为何一半的AI项目无疾而终？增大AI投资请绕开雷区

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