AI的实施
推动公司的发展
在2019年3月，一名枪手在新西兰的两座清真寺中用Facebook进行直播，残忍地*害了50人。这个视频被观看了大约4,000次，直到袭击发生后29分钟才被关闭。然后，这段视频被上传到其他平台，被观看了数百万次。
是的，这是AI如何在可怕的情况下失败的鲜明例子。
在一篇博客文章中，Facebook的产品管理副总裁盖·罗森（Guy Rosen）指出：
AI系统基于“训练数据”，这意味着您需要成千上万个关于内容的示例，以训练一个可以检测特定类型的文本、图像或视频的系统。这种方法在领域如裸露、恐怖分子宣传和图像暴力等方面表现非常出色，因为这些领域有大量的示例可以用来训练我们的系统。然而，这个特定的视频没有触发我们的自动检测系统。要实现这一点，我们需要向我们的系统提供大量这种特定类型内容的数据，但由于这些事件幸好很少发生，这是困难的。另一个挑战是自动从外观上类似但无害的内容中区分这些内容，例如，如果我们的系统标记了来自直播视频游戏的成千上万个视频，我们的审阅员可能会错过那些重要的现实世界视频，我们可以通过这些视频向急救人员发出求助信号。
当然，这是一个关于技术不足的重要教训，该公司表示承诺不断改进其系统。但Facebook的案例也突显出，即使是最技术先进的公司也面临着重大挑战。这就是为什么在实施AI时，需要有坚实的计划，以及要理解必然会出现问题。但对公司的高级管理人员来说，他们面临着要从这项技术中获取结果的压力。
在本章中，我们将看一些AI实施的最佳实践。
实施人工智能的方法
在公司中使用人工智能通常涉及两种方法：使用供应商提供的软件或创建内部模型。第一种方法是最常见的，对许多公司来说可能已经足够。具有讽刺意味的是，您可能已经在使用来自Salesforce.com、Microsoft、Google、Workday、Adobe或SAP等公司的软件，这些软件已经具备强大的人工智能功能。换句话说，一个很好的方法是确保充分利用这些功能。
要了解可用的功能，可以看看Salesforce.com的Einstein，它于2016年9月推出。这个人工智能系统已经无缝嵌入到主要的CRM（客户关系管理）平台中，可以实现更具预测性和个性化的销售、服务、营销和商务行动。Salesforce.com将Einstein称为“个人数据科学家”，因为它非常易于使用，例如通过拖放来创建工作流程。其中一些功能包括以下内容：
? 预测评分：显示潜在客户转化为机会的可能性。
? 情感分析：通过分析社交媒体来了解人们如何看待您的品牌和产品。
? 智能推荐：Einstein分析数据，显示哪些产品最适合潜在客户。
然而，尽管这些预构建的功能使使用人工智能变得更加容易，仍然存在潜在问题。Zoho的客户体验传道者Ricky Thakrar说：“在过去几年里，我们一直在我们的应用程序中构建人工智能功能，这是一次很好的学习经验。但要使技术发挥作用，用户必须正确使用软件。如果销售人员没有正确输入信息，那么结果可能会偏离预期。我们还发现，模型需要至少三个月的使用时间才能进行训练。此外，即使您的员工做得很正确，也不代表人工智能的预测会完美无缺。始终持怀疑态度。”
至于构建自己的人工智能模型，对于公司来说，这是一个重大承诺。这也是我们将在本章中讨论的内容。
但无论采取何种方法，人工智能的实施和使用都应该从教育和培训开始。无论员工是非技术人员还是软件工程师，都必须首先对这项技术有核心的理解，才能使人工智能在组织中取得成功。是的，这本书会有所帮助，但还有许多在线资源可以提供帮助，例如来自Lynda、Udacity和Udemy等培训平台。它们提供了许多关于人工智能各个方面的高质量课程。
为了让您了解企业培训计划的样貌，可以考虑Adobe。尽管公司有非常出色的工程师，但仍然有很多人在人工智能领域没有背景。其中一些人可能在学校或工作中没有专门研究这个领域。然而，Adobe希望确保所有工程师都对人工智能的核心原理有扎实的理解。为此，该公司开展了为期六个月的认证项目，于2018年培训了5000名工程师。其目标是激发每位工程师内心的数据科学家。
该项目既包括在线课程，也包括面对面的培训，不仅涵盖技术领域，还包括战略和伦理等领域。Adobe还提供了高级计算机科学家的帮助，以协助学生掌握这些主题。
