看到 AI 未来应用前景的并非 IBM 独家。IDC 预测,2020年,全球总体 IT 支出会下降,但是 AI 支出却有所增长,四年内支出将翻一番。然而,企业推进 AI 的进程却十分艰难。再请看这样一组数据:
如何在企业内成功扩展 AI,充分发挥 AI 应有的价值?IBM 商业价值研究院最新报告《扩展AI的公认概念:从试验变为工程原则》为你答疑解惑,指明出路。识别图中二维码即可免费下载报告全文。
AI 扩展失败的三大原因
AI 的成功扩展是指项目从沙箱过渡到试点和最小可行产品 (MVP),最终实现工业级商品化的整个历程。
下图展示了非常典型的企业 AI 计划的轨迹。对处于 AI 采用早期阶段的企业而言,将 AI 作为原则的紧迫感或许并不明显,所以,企业常常深陷 AI 试点和概念证明阶段而无法自拔,在一些看似让人兴奋但却孤立的案例中零敲碎打地应用 AI,不断尝试却没有结果。
企业如何才能避免 AI 的低谷期,加快扩展 AI 的步伐,充分发挥 AI 应有的价值?
借助结构化方法避开 AI 低谷
众所周知,AI 是一项复杂的多领域业务和技术创新,包含多个互连而且不断变化的层面。任何一个方面都无法仅凭一己之力就确保将 AI 项目成功投入商业使用。这时候,普通的“变革管理”恐怕难以奏效。符合业务战略的“镇痛良方”也不行。哪怕久经考验的“流程改进”甚至更前卫的“敏捷方法”也不足以解决问题 ― 无论整理多少西格码和意大利面条图,抑或组织数次讨论和冲刺活动都无济于事。
企业真正需要的是,彻底改变 AI 的角色:过去,人们将 AI 视为最新技术魔法的化身而敬而远之,现在,必须将 AI 作为战略能力融入到整个企业之中。
企业亟需停止匆忙实施的数据科学试验,开始全面周密地采用 AI 技术― 将 AI 植根于业务战略、创新活动和差异化竞争优势之中;深度整合至不断发展的业务运营模式和工作流程、组织架构和治理机制、数据架构和基础架构乃至文化价值观和道德规范之中。
我们建议企业采用更为严谨的结构化方法,即“AI 工程和运营”,它涵盖四个高层级的重点领域,以及许多基本原则、流程和工具,用于指导 AI 计划大规模投入生产运营。见下图。
简而言之,“AI 工程和运营”这种方法有助于企业建立重点明确的环境,以结构化方法引导项目从开发到生产的整个过程,切实发挥 AI 在生产领域的巨大潜力,最终实现商业效益。
RedHat:借助开源概念在软件中应用 AI
组合,确保实现互操作性,满足客户在容器和 Kubernetes 中运行 AI 和ML 工作负载的不断增长的需求。
RedHat 加大了在自己的平台上运行 AI 的力度,为 OpenData Hub 打下坚实基础。OpenData Hub 是依托 AI 工程原则的元项目,将开源项目整合至实际解决方案之中,并由 AI 生态系统合作伙伴加以补充。开源社区可试验并开发智能应用,既可避免高昂的成本,又能解决现代 ML 和 AI 软件组合所带来的复杂性。
为搭建业务架构和推行战略,RedHat 成立了 AI 人才中心(CoE)。该组织经过扩充后,新成立了“早期部署工程团队”,动员顶级数据科学家通过服务互动模型,为客户提供创新成果和可观价值。随着工作的深入,他们增加了工程原则。运用 DevOps 和敏捷方法强化并规范企业的 AI 开发方法。
目前,RedHat 通过“开放创新实验室”与客户合作开展 AI/ML 项目,采用最先进的开源技术。例如:
–AICoE 帮助某汽车行业客户开发了一个平台,凭借可扩展的 ML 和大数据处理能力,更快速、更准确地进行驾驶模拟和数据分析。他们在短短三个月内就完成了平台配置和创建。
–AICoE 为某医疗保健行业客户打造了一个预测和治疗优化平台,实时收集和分析临床数据并提醒看护者启动早期护理。
RedHat 的经历表明,开源技术依托结构化的 AI 方法获得了新生。
构建 AI 能力之行动指南
尽管让 AI 走出实验室并全面投入生产环境绝非易事,但我们确定了一些关键行动供企业参考,以期加快扩展 AI 的步伐,切实发挥AI在生产领域的巨大潜力,最终实现商业效益。
点击阅读原文
好文章,需要你的鼓励
这项研究由德累斯顿工业大学等机构的研究团队完成,旨在解决主动学习未被广泛应用的问题。研究者构建了包含460万种超参数组合的实验网格,系统分析了各参数对主动学习性能的影响。研究发现,不同策略实现间存在显著差异,基于边缘的不确定性策略整体表现最佳,随机选择约4000个超参数组合即可获得可靠结果。这些发现为设计可重现、可信赖的主动学习实验提供了明确指导,有助于降低入门门槛,促进技术在实际应用中的普及。
这项由英国爱丁堡大学和上海人工智能实验室研究者共同完成的工作提出了LongBioBench,一种用于评估长文本语言模型的新型基准测试框架。通过使用人工生成的虚构人物传记作为测试环境,该框架在保持可控性的同时,提供了更真实的评估场景。研究对18个长文本模型的测试表明,即使最先进的模型在检索、推理和可信任性方面仍存在显著挑战,特别是上下文长度增加时。研究还揭示了现有合成基准测试的设计缺陷和长上下文预训练的局限性,为未来模型开发提供了重要指导。
SuperWriter是一项来自新加坡科技设计大学和清华大学的突破性研究,通过模仿人类"先思考后写作"的过程,彻底改良了AI长文生成能力。该研究团队开发的框架包含三个关键阶段:规划、写作和修改,使AI能像专业作家一样进行结构化思考。实验结果表明,经过训练的SuperWriter-LM模型不仅超越同等规模的所有AI模型,甚至在某些领域表现优于规模更大的顶级模型,为AI辅助写作开创了新的可能性。
香港大学与阿里巴巴达摩院合作开发的LayerFlow是一种突破性的层级视频生成技术,能同时生成透明前景、完整背景和混合场景视频。该技术通过创新的框架设计将不同视频层级作为子片段连接,并引入层级嵌入使模型区分各层级。面对高质量训练数据稀缺的挑战,研究团队设计了三阶段训练策略,结合Motion LoRA和Content LoRA,实现了图像和视频数据的联合训练。LayerFlow不仅支持多层视频生成,还能实现视频分解和条件层生成,为视频创作领域带来革命性变革。