IBM 商業價值研究院的調研數據表明：

–積極采用AI的企業從四年前的26%增至2020年的44%（保守估算）。

–疫情期間，84%的企業表示對AI的關注度與以前差不多或高于以前的水平。

–受疫情影響，近1/3的企業計劃增加對AI的投資。

看到 AI 未來應用前景的并非 IBM 獨家。IDC 預測，2020年，全球總體 IT 支出會下降，但是 AI 支出卻有所增長，四年內支出將翻一番。然而，企業推進 AI 的進程卻十分艱難。再請看這樣一組數據：

90%的企業仍難以在整個組織范圍擴展 AI。

大約50% 的 AI項目無疾而終。

如何在企業內成功擴展 AI，充分發揮 AI 應有的價值？IBM 商業價值研究院最新報告《擴展AI的公認概念：從試驗變為工程原則》為你答疑解惑，指明出路。

AI 擴展失敗的三大原因

AI 的成功擴展是指項目從沙箱過渡到試點和最小可行產品 (MVP)，最終實現工業級商品化的整個歷程。

下圖展示了非常典型的企業 AI 計劃的軌跡。對處于 AI 采用早期階段的企業而言，將 AI 作為原則的緊迫感或許并不明顯，所以，企業常常深陷 AI 試點和概念證明階段而無法自拔，在一些看似讓人興奮但卻孤立的案例中零敲碎打地應用 AI，不斷嘗試卻沒有結果。

錯！

傳統低效的應用開發模式。模型開發工作在數據科學家的筆記本電腦上完成，統籌任務則使用自定義代碼和腳本人工臨時實施。最終結果是，數據團隊（科學家、工程師及其他人員）被迫沿用低效的工作方式。他們承受繁重的人工任務，比如將機器學習 (ML)模型移交給開發人員，以便最終在后者開發的應用中運行。這會減緩基于 ML 應用的交付速度，降低 AI 投資的業務回報。

錯！

在投入生產環境之前，AI 項目往往是像一個孤島，開發人員與利益相關方之間脫節。倘若不明確特定數據的擁有者和控制者，問題勢必會進一步加劇。

錯！

某些 AI 團隊相對較新，角色和職責仍不明確，上下級關系“紛繁復雜”，甚至在同一部門內也會采用各種不同的工具。哪怕是成熟團隊，也要與不同的群體和利益相關方進行互動。而要實現清晰精準的溝通無疑非常困難。

企業如何才能避免 AI 的低谷期，加快擴展 AI 的步伐，充分發揮 AI 應有的價值？

借助結構化方法避開 AI 低谷

眾所周知，AI 是一項復雜的多領域業務和技術創新，包含多個互連而且不斷變化的層面。任何一個方面都無法僅憑一己之力就確保將 AI 項目成功投入商業使用。這時候，普通的“變革管理”恐怕難以奏效。符合業務戰略的“鎮痛良方”也不行。哪怕久經考驗的“流程改進”甚至更前衛的“敏捷方法”也不足以解決問題 ― 無論整理多少西格碼和意大利面條圖，抑或組織數次討論和沖刺活動都無濟于事。

企業真正需要的是，徹底改變AI的角色：過去，人們將 AI 視為最新技術魔法的化身而敬而遠之，現在，必須將 AI 作為戰略能力融入到整個企業之中。

企業亟需停止匆忙實施的數據科學試驗，開始全面周密地采用 AI 技術― 將 AI 植根于業務戰略、創新活動和差異化競爭優勢之中；深度整合至不斷發展的業務運營模式和工作流程、組織架構和治理機制、數據架構和基礎架構乃至文化價值觀和道德規范之中。

我們建議企業采用更為嚴謹的結構化方法，即“AI 工程和運營”，它涵蓋四個高層級的重點領域，以及許多基本原則、流程和工具，用于指導 AI 計劃大規模投入生產運營。見下圖。

