人工智能已经落地。它通过一系列变革性用例展示了其全部潜力，例如超自动化，Gartner 去年将其确定为人工智能“大趋势”。然而，即使原型和项目着火，也只有不到一半的原型投入生产。拥有可衡量的 AI 投资回报率的就更少了。
值得庆幸的是，我们似乎已经克服了许多早期学习曲线。从团队之间的摩擦和脆弱的 IT 基础设施到难以捉摸的数据可用性和雄心勃勃的用例，胜利的所在更加清晰。如果机器学习第一轮是关于准确性的，那么机器学习第二轮是关于适用性的。
那就是“实用人工智能”。这是在整个组织中实施 AI 的一种谨慎方法，在未来 12 个月内，它已成为近一半 CIO 的优先事项。但要使这项努力成为核心竞争力，我们需要良好的习惯和正确的基础。
1. 确定您要解决的业务问题或效率低下的问题
这第一步可能是最重要的。虽然实用人工智能有数千个用例，但并非所有用例都能在投资回报率方面将其淘汰。为什么？有时，一个项目需要一个非常笨拙和复杂的数据集，以至于人工智能作为解决方案变得不切实际。
每个 AI 项目都必须有明确的目的或“为什么”。您应该能够概述该目的，无论是为了：
- 通过简化工作流程或流程来提高效率
- 加快流程并缩短上市时间
- 扩展能力或项目
- 消除某些任务
- 降低风险或提高准确性
自动化最常见的“原因”之一是从工作流程中删除低价值的任务，以便员工可以专注于更具战略意义的工作。例如，在数据管理中，DBA 可以完成繁琐的任务，例如使用 AI 进行工具化处理，并将他们的关键技能用于更有价值的工作。
另一个例子是处理非结构化数据的复杂性，例如处理图像和视频。在人工智能之前，处理和分析来自图像和视频的数据是一个耗时的手动过程。借助先进的神经网络，分析非结构化数据是 AI 的主要实用用例。
2. 确定要自动化的内容以及如何应用人工智能
您如何构建业务问题也可以使其非常适合或不适合人工智能。在 AI 的炒作高峰期，组织更有可能将大量 AI 概念证明扔在墙上，看看哪个会卡住。如今，我们更加了解它的实际机会。
在将“为什么”转化为“什么”时，了解 AI 的优势也很重要。为此，您需要将流程、工作流或任务分解为最小的组件。分配适合 AI 应用程序的任务，并将其余任务重新构建为简化的手动工作流程。
创建或实施模型的数据科学家可以确定如何最好地将 AI 和机器学习应用于您的问题。他们还将确定如何处理、操作、提取、过滤数据，然后应用第三方服务和深度学习框架来增强应用程序。虽然这可能非常简单，但您需要确保他们拥有支持他们选择的任何工具所需的基础设施跑道。
3. 让您的数据基础设施井然有序
您已经获得了最高管理层的支持，并且预算和团队已经排好队。但是你的基础设施呢？将伟大的人工智能想法付诸实践的底层基础设施必须能够处理大量数据。没有它，团队可能无法为这些应用程序注入创建 ROI 所需的数量或质量的数据。
具体而言，数据 存储需要能够支持非结构化数据的简化和整合。非结构化数据是与客户、员工和供应商进行数字交互的直接副作用。Pure Storage® FlashBlade ® 是一个统一的快速文件和对象 (UFFO) 存储平台，旨在满足现代数据的需求。FlashBlade 可以帮助您：
- 非结构化数据的整合。当您利用文本和图像进行分析和 AI 驱动的应用程序（例如在电子商务渠道上展示相关产品）时，您需要能够无缝处理这些通常笨重的非结构化数据的存储。
- 性能要求。性能在整个 AI 和分析范围内至关重要。机器学习和软件开发工作流需要快速存储。吞吐量要求高的应用程序需要更多，而 FlashBlade 的大规模并行架构非常适合满足这些应用程序的需求。
