人工智能和机器学习将开始作出更多的决策。它们可能还不会在近期被用于做出“重大”决策，例如，是否对商品征收25%的关税，是否开始与合作伙伴进行贸易战，等等。
你在Excel中几乎所有的操作，以及梳理、编码或者排序等操作，都是一种很好的聚类、分类和学习排序问题。任何可以归纳为一组可预测值的问题都是很好的机器学习问题。任何可以归纳为经历过的，“寻找”过的模式、形状或者对象的问题，都是很好的深度学习问题。
业务领域也充斥着这些问题。就像这个世界处理器取代了打字机一样，人工智能很快就会取代大批盯着Excel的办公室工作人员，甚至取代一些分析师。
企业面对这种变革要做好准备。正如那些没有准备好网络和电子商务的企业最终会落伍一样，那些不适应人工智能和机器学习的企业也会陷入困境。如果不关注所处理的大量数据和所做出的决策，而是问：“自动化之后我是不是就能实现最后一英里？”，或者，由于不能“实时”做出决策而获得优势，转而去关注一些自己不擅长的东西——那么，你的企业很可能在几年内就会宣布倒闭。
面对变革，在可以开始业务转型之前，要处理好五个先决条件。企业需要制定好战略，从这五个先决条件开始，在整个企业中推广人工智能。
人工智能的第一个先决条件：培训
企业里的每一名员工不可能都成为数据科学家。而且，有些数学运算速度太快了，以至于我们普通人无法理解——人们这星期还认为是最有效的某种算法过一星期就未必适用了。
然而，一些基本的东西是不会改变的。企业的每名员工都应该掌握机器学习的一些基本功能，尤其是开发人员：
·聚类：将事物分组。·分类：将事物分类，并进行标记。
·线性预测：如果能画出一条直线，就可以预测它的值是多少。
·方差预测：无论是流动风险，还是振动或者功率尖峰，如果有一组落在某一范围内的数值，就可以预测某一天的方差是多少。
·分类/排序/优先级：我说的不是简单的东西。无论是为了搜索还是进行优先级排序，以便指导销售部门或者支持人员下一步的工作，这些都是可以处理的。
·模式识别：不管是形状、声音，还是一组数值或者事件，计算机都能学会找到它。
关键点在于有一批人，他们可以根据人们的技能水平进行简化。开发人员可能对具体的算法或者技术感兴趣，但分析师和管理人员应该了解基本业务问题和计算机技术。管理人员不一定需要知道聚类是怎样工作的，但他们确实应能够识别出“看起来像”聚类的问题。
最后，由于功能在不断扩展，因此，企业应该定期更新培训，至少每年进行一次。
人工智能的第二个先决条件：组件化
最近在组件化方面的一些工具是数据科学家的“笔记本（notebooks）”；很多其他工具都是从中衍生出来的。对于数据科学家及其合作者而言，这是非常好的工具。
问题是，当涉及到产品的时候，会带来不好的做法。分类算法的界面看起来与所有其他算法的大致相同。某种分类算法的实现不会随着业务问题而改变。
正如很多企业必须弄清楚怎样表示一名客户一样（并不是每一系统针对每个业务问题提供完全不同的表示），算法也是同样的。这并不是说你想出了一个真正的聚类算法，而组件化实现的却是完全不同的东西。
人工智能的第三个先决条件：系统化
尽管如此，大多数系统看起来还是一样的。有一些过程把数据送入算法中，而一些过程则执行算法，还需要存放输出结果的地方。如果针对每一种算法反复定制设计所有这些东西，那就是在浪费时间和金钱——给自己造成更大的问题。就像SOA改变了很多企业部署应用软件一样，在部署人工智能的过程中也需要类似的技术。
你不需要运行大量定制的Spark集群，到处部署定制“笔记本”和定制开发的ETL过程。不管业务问题如何，企业确实需要能够完成繁重工作的人工智能系统。
人工智能的第四个先决条件：AI/UI组件化
在后端提供RESTful服务的JavaScript/WebUI环境中，很多UI应该能混合使用人工智能组件。无论是基于用户行为的推荐者，还是完全虚拟的助理，企业都应该构建包含人工智能功能的UI库，这些功能可以方便地嵌入到业务应用程序中。
人工智能的第五个先决条件：配置
没有数据，所有这一切都不起作用。我们不应该再回到过去，去创建大量臃肿的数据，那样的话，我们只是收集了一堆HDFS垃圾，希望总有一天会产生价值——正如一些厂商敦促你去做的那样。相反，让我们看看应该配置什么。
如果你身处制造业，有一些简单的出发点：任何手动进行操作的人都是在浪费时间。即使是在销售和营销领域，都有电子邮件和手机——可以自动从这些数据中收集显然非常有用的数据。与其让那些喋喋不休的销售人员去完成他们的数据录入，何不让系统自己去做呢？
人工智能策略
总的来说，这五个关键的先决条件是：
·在整个企业中传播人工智能知识。
·每个人都应该了解机器能够独立完成的日常工作。
·为企业的人工智能构建系统和组件。
·构建AI/UI混合结构，方便地把人工智能添加到业务应用中。
·配置系统来收集企业所需要的数据，并将其送入算法，为企业做出决定。
如果能把这些先决条件放在一起，剩下的就应该是从信息时代过渡到洞察时代了。
AndrewC.Oliver是企业搜索解决方案提供商LucidWorks公司的技术支持经理。
原文网址
https://www.infoworld/article/3267900/artificialintelligence/how-to-getstarted-with-ai-before-its-too-late.html