谈到人工智能，不要试图单打独斗。 IT 部门，无论多么熟练和准备，都只能通过概念验证。 它需要人们——来自企业的各个角落并协同工作——来实现 AI 的成功，
行业专家表示，AI 计划需要整个企业的每个人都参与进来。 “大量的训练数据和灵活的计算能力并不是成功实施 AI 的基石，”Mindtree Consulting 全球负责人 Sreedhar Bhagavatheeswaran 说。
AI 成功的基石是人——不仅是具有 AI 技能的人，还包括从市场营销到供应链管理等各个领域的人。 近年来 – 特别是在过去一年中，随着对自动化或无人值守流程的需求加速增长，“企业了解到他们必须获得利益相关者的支持，并在组织的领导团队中拥有真正的 AI 拥护者，”Dan Simion 说 ，凯捷美洲人工智能和分析副总裁。
他补充说，协调一致的 AI 开发工作还需要“强有力的治理、公司内部营销以及适当的培训，以推动 AI 计划在企业职能领域的进一步采用”。 关键是能够展示这些模型产生的有价值的见解，
在努力使 AI 普及的过程中，“企业现在意识到关键因素，例如确定 AI 干预可以产生业务影响的正确旅程和用例，通过建立 AI 运营和治理机制来实施 AI，以及混合适当比例的 数据工程和 AI 人才，”Bhagavatheeswaran 说。
当然，要注意的是，这些努力中的许多都因组织政治或简单的惯性而受到破坏。 AI 看起来很有魅力并且很有前途，但接受和采用需要时间。 The Smart Cube 数据分析副总裁 Nitin Aggarwal 建议：“公司应该计划开展培训课程所需的时间和精力，并不断加强人工智能系统的使用和优势，使其优于传统方法。” “分享和庆祝小而频繁的胜利是一种行之有效的催化剂。”
AI 还需要有一张友好的脸，而不是机器人、软件或其他方式的看法，来控制公司。 “使最终用户界面商业友好且直观，”Aggarwal 建议。 “最终用户理解‘那又怎样’的见解的负担越低，他们实际使用该系统的机会就越高。” 如果可能的话，他建议手头有一个 MLOps 团队，“以确保部署的解决方案继续按预期工作。”
迄今为止，在人工智能方面取得最大成功的业务领域“是那些与客户互动有直接联系的领域——例如营销和销售，”Simion 说。 “这些领域一直在寻求增加收入，并且更愿意接受人工智能提供的创新方法和策略来提高效率。” Aggarwal 对此表示同意，并指出人工智能最初步成功的领域包括“营销组合优化、定价和促销 ROI 改进、需求预测、CRM 和超个性化”。 然而，他补充说，最近，人工智能的力量也被用于供应链风险管理等领域。
人工智能不仅仅是技术——它是思考问题和机遇的新方式。 每个人都需要使用这个强大的新工具，Simion 敦促道。 “确保企业中的每个人都在使用相同的技术堆栈，这样每个职能领域都可以获得相同的经验教训和见解。技术的一致性及其可以带来的价值是最重要的。”
AI 的采用还取决于人们对其公平性和准确性的看法，因此打击 AI 偏见是支持者需要正面应对的另一个挑战。 从数据开始，Aggarwal 说。 “当 AI 算法从数据中学习时，有意识地收集和提供更丰富的数据，这些数据会针对偏差进行校正，并且能够很好地代表所有类别，”他建议道。
在大多数情况下，“当你将 AI 模型大规模部署到生产中时，你可以使用自动工具来实时监控结果，”Simion 说。 “当 AI 模型超出其预设边界和限制时，人工干预是必要的。这样做是为了确保 AI 按预期运行以提高业务效率，同时也是为了确保 AI 偏见的任何问题 或信任被抓住并纠正。”
Aggarwal 说，将人类留在循环中至关重要。 “有时，与算法一起进行的人类决策有助于理解不同的反应并识别任何固有的错误或偏见。人类判断可以带来更多的意识、背景、理解和研究能力，以指导公平的决策制定。去偏见应该被视为一种 持续的承诺。”
Bhagavatheeswaran 说，作为其中的一部分，公司可能会受益于建立“AI 治理委员会，该委员会不仅审查受其 AI 计划影响的业务结果，而且还负责在需要时解释特定用例的结果”。
IT 领导者和员工也需要接受更多培训和意识，以减轻 AI 偏见。 “它还关系到员工绩效的评估方式以及激励措施的调整方式，”Aggarwal 说。 “如果创建最准确的人工智能系统是数据科学家的关键结果领域，那么你很可能会得到一个高度准确的系统，但它可能不是最负责任的。同样，对于所有员工来说，重要的培训应该是 关于在哪里寻找以及如何检测 AI 中的偏差，然后奖励能够发现和识别缺陷的团队。”