接下来，在实施过程的早期，思考潜在的风险是至关重要的。也许最具威胁的一个因素是偏见，因为它很容易渗透到人工智能模型中。
一个例子是亚马逊公司，该公司在2017年关闭了其由人工智能驱动的招聘软件。主要问题在于该软件在招聘男性方面存在偏见。有趣的是，这是一个经典的模型训练问题。考虑到大多数简历是由男性提交的，因此数据出现了偏斜。亚马逊甚至尝试过调整模型，但结果仍然远未达到性别中立。
在这种情况下，问题不仅仅在于基于错误前提做出决策。亚马逊还可能使自己面临潜在的法律责任，如歧视性索赔。
鉴于人工智能存在的棘手问题，越来越多的公司正在建立伦理委员会。但即使如此，这也可能充满问题。嘿，对于一个人来说可能是道德的，对于另一个人来说可能不是什么大不了的，对吧？当然。
例如，Google在其伦理委员会成立约一周后就解散了该委员会。似乎主要原因是因为包括来自传统保守智库"Heritage Foundation"的成员而引发的反弹。
人工智能实施的步骤
如果您计划实施自己的人工智能模型，应考虑哪些主要步骤？有哪些最佳实践？首先，非常重要的是，您的数据必须相当干净，并且以一种有助于建模的方式进行结构化处理。
以下是一些要考虑的其他步骤：
? 确定要解决的问题。
? 组建一个强大的团队。
? 选择正确的工具和平台。
? 创建人工智能模型（如之前文章中所描述的）。
? 部署和监控AI系统。
让我们看看每一步。
确定要解决的问题
成立于1976年的HCL Technologies是全球最大的IT咨询公司之一，拥有来自44个国家的13.2万名员工，并有一半的《财富500强》企业作为客户。该公司还实施了大量的人工智能系统。
以下是HCL Technologies的首席技术官Kalyan Kumar的观点：
业务领导者需要理解并认识到采用人工智能是一个过程，而不是一次性的冲刺。企业内部推动人工智能采用的人员必须对时间表和人工智能的能力保持现实。人与人工智能之间的关系是相互增强的，任何人工智能实施可能需要一些时间，才会开始产生积极而重大的影响。
这是非常有价值的建议。因此，特别是对于刚刚开始人工智能之旅的公司，采用实验性方法非常重要。将其视为制定试点计划，也就是您正处于“爬行和行走阶段”。
但在进行人工智能实施过程时，通常会过于专注于不同的技术，这些技术确实令人着迷且强大。然而，成功远不仅仅是技术；换句话说，必须首先有明确的业务案例。因此，在刚开始时，有一些需要考虑的领域：
? 毫无疑问，公司中的决策通常是临时和靠猜测的！但通过人工智能，您有机会使用数据驱动的决策制定，这应该具有更高的准确性。然后，在您的组织中，哪些地方可以获得最大的效益？
? 正如我们在之前所介绍的机器人流程自动化（RPA）一样，人工智能在处理重复和单调的任务时可以非常有效。
? 聊天机器人可以是另一种开始使用人工智能的方式。它们相对容易设置，可以满足特定的用例，如客户服务。
安德鲁·吴（Andrew Ng）是Landing AI的首席执行官，曾任Google Brain主管，他提出了一些方法，供您在确定初期人工智能项目的关注重点时进行思考：
? 快速胜利：项目应在6到12个月内完成，并且必须有很高的成功概率，这有助于为更多的倡议提供动力。安德鲁建议有几个项目，因为这增加了获得胜利的几率。
? 有意义：一个项目不必具有变革性。但它应该能够以显著的方式帮助改善公司，为额外的人工智能投资创造更多的支持。价值通常来自降低成本、增加收入、找到业务的新扩展或减轻风险。
? 行业特定重点：这一点至关重要，因为一个成功的项目将是增加支持的另一个因素。因此，如果您的公司销售订阅服务，那么开始减少流失的人工智能系统将是一个不错的起点。
? 数据：不要根据您拥有的数据量来限制选择。安德鲁指出，一个成功的人工智能项目可能只有100个数据点。但数据仍然必须具有高质量且相对干净。
在考虑这个阶段时，值得评估员工和机器之间的“协作关系”。请记住，这通常被忽视，可能对人工智能项目产生不利影响。正如我们在本书中所看到的，人工智能在以极高的速度处理大量数据方面表现出色，几乎没有错误。该技术还擅长预测和检测异常。但有些任务人类做得更好，比如创造性工作、抽象思维和理解概念。
请注意以下来自Cobalt Robotics联合创始人兼首席技术官Erik Schluntz的例子：
