每个有价值的公司都致力于实现实用且可扩展的人工智能和机器学习。 然而，说起来容易做起来难——一些信息密集型企业中的 AI 领导者可以证明这一点。 为了更深入地了解构建 AI 驱动型组织的挑战，我们采访了 Momentive（前身为 SurveyMonkey）的工程和机器学习高级总监 Jing Huang，他分享了 AI 和 ML 推出时的经验教训。
问：人工智能和机器学习计划已经进行了好几年。 企业在最高效的采用和部署方面学到了哪些经验教训？
Huang：“机器学习项目比 ML 模型算法更复杂、更大，所以要准备好建立一个强大的团队来负责机器学习操作。配备世界一流的机器学习团队非常困难。有经验的 ML 人才 需求量很大。一种选择是提供培训并建立一种促进内部转移的文化；有时，在内部发展团队可能是建立有效 ML 团队的关键。”
“在构建任何实质性内容之前，请确保检查机器学习生产管道的瓶颈所在。在决定构建还是购买时，当您购买解决方案以加速 AI/ML 功能时，请确保您选择的解决方案能够 进行调整、扩大规模并轻松与您的产品应用程序集成。”
问：哪些技术或技术方法发挥最大作用？
Huang：“从更广泛的行业角度来看，机器翻译和信息检索在采用深度学习后总体上有了显着改善。例如，在 Momentive，我们看到 ML 解决方案有很大的不同，这些解决方案通过以下方式帮助客户找到相关且可操作的信息 海量响应数据毫不费力。”
问：大多数 AI 计划是在内部运行，还是由外部服务/各方（例如云提供商或 MSP）支持？
Huang：“根据用例和组织的不同，对 AI 计划的要求也大不相同。其中一些更适合利用外部服务，一些则需要在内部运行。总的来说，我们看到更多采用第三方服务 – 独立且不需要与生产系统紧密集成的用例的派对服务。然而，我们看到更成功的本土解决方案用于需要与生产系统紧密集成的用例。
问：企业为实现公平和消除人工智能结果的偏见所做的努力有多远？
黄：“整个领域仍在学习 00 没有人知道所有的答案。话虽如此，近年来人们对人工智能偏见影响的认识有所提高，并且正在取得进展。人们越来越努力寻找解决方案 减轻 AI 中的偏见风险，关于 ML 中的偏见和公平性的讨论已成为研究和行业的新规范。”
问：公司是否做了足够的工作来定期审查他们的 AI 结果？ 最好的方法是什么？
Huang：“人类的偏见总是存在的——这是无法避免的——但我们所做的一件事是确保从事这项工作的人来自不同的背景，以提供广泛的代表性，并让他们感到被包容。 这意味着包容，而不仅仅是多样性，以突出可能发挥作用的所有不同类型的担忧。”
问：IT 领导者和员工是否应该接受更多培训和意识以减轻 AI 偏见？
Huang：“与计算机科学的历史相比，人工智能偏见及其缓解的研究是最近才开始的，更不用说与人类历史相比了。斯坦福大学和麻省理工学院等大学开始在他们的人工智能课程中纳入道德人工智能的主题。一般 假设 IT 领导者的资历越高，他们就越能从涵盖该领域最新发展的培训中受益。我们邀请了来自学术界和工业界的 AI 专家和从业者与我们的领导团队和所有人分享他们的经验和知识 以季度为周期的员工。”
问：组织的哪些领域在 AI 方面取得了最大的成功？
黄：“这要看情况。通常是存储历史数据并且可以轻松访问的区域。在深度学习技术被更广泛采用后，情况开始发生变化，合成数据和对抗训练发挥越来越重要的作用。”
“组织中有许多不同的部分可能会成功实施人工智能。例如，企业内的 IT 组织可能会使用 ML/AI 技术来提高业务流程的效率，财务组织可能会利用 ML/AI 来提供更准确的信息。” 预测，企业可能会在其产品中构建 ML/AI 解决方案，以改善客户体验，等等。”