- 数据重用。分析-AI 连续体产生了跨应用程序重用数据的需求。在这些情况下，FlashBlade 可以充当中央存储库，而不是将数据复制到所有潜在的应用程序。
- 企业可以在一个专为 AI 项目设计的系统中获得存储和计算。解决方案如AIRI ®和FlashStack®为AI提供高性能，可现有的数据中心内运行的和谐架构优化的解决方案。将其视为 AI 数据中心的一个通用构建块，可以随时管理任何节点上的任何工作负载。
4. 正确分配团队角色和技能
雇佣数据科学家”似乎是这里的关键一步，但执行人工智能计划的人才只是成功等式的一小部分。是的，您需要合适的人选——但也需要合适的人员组合。
在将人工智能作为业务战略的组成部分方面效率最高的组织将混合角色的人工智能团队用于所有人工智能计划。这些组织坚信，将 AI 与业务计划相结合是一种交付价值的方式。团队的多样性以及他们的观点和见解如何被用于项目都是关键。
5. 从一开始就避免具有可见性和问责制的“影子 IT”
这些步骤是为了帮助您开始使用实用的 AI，但不要忘记它们也有助于确保投资回报率。
实现人工智能成功的正确基础是什么——尤其是在规模上？这是一种不会产生影子 IT 的方法。Shadow IT 描述了“锐意进取”的创业团队。它也发生在没有与更广泛的 IT 企业进行过多协商的情况下。这是可以理解的——IT 并不总是处于数据科学的驾驶室，反之亦然。他们并不总是拥有 AI 所需的 GPU 计算或基础设施，或者帮助他们真正提高工作效率的工作流程。这些通常避开 IT，所以他们一路构建了他们需要的东西，DIY 风格。
这有什么问题，尤其是在 AI 项目的投资回报率方面？它不是一个可扩展的基础。渴望在整个组织中扩展 AI 的高管将无法处理“创新孤岛”的拼凑。通过优化的互联技术，成功必须易于共享、复制和重复。否则，这些低效率会剥夺您的 AI 投资回报率。
- 确定反馈回路
衡量人工智能项目的财务或风险影响的组织比那些没有成功的组织更有可能成功。当 AI 能够自我学习以改进时，它的效果最佳——不会产生重大后果或收入损失。掌握衡量和报告的最高水平将有助于持续改进。识别改进机会不仅可以保护您的投资，还可以成倍增加您的成功。
您将如何量化投资回报率？您的“为什么”将决定此处的 KPI：是节省时间、避免错误还是增加收入？
Gartner 还指出了衡量在识别 AI 增长和规模机会方面的另一个好处。“采用指标使组织能够通过突出人工智能在某些领域的好处和风险来展示如何在整个企业中使用人工智能。例如，分析视频或图像的能力可能始于安全领域，但在一定程度上可以用于分析组织的品牌形象或了解客户对产品的反应。”
7. 要有耐心
许多组织从原型到生产平均需要 8.6 个月的时间 — 甚至无法保证他们将其投入生产。事实上，只有不到一半能够投入生产。设定切合实际的时间表并遵循这些步骤有助于确保您尽最大努力向前迈进，但请记住，人工智能的真正成功没有捷径可走。这一切的关键：解决非结构化数据的复杂性
我们已经知道传统 IT 解决方案太脆弱，无法支持许多 AI 计划。他们根本无法支持所需的速度和规模。但这还不是全部。大量非结构化数据将有助于实际人工智能项目的成功，存储解决方案也需要跟上。
对于许多没有人工智能的公司来说，管理文档和图像中的非结构化数据一直是并将继续是一场斗争。否则，处理这些数据将是手动且耗时的，无论是从发票中提取数据还是分析图像和视频。实用的人工智能解决方案可以弥补这一需求，但它们需要以高性能数据存储为基础，以简化和整合所有这些数据。