AI 工程和運營

設計

專為改善易用性而設計的人與 AI 互動體驗，配備標準工具集和方法，旨在提高 AI 項目實現價值的速度和質量標準。

部署

自動執行部署工作的框架，旨在提升效率和可審計性。

監控

技術和質量關鍵績效指標 (KPI) 和流程，定期進行衡量和對標。

嵌入

用于檢查模型中偏見的方法、AI 模型用于直觀呈現決策的工具以及更廣泛的企業道德準則

簡而言之，“AI 工程和運營”這種方法有助于企業建立重點明確的環境，以結構化方法引導項目從開發到生產的整個過程，切實發揮 AI 在生產領域的巨大潛力，最終實現商業效益。

RedHat：借助開源概念在軟件中應用AI

與所有典型的科技公司一樣，RedHat 很早就對 AI 和機器學習（ML）表現出極大的興趣，積極探索如何將這些技術應用于自己的產品和服務，為客戶帶來切實收益。

但大約四年前，一切都變了。從那時起，RedHat 開始重點研究如何將 AI 融入自己更廣泛的產品組合，確保實現互操作性，滿足客戶在容器和 Kubernetes 中運行 AI 和ML 工作負載的不斷增長的需求。

RedHat 加大了在自己的平臺上運行 AI 的力度，為 OpenData Hub 打下堅實基礎。OpenData Hub 是依托 AI 工程原則的元項目，將開源項目整合至實際解決方案之中，并由 AI 生態系統合作伙伴加以補充。開源社區可試驗并開發智能應用，既可避免高昂的成本，又能解決現代 ML 和 AI 軟件組合所帶來的復雜性。

為搭建業務架構和推行戰略，RedHat 成立了 AI 人才中心(CoE)。該組織經過擴充后，新成立了“早期部署工程團隊”，動員頂級數據科學家通過服務互動模型，為客戶提供創新成果和可觀價值。隨著工作的深入，他們增加了工程原則。運用 DevOps 和敏捷方法強化并規范企業的 AI 開發方法。

目前，RedHat 通過“開放創新實驗室”與客戶合作開展 AI/ML 項目，采用最先進的開源技術。例如：

–AICoE 幫助某汽車行業客戶開發了一個平臺，憑借可擴展的 ML 和大數據處理能力，更快速、更準確地進行駕駛模擬和數據分析。他們在短短三個月內就完成了平臺配置和創建。

–AICoE 為某醫療保健行業客戶打造了一個預測和治療優化平臺，實時收集和分析臨床數據并提醒看護者啟動早期護理。

RedHat 的經歷表明，開源技術依托結構化的 AI 方法獲得了新生。

構建 AI 能力之行動指南

盡管讓 AI 走出實驗室并全面投入生產環境絕非易事，但我們確定了一些關鍵行動供企業參考，以期加快擴展 AI 的步伐，切實發揮AI在生產領域的巨大潛力，最終實現商業效益。

針對資歷較淺的 AI 采用者（處在考慮/評估和試點 AI 階段的企業）的實踐方法：

開始行動：開發工作通常可分成“小塊”并行完成。

從小規模入手，但在設計中考慮到擴展。

采用工程原則：比如采用 DevOps 或其他軟件工程方法。

制定成功衡量標準：根據關鍵成功因素和重大風險確定指標，保證開放透明。

任命強有力的領導團隊。

針對資歷較深的 AI 采用者（處在實施、運行和優化 AI 階段的企業）的實踐方法：

制定AI 行動手冊。

持續記錄和改進。

監控模型- 持續監控AI模型的可解釋性、公平性和強健性。

大規模創新。

與生態系統合作伙伴合作。

關于 IBM 商業價值研究院

IBM 商業價值研究院 (IBV) 站在技術與商業的交匯點，將行業智庫、主要學者和主題專家的專業知識與全球研究和績效數據相結合，提供可信的業務洞察。IBV 思想領導力組合包括深度研究、對標分析、績效比較以及數據可視化，支持各地區、各行業以及采用各種技術的企業做出明智的業務決策。

責任編輯：lq