人工智能（AI）是一個公認的常用詞匯。但是，在不同情況下它意味著不同的事物–因此，定義它可能很棘手。雖然大多數(shù)人將AI本身視為一種技術(shù)，但實際上，它實際上是一個通用術(shù)語，用于指代使系統(tǒng)能夠智能運行的多種不同技術(shù)。

在業(yè)務應用程序方面，人工智能可以通過幫助系統(tǒng)感知，理解，執(zhí)行和學習來支持智能功能。通過使用機器學習或深度學習來訓練系統(tǒng)，系統(tǒng)可以通過分析數(shù)據(jù)來評估如何在每種情況下采取行動，而不是依賴于規(guī)定性的硬編碼動作。由此產(chǎn)生的敏捷性和響應能力意味著質(zhì)量，準確性和整體性能得到了顯著改善–這就是使該系統(tǒng)真正智能化的原因。

在當前的氣候和不確定的時代中，幾家企業(yè)正在研究如何快速適應并加速其數(shù)字化轉(zhuǎn)型戰(zhàn)略。隨著遠程協(xié)作，業(yè)務敏捷性和自主生產(chǎn)對其業(yè)務連續(xù)性的重要性變得越來越重要– AI的重要性已成為許多高管的首要考慮因素。

機器學習的重要性

AI與其他自動化技術(shù)的不同之處在于其學習和適應能力。在工業(yè)環(huán)境中，人工智能系統(tǒng)可以通過顯著減少手動勞動來對業(yè)務績效產(chǎn)生重大影響：快速識別大量數(shù)據(jù)中的模式，并從結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)集中分析和提取特征。最重要的是，它可以從這些任務中學習并隨著時間的推移而改進。

機器學習可以通過多種方式執(zhí)行：監(jiān)督學習，無監(jiān)督學習和強化學習。監(jiān)督學習使用預先組織的訓練數(shù)據(jù)和來自人類的反饋來學習給定輸入與給定輸出的關(guān)系。如果輸入數(shù)據(jù)和預測的行為類型已經(jīng)分類，則該方法很有用，但是該算法需要應用于多個不同的數(shù)據(jù)集。無監(jiān)督學習不需要數(shù)據(jù)中的任何預定義標簽-無需預先標識輸出變量，并且該算法可以分析輸入數(shù)據(jù)以查找模式并進行分類。強化學習使系統(tǒng)能夠通過反復試驗學習執(zhí)行任務。本質(zhì)上，這種方法是基于獎勵和懲罰的，其總體目標是在收到的針對其行為的反饋中獲得最大的回報，并最大限度地減少懲罰。當沒有太多的訓練數(shù)據(jù)要使用，難以確定期望的結(jié)果并且這是與數(shù)據(jù)進行交互和從中學習的唯一真實方法時，這種方法特別有用。

企業(yè)AI的原因，內(nèi)容和方式

在一個日益數(shù)字化的世界中，組織正在尋求AI進行革新，而不僅僅是其技術(shù)：它正在重新定義整個業(yè)務流程。從開創(chuàng)性創(chuàng)新到日常客戶服務，人工智能正在改變業(yè)務格局，定義這種范式轉(zhuǎn)變是理解企業(yè)人工智能的關(guān)鍵。Paul R. Daugherty和H. James Wilson在《人與機器：重新想象AI時代的工作》一書中引入的范式“ AI的星座”就是這樣一種框架，可以用來解釋AI在以下方面的應用：企業(yè)級。

使用此框架，可以從三個層次上查看企業(yè)AI。第一層標識“為什么”和“什么” –使用數(shù)據(jù)為利益相關(guān)者提供更大價值的業(yè)務應用程序。第二層確定可以利用的AI功能套件來為業(yè)務應用程序提供動力。第三級研究“方法”-哪種機器學習方法可以提供預先確定的AI功能。