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
CIO们正面临众多复杂挑战,其多样性值得关注。除了企业安全和成本控制等传统问题,人工智能快速发展和地缘政治环境正在颠覆常规业务模式。主要挑战包括:AI技术快速演进、IT部门AI应用、AI网络攻击威胁、AIOps智能运维、快速实现价值、地缘政治影响、成本控制、人才短缺、安全风险管理以及未来准备等十个方面。
北航团队发布AnimaX技术,能够根据文字描述让静态3D模型自动生成动画。该系统支持人形角色、动物、家具等各类模型,仅需6分钟即可完成高质量动画生成,效率远超传统方法。通过多视角视频-姿态联合扩散模型,AnimaX有效结合了视频AI的运动理解能力与骨骼动画的精确控制,在16万动画序列数据集上训练后展现出卓越性能。
过去两年间,许多组织启动了大量AI概念验证项目,但失败率高且投资回报率令人失望。如今出现新趋势,组织开始重新评估AI实验的撒网策略。IT观察者发现,许多组织正在减少AI概念验证项目数量,IT领导转向商业AI工具,专注于有限的战略性目标用例。专家表示,组织正从大规模实验转向更专注、结果导向的AI部署,优先考虑能深度融入运营工作流程并产生可衡量结果的少数用例。
这项研究解决了AI图片描述中的两大难题:描述不平衡和内容虚构。通过创新的"侦探式追问"方法,让AI能生成更详细准确的图片描述,显著提升了多个AI系统的性能表现,为无障碍技术、教育、电商等领域带来实用价值。