AI 在未來五年內將是成功關鍵。組織高層們看到了 AI 提供的競爭差異化機會,並積極獵才、尋找最佳領導者帶來成功的結果。而 IT 領導者可以在提升 AI 專案成功率方面發揮積極的作用!
文/Isaac Sacolick‧譯/Frances
想要在業務影響力大、有顯著改善成效空間的區域獲得大勝的 CIO 們,應該好好審視一下目前手上的資料科學、機器學習(ML)和 AI 專案。
一份關於印度 AI 專案的 IDC 報告《IDC FutureScape:全球人工智慧預測 ─ 對印度的影響》指出,約三分之一的組織中有 30~49% 的 AI 專案失敗;另一份來自 Deloitte 的研究則將 50% 受訪者的組織在 AI 表現上,定位為新手或者是表現不佳。
不過,同一份研究也發現,94% 的受訪者認為 AI 在未來五年內將是成功關鍵。組織高層們看到了 AI 提供的競爭差異化機會,並積極獵才、尋找最佳領導者帶來成功的結果。
儘管 ML 和 AI 仍然是相對較新的實踐領域,不過,在這個領域進行持續地學習並逐步提高成熟度曲線的成果將令人期待。CIO、CDO 和資料科學家應該積極提升從試點至生產環境的 AI 專案數量。
資料科學團隊是否已為成功做好準備?
資料科學團隊正在發展的最佳營運手冊涵蓋了建立和測試機器學習模型的開發過程和技術。發展模型並非易事,資料科學家在清理和標記資料、選擇演算法、配置模型、設置基礎架構,以及驗證結果方面確實遇到了挑戰。
想要改善 AI 交付效能的領導者應該首先解決這個問題 ─ 資料科學家是否已為成功做好準備?他們正在解決的問題是否可以對業務成效帶來幫助?他們是否擁有機器學習平台、基礎架構存取權限,以及有時間持續訓練來提升他們的資料科學實踐?
CIO 和 CDO 應該領導模型營運(ModelOps),並監督生命週期
領導者可以審視並解決資料科學團隊在開發模型方面的困難。但要發布模型並確保成功,CIO 和 CDO 必須建立模型生命週期或「模型營運」(ModelOps)。ModelOps 類似於軟體開發生命週期(Software Development Lifecycle,SDLC),以模型開發、測試、發布和監控為中心。
生命週期是開始於模型開發之前,並需要教育業務領導者對他們在 AI 專案中負責的角色。它還需要規劃大規模基礎架構的步驟,制定符合法規和治理、訂定邊緣安全策略,並與受影響的相關團隊合作以確保成功的轉型。
[ 加入 CIO Taiwan 官方 LINE 與 Facebook ,與全球 CIO 同步獲取精華見解 ]
以下是一些需要考慮的因素:
1. 教育業務領導人關於他們在 ML 專案中的角色
業務領導人是否定義了實際的成功標準和低風險實驗區域?他們是否參與試點並提供意見回饋?他們是否準備好用機器學習能力來轉變業務流程,或者他們會在首次遇到困難時減緩投資?
2. 在開發模型時,多方考量建置、購買或合作
有時,開發專有模型是有意義的,但也要評估像是推薦引擎或語音 AI SDK 這樣的框架。
3. 對於生產環境基礎架構需求提前思考
用於開發模型的實驗室基礎架構,以及驗證 AI 功能所需的較低規模,可能不是最佳的生產環境基礎架構。例如:影響人類安全的醫療保健、智慧建築和工業應用,可能需要邊緣或嵌入式運算的選項,來確保可靠性和效能。
4. 規劃大規模的 AI 邊緣應用
當有數以千計的物聯網設備時,就有機會在這些設備上運行 AI 應用程式。例如,包括運送卡車、建築工具和農業設備在內的車隊,可以使用設備部署的 AI 應用,提供即時反應意見給他們的操作人員,以提高生產力和安全性。一個能將應用部署到設備、支援通訊並提供監控能力的邊緣管理解決方案是關鍵。
5. 建立 MLOps、ModelOps,以及基礎架構監控能力
資料科學團隊將需要 MLOps 來自動化生產線路,同時合規性應該要求 ModelOps 並期望模型更新以解決模型漂移。基礎架構和營運團隊將希望有監控來幫助他們審查雲端基礎架構的成本、性能和可靠性。
IT 團隊不只是部署應用程式。他們參與規劃以實現業務成果,然後實施 DevOps 以確保交付和持續改進。將類似的實踐應用於資料科學、機器學習和 AI 將會提高成功的試點和生產環境交付。
(本文授權非營利轉載,請註明出處:CIO Taiwan)