我们的安全机器人在工作场所和校园环境中检测异常事件方面表现出色，例如通过AI支持的热成像技术在黑暗办公室中发现人员。但我们的一名人员随后会介入，决定如何应对。即使在所有人工智能的潜力中，当与不断变化的环境因素和人类的不可预测性相对立时，它仍然不是最佳的关键任务选择。考虑不同情况下人工智能犯错的严重性，未能检测到恶意入侵者远比错误地向我们的运营人员发出虚假警报更糟糕。
接下来，请确保您明确KPI并进行认真测量。例如，如果您正在为客户服务开发定制的聊天机器人，您可能会希望根据解决率和客户满意度等指标进行衡量。
最后，您需要进行IT评估。如果您的系统主要是传统的遗留系统，即使供应商提供API和集成，实施人工智能可能会更加困难和昂贵。这意味着您需要调整期望。
尽管如此，这些投资确实可以对老牌公司产生重大影响。以Symrise为例，该公司的历史可以追溯到德国200多年前。截至目前，该公司是全球香精和香料生产商，拥有超过30,000种产品。
几年前，Symrise在IBM的帮助下启动了一项重大倡议，利用人工智能来创造新的香水。该公司不仅需要重新调整其现有的IT基础设施，还需要花费大量时间来微调模型。但一个很大的帮助是它已经拥有大量的数据集，这使得更加精确成为可能。请注意，即使是化合物混合物中的轻微偏差也可能导致香水失败。
根据Symrise的Scent and Care总裁Achim Daub的说法：
现在，我们的调香师可以在AI学徒的协助下工作，AI学徒可以分析数千个配方和历史数据，以识别模式并预测新的组合，从而帮助他们更有生产力，通过指导他们使用以前从未见过的配方，加速设计过程。
组建一个强大的团队
对于一个人工智能项目，最初的团队规模应该有多大？也许一个好的指南是使用杰夫·贝佐斯的“两块披萨规则”。换句话说，这是否足够来养活参与的人员？
哦，组建团队不应该匆忙。每个人都必须高度专注于成功，理解项目的重要性。如果从人工智能项目中几乎没有什么可展示的，那么未来的计划可能会面临危机。
团队需要一位领导者，通常具有业务或运营背景，但也具备一些技术技能。这样的人应该能够确定人工智能项目的业务案例，同时将愿景传达给公司的多个利益相关者，如IT部门和高级管理层。
就技术人员而言，可能没有必要拥有人工智能博士学位。尽管这些人非常聪明，但他们通常主要关注领域内的创新，例如改进模型或创建新模型。这些技能通常对于人工智能试点项目来说并非必需。
相反，寻找那些具有软件工程或数据科学背景的人。然而，正如本章前面提到的，这些人可能没有很强的人工智能背景。因此，可能需要让他们花几个月的时间学习机器学习和深度学习的核心原理。还应该重点了解如何使用人工智能平台，如TensorFlow。
考虑到挑战，寻求顾问的帮助可能是一个不错的主意，他们可以帮助确定人工智能机会，同时提供建议，包括数据准备和模型开发。
由于人工智能试点项目将是实验性的，因此团队应该拥有愿意冒险和开放思维的人。如果没有，进展可能会非常困难。
选择正确的工具和平台
有许多用于创建人工智能模型的工具，其中大多数是开源的。尽管测试它们是一种不错的方法，但仍建议首先进行IT评估。通过这样做，您将更好地评估人工智能工具。
还有一点：您可能会意识到您的公司已经在使用多个人工智能工具和平台！这可能会引发整合和管理人工智能项目过程的问题。鉴于此，公司应该制定一种工具策略。将其视为您的人工智能工具堆栈。
好的，现在让我们来看一些用于人工智能的常见语言、平台和工具。
Python语言
Guido van Rossum，1982年毕业于阿姆斯特丹大学，获得数学和计算机科学硕士学位，随后在欧洲的各个研究机构工作，如国家研究倡议公司（CNRI）。但直到20世纪80年代末，他才创造了自己的计算机语言，名为Python。实际上，这个名字来自于英国著名的喜剧系列《蒙提·派森的飞行马戏团》。
因此，这种语言有点另类，但这使它非常强大。Python很快成为了人工智能开发的标准。
其中一部分原因是它的简单性。只需几行代码脚本，就可以创建复杂的模型，使用函数如filter、map和reduce。当然，这种语言也允许更复杂的编码。
Van Rossum开发Python时明确了自己的哲学原则：
美胜于丑。
明了胜于含蓄。
简单胜于复杂。
复杂胜于混乱。
扁平胜于嵌套。
疏而不密胜于紧密。
以下是其中的一些原则。
