时下，在数字化转型中AI承担着更重要的职责，整个数字化转型的进程正逐步由原来的“云+大数据”等技术驱动，转变为“云+大数据+AI”驱动。在这个背景下，越来越多的企业开始升级IT基础架构，加速数字化转型。
不过，由于急于求成、缺乏扎实的基础，企业在布局AI的过程中可能会忽略一些重要的细节，这些细节可能决定着企业转型的成功与否。对此，分析决策平台FICO表示，人们想要解决AI的问题仅仅因为它是AI，而不是因为它是最佳解决方案。因此我们必须考虑到AI的方方面面，诸如AI的开发、成功的标准、风险治理，以及相关的道德标准。
一、确定布局AI的动机
做任何事情不能人云亦云，哪些在是否采用AI中举棋不定，或是面临巨大压力的企业，不妨后退一步，考虑一下是否真的需要AI战略。数据智能和自动化全球IT咨询公司NTT DATA Services的高级总监Theresa表示，如果确实需要人工智能，那么在没有计划使用它的情况下，创建AI或机器学习算法是浪费金钱，研究表明，大约有1/6的项目能够带来回报。
AI可以帮助企业降低成本、增加收入、预测结果、优化流程，在初步了解我们为什么需要AI之后，紧接着我们需要考虑支撑AI的数据。
二、训练优质数据
永远不要低估数据的力量，当它是不一致、不准确、不完整或重复的，我们使用这些数据进行机器学习或者训练数据时，可能导致不准确的结果，得出较差的建议或错误的结论。其实，人工智能具有强大的功能，但任何人工智能解决方案都需要确保数据的优质。
因此，训练或得到优质的数据，对于AI来讲十分有必要。
三、实验结果和实际结果的差异性
在实际推进过程中，我们会遇到实验结果与实际结果有差别等问题，因为现实世界比实验室环境要复杂且随机。同样，一个成功的案例并不能确保另一个案例也会表现很好。
AI公司BeyondMinds首席执行官Rotem Alaluf表示：“现实世界中的AI与实验室中的AI并不完全不同，但是解决方案应该更加完整，稳定和适应性强。我们需要了解实验室人工智能的局限性，了解从中创造价值所需要的东西在现实世界中，并以可扩展的方式在组织中使用它。”
四、注重团队的力量
布局AI战略并不是单个人就能完成的事情，我们需要管理层的支持，需要跨部门的协作，严格意义上来讲，它需要依靠团队。
数据科学咨询公司Valkyrie的首席数据科学家Hilliard 。“在大型组织中，尤其是在业务职能之间划分很重的组织中，建立所需的跨职能团队可能很困难。”如果数据科学团队与领导AI计划的产品团队位于组织的不同部门，那么明智的做法是从数据科学家上方获得领导层的支持，以避免优先级划分或资源冲突。
五、将AI计划融入产品布局中
为了自己的利益而制定的AI计划既不是AI战略，也不是雇用数据科学家。全球专业信息、软件解决方案和服务提供商Wolters Kluwer的数据科学总监John Langton表示，团队必须了解AI不是产品，而是新产品的推动力。但是，产品经理往往无法很好地理解与AI的关系。
“成功的AI计划需要以产品开发团队，领导层和技术领导者之间不断进行的对话为中心，以开发完善的AI工具。优秀的数据科学家可以向产品团队提供技术方面的知识教育，而产品团队可以将市场推向市场和客户专业知识来确保解决实际问题。”Langton说。“这还使两个团队都可以将AI检查点纳入产品路线图中，而不必将其视为单独的R&D产品。将数据科学家和产品团队直接联系起来，可以使您对AI应用后的外观设定期望。”
六、监测漂移模型
随着新数据的涌入，模型趋向于漂移，随着时间的流逝变得越来越不准确，因此可能需要对其进行调整或重新训练。
网络安全解决方案提供商Juniper Networks 技术官Bob Frida表示，要建立成功的AI计划，IT团队必须接受AI模型的动态特性，并投入时间和精力进行培训，这类似于公司资深人士必须培训新员工的方式，在此过程中，企业必须拥有经验丰富的技术团队来分析AI模型的性能和结果。通过提供不断的反馈，AI模型将调整其逻辑，进而更准确，更有效地解决问题。
七、道德/不道德的AI可能会影响公司的品牌和声誉
有的时候，AI会导致法律、监管以及声誉受损等问题。时下，互联网公司的决策越来越依靠数据、人工智能，因此也会产生一些法律、监管等问题。LivePerson的首席技术官Alex Spinelli表示：“人工智能将为各种各样的事情做出决定，但它会做出正确的决定吗?通常情况下，它充满了人类产生的“脏”数据的无意识偏见。他坚信仅凭人工智能不足以帮助我们变得更聪明，更快，更高效。这需要成为造福世界的力量。”
八、人才也是被需要的
如今，人工智能系统正在“学习”如何做各种事情，无论是向顾客推荐新电影还是在高峰时段识别地铁中的可疑行为。随着AI增强工作中的人员数量，帮助他们更有效地完成工作，两者都应同时学习。随着时间的流逝，人类学会了如何更有效地使用AI，而随着时间的推移，人们学会了用户的偏好和行为，从而学会了如何与人类更有效地合作。两者都可能需要持续的培训，以便他们可以更有效地适应变化。
跨国公司联盟关系副总裁Anthony Ciarlo表示，某些计划未能提供ROI的原因之一是技能差距，或者在公司的工具和流程经过更新，升级和提高技能以包括AI之后，缺乏人员培训。因此，人工智能在不断学习的过程中，人也需要不断精进自我，不断学习。
九、人工智能不仅仅是算法和模型
当AI的收益和成功还取决于人员和流程时，通常仅以技术术语(例如模型和算法)来看待AI，人工智能的目的应该是推进业务目标。
IBM首席AI官Seth Dobrin表示，首先要明确定义AI项目的意图，然后为该技术定义特定的用例，这将有助于确定需要哪种类型的AI解决方案以及如何将它们集成到您的基础架构中。
写在最后
随着AI的深入应用，企业纷纷采用AI的模式来精进企业业务流程，而在我们布局AI之前，我们需要考虑我们的动机、如何获得优质数据等等，只有这样才能让AI帮助我们创造更多的价值。
