要将数据科学当作孤岛
当数据科学家与已经了解业务需求的业务人员和IT专业人员不断互动时，他们与业务保持同步，这鼓励了部门间的协作，有助于取得积极的业务成果，请记住数据科学不是IT，尽管企业对数据科学的需求将比大多数数据科学家所习惯的更为严格，但是对于企业而言，记住两者之间的差异仍然很重要，数据科学学科是对数据，分析和算法的交互式练习，直到结果达到95％的准确性为止，到达这一点并不总是可以预见的，挫折和失败都会同时出现，这就是人类和软件推理的本质。
京公网安备 11010502034401号
课程体系 
试听申请 
复听申请 
在线报名 
考试大纲 
考试报名 
准考证打印 