此外，Python还有一个优势，它在学术界得到了广泛发展，学术界有互联网的资源，有助于加速分发。但这也使全球范围内的生态系统得以形成，拥有数千种不同的人工智能包和库。以下只是其中一些：
? NumPy：这使科学计算应用成为可能。它的核心功能是高性能创建复杂的对象数组，对于AI模型的高端数据处理至关重要。
? Matplotlib：它允许绘制数据集。通常 Matplotlib 与 NumPy/Pandas（Pandas 是指“Python 数据分析库”）结合使用。该库使得为开发AI模型创建数据结构相对容易。
? SimpleAI：这是《人工智能：一种现代方法》一书中的AI算法的实现，该书由斯图尔特·拉塞尔和彼得·诺维格合著。该库不仅功能丰富，还提供了有用的资源来指导整个过程。
? PyBrain：这是一个模块化的机器学习库，使您可以轻松创建复杂的模型，包括神经网络和强化学习系统，而无需大量编码。
? Scikit-Learn：该库于2007年发布，具有深厚的功能，可以进行数据的回归、聚类和分类。
Python还有一个好处是有许多学习资源。在YouTube上快速搜索将显示数千个免费课程。
现在还有其他可以用于AI的坚实语言，如C 、C#和Java。虽然它们通常比Python更强大，但它们也更复杂。此外，在构建模型时，通常几乎不需要创建完整的应用程序。最后，还有专为高速AI计算机（带有GPU）构建的Python库，比如CUDA Python。
AI框架
有众多的AI框架，它们提供端到端的系统来构建模型、训练它们并部署它们。迄今为止，最流行的是由Google支持的TensorFlow。该公司于2011年开始通过其Google Brain部门开发这个框架。目标是找到一种更快地创建神经网络的方法，以便在许多Google应用程序中嵌入这项技术。
到2015年，Google决定开源TensorFlow，主要是因为公司希望加速AI的进展。毫无疑问，这正是发生的事情。通过开源TensorFlow，Google使其技术成为了开发的行业标准。该软件已被下载超过4100万次，有1800多名贡献者。事实上，TensorFlow Lite（用于嵌入式系统）正在超过20亿部移动设备上运行。
该平台的普及性导致了庞大的生态系统。这意味着有许多附加组件，如TensorFlow Federated（用于分散的数据）、TensorFlow Privacy、TensorFlow Probability、TensorFlow Agents（用于强化学习）和Mesh TensorFlow（用于大规模数据集）。
要使用TensorFlow，您可以选择各种语言来创建模型，如Swift、JavaScript和R。尽管大多数情况下，最常见的是Python。
在基本结构方面，TensorFlow将输入数据作为多维数组，也称为张量。有一个流程，由图表表示，数据通过系统流动。
当您输入命令到TensorFlow时，它们将使用复杂的C 内核进行处理。这可以实现更高的性能，这对于一些庞大的模型是至关重要的。
TensorFlow几乎可以用于AI的任何领域。以下是它支持的一些模型：
? 美国劳伦斯伯克利国家实验室的NERSC（National Energy Research Scientific Computing Center）研究人员创建了一个深度学习系统，以更好地预测极端天气。这是第一个突破了百亿亿次计算壁垒的模型。由于这一成就，研究人员获得了戈登·贝尔奖。
? Airbnb使用TensorFlow构建了一个模型，对数百万个房源照片进行分类，从而提高了客户体验并增加了转化率。
? 谷歌使用TensorFlow分析了来自NASA开普勒太空望远镜的数据。结果如何？通过训练神经网络，该模型发现了两颗系外行星。谷歌还向公众提供了代码。
谷歌一直在开发TensorFlow 2.0，其中一个关键重点是使API过程更加简单。还有一个叫做Datasets的东西，有助于简化为AI模型准备数据的过程。
那么还有哪些其他的AI框架呢？让我们来看一下：
PyTorch：由Facebook开发，于2016年发布。与TensorFlow一样，用于编程的主要语言是Python。虽然PyTorch仍处于早期阶段，但已被认为是在使用方面排名第二的TensorFlow。那么这个平台有什么不同之处呢？PyTorch具有更直观的界面。该平台还允许对图进行动态计算。这意味着您可以在运行时轻松更改模型，有助于加快开发速度。PyTorch还支持不同类型的后端CPU和GPU。
Keras：尽管TensorFlow和PyTorch适用于有经验的AI专家，但Keras适用于初学者。只需少量Python代码，您就可以创建神经网络。文档中指出：“Keras是为人类设计的API，而不是为机器设计的。它将用户体验放在首位。Keras遵循减少认知负荷的最佳实践：它提供一致和简单的API，最小化了常见用例所需的用户操作数量，并在用户出现错误时提供清晰和可操作的反馈。”还有一个只需30秒的“入门指南”！然而，简单并不意味着它不强大。事实是您可以使用Keras创建复杂的模型。例如，TensorFlow已将Keras集成到其自己的平台中。即使对于那些在AI方面是专家的人，该系统也可用于对模型进行初始实验。
随着AI的发展，还有一个常见的工具：Jupyter Notebook。它不是一个平台或开发工具。相反，Jupyter Notebook是一个Web应用程序，可以轻松使用Python和R进行编码，以创建可视化效果并导入AI系统。您还可以轻松地与其他人分享您的工作，类似于GitHub的做法。
在过去的几年中，还出现了一种新的AI工具类别，称为自动化机器学习或autoML。这些系统有助于处理数据准备和特征选择等过程。在大多数情况下，其目标是为那些没有经验的数据科学家和AI工程师的组织提供帮助。这一切都与“公民数据科学家”这一快速增长的趋势有关，即那些没有坚实技术背景的人仍然可以创建有用的模型。
自动机器学习（autoML）领域的一些参与者包括H2O.ai、DataRobot和SaaS。这些系统直观且使用拖放式操作轻松开发模型。毫不奇怪，像Facebook和Google这样的大型科技公司也为其团队创建了autoML系统。以Facebook为例，它拥有Asimo，用于管理每月30万个模型的培训和测试。
关于autoML的一个用例，请看看联想巴西。该公司在创建机器学习模型以帮助预测和管理供应链方面遇到了困难。公司有两名每周编写1500行R代码的员工，但这还不够。事实上，雇佣更多的数据科学家将不划算。
因此，该公司实施了DataRobot。通过自动化各种流程，联想巴西能够创建具有更多变量的模型，从而获得更好的结果。在短短几个月内，DataRobot的用户数量从两个增加到了十个。
表8-1显示了一些其他结果。
不错，对吧？绝对是的。但仍然有一些注意事项。对于联想巴西来说，公司有熟练的数据科学家，他们了解创建模型的微妙之处。
然而，如果在没有这种专业知识的情况下使用autoML工具，你很容易遇到严重问题。有很大的可能性你可能会创建具有错误假设或数据的模型。实际上，结果最终可能会比不使用AI更糟糕！正因如此，DataRobot实际上要求新客户在第一年与公司合作时拥有专门的现场工程师和数据科学家。
现在还有低代码平台已被证明对加速AI项目的开发非常有用。在这一领域的领先者之一是Appian，该公司提供了"从想法到应用仅需八周"的大胆保证。
借助这个平台，你可以轻松建立清晰的数据结构。甚至还有系统来指导整个流程，比如提醒问题。毫无疑问，这为构建模型提供了坚实的基础。但低代码还以其他方式提供帮助。例如，你可以测试各种AI平台，比如来自Google、Amazon或Microsoft的平台，以查看哪个性能更好。然后，你可以创建一个现代界面的应用程序，并将其部署到Web或移动应用程序中。
要了解低代码的强大之处，可以看看KPMG是如何使用这项技术的。该公司能够帮助其客户摆脱在贷款中使用LIBOR的困境。首先，KPMG使用自己的AI平台Ignite，将非结构化数据导入并使用机器学习和自然语言处理来整改合同。接下来，该公司使用Appian来协助文档共享、可定制的业务规则和实时报告。
这种过程如果手动完成很容易需要数千小时，错误率为10%到15%。但使用Ignite/Appian时，准确性超过96%。哦，处理文件的时间只需要几秒钟。
部署和监控AI系统
即使你构建了一个有效的AI模型，仍然有更多工作要做。你需要找到方法来部署和监控它。
这需要变革管理，这始终是复杂和困难的。AI不同于典型的IT实施，因为它涉及使用预测和洞察力来做决策。这意味着人们需要重新思考他们与技术的互动方式。
还要考虑到最终用户很可能是非技术人员，无论是员工还是消费者。因此，有必要在尽量简化AI模型方面进行大量工作。例如，如果你已经构建了一个在线营销系统，你可能希望限制用户的选项，比如只有四五个。
为什么呢？如果选项太多，用户可能会感到沮丧，甚至不知道从哪里开始。这都属于所谓的“分析麻痹”问题。当发生这种情况时，AI模型的采用将不可避免地很少，这将严重阻碍进展。
另一个不错的策略是使用交互式可视化。换句话说，你可以通过调整一些变量来轻松看到趋势如何变化。你还可以允许点击图表的某个部分以深入了解更多细节。
还要创建文档是至关重要的，但这不应该仅仅是书面材料。例如，一个有效的方法是开发视频教程。这样的努力将对创造强大的采用率产生很大帮助。
作为最佳实践，初始部署应该是有限的。也许可以将其限制在一小组测试用户和一小部分客户群体。还应该警告AI模型还处于早期阶段，可能存在缺陷。
因此，这个阶段是关于学习的。什么有效？什么应该被移除？哪里可以进行改进？
这绝对是一个不应被匆忙对待的迭代过程。
然后，一旦AI模型准备好进行全面部署，必须提供足够的支持，并有人来负责项目的管理。还必须对团队的胜利给予认可。希望赞誉会来自公司的最高层，这将有助于鼓励越来越多的创新。
有各种自动化平台可以帮助简化工作流程，比如Alteryx。该公司的愿景是使数据科学和分析民主化，无论一个人是否具有技术背景。Alteryx系统处理了流程的关键领域：数据发现、数据准备、分析和部署。所有这些都是通过无需编码的拖放工具完成的。此外，该公司的许多客户都是非技术运营商，如凯悦、联合利华和Kroger。
再次强调，AI的发展确实是一场旅程，你的战略将不可避免地发生变化。这是不可避免的。根据Dataiku公司销售工程副总裁Kurt Muehmel的说法：
有时企业未能意识到的是，AI之路是一种长期演进，不仅涉及技术，还涉及公司协作和协同工作方式的改变。因此，除了教育，AI战略的一个关键组成部分应该是全面的变革管理。重要的是创建短期和长期的路线图，首先也许是用于预测分析，然后可能是机器学习，最终——作为更长期的目标——是AI，以及每个路线图对业务的各个部分以及参与这些业务线和他们日常工作的人的影响。
结论
正如本章所示，在实施人工智能时，关键是要考虑两个路径。第一条路径是充分利用使用该技术的任何第三方系统。但也应该关注数据质量。否则，结果可能会偏离预期。
第二条路径是基于公司自有数据进行人工智能项目。为了取得成功，必须组建一个具有技术、业务和领域专业知识的强大团队。即使是那些具有数据科学和工程背景的人，也很可能需要接受一些人工智能培训。
从这里开始，项目的步骤不应该急于进行：评估IT环境，设定明确的业务目标，清理数据，选择合适的工具和平台，创建人工智能模型，以及部署系统。在早期项目中，难免会遇到挑战，因此灵活性至关重要。但这个努力应该是值得的。
主要要点
? 即使最好的公司在实施人工智能方面也会遇到困难。因此，必须非常谨慎、认真并进行计划。重要的是要认识到失败是常见的。
? 在公司中使用人工智能有两种主要方法：通过供应商的软件应用程序或公司内部模型。后者要困难得多，并且需要组织的重大承诺。
? 即使使用现成的人工智能应用程序，仍然有很多工作要做。例如，如果员工没有正确输入数据，那么结果可能会偏离预期。
? 在人工智能实施中，教育至关重要，即使对于有经验的工程师也是如此。有许多在线培训资源可用于帮助解决这个问题。
? 要警惕人工智能实施的风险，如偏见、安全和隐私。
? 人工智能实施过程的一些关键部分包括以下内容：确定要解决的问题；组建强大的团队；选择合适的工具和平台；创建人工智能模型；以及部署和监控人工智能模型。
? 在开发模型时，要考虑技术与人的关系。事实上，人在某些任务上可能更擅长。
? 组建团队并不容易，所以不要急于进行。要有一个具有良好业务或运营背景和一定技术技能的领导者。
? 可以尝试各种人工智能工具，但在这之前，请确保进行IT评估。
? 一些流行的人工智能工具包括TensorFlow、PyTorch、Python、Keras和Jupyter Notebook。
? 自动化机器学习或autoML工具有助于处理人工智能模型的数据准备和特征选择等流程。重点是那些没有技术技能的人。
? 人工智能模型的部署不仅仅是扩展。还要确保系统易于使用，以促进更多的采用。
