联合AI项目团队如何确保AI成功

在AI部署加速发展的同时，技术和文化方面的成功挑战比比皆是。最大的挑战之一是企业AI成功的三大支柱之间缺乏一致性：最接近数据的业务用户，负责保持数据管道开放的数据工程师以及使AI工作的数据科学家。这种缺乏一致性的做法通常意味着数据科学团队会发现自己没有明确的范围而“沸腾海洋”，而数据工程师却不知道要关注哪些数据集，这可能导致AI项目的结果令人失望。只有按照标准的数据科学方法对这些小组进行协调，才能获得一致的AI成功。

缺乏对齐

缺乏一致性不足为奇。15年前或更早离开学校的企业领导者从未接受过利用大数据的培训。尽管数据科学家总是“从数据开始”，并且数据越多越好，但是无论是财务，营销还是客户支持，业务用户通常都希望根据自己习惯的方法回答有限的问题，因此他们经常要求数据科学团队根据给定标准的一组特定的“多少”或“频率”属性来生成报告。

幸运的是，业务用户与数据科学家之间的联系正在消失。当今的商业专业人士了解大数据的力量，甚至正在进入小学。用来记忆加法和乘法的抽认卡已被有助于理解分类，组织和关系的练习所取代。

同时，我们仍必须克服传统的思维方式，让数据科学带头。也就是说，我们必须挑战HiPPO(最高薪人士的意见)。尽管应始终尊重HiPPO的经验和直觉，但仅依靠这种方法将大大限制将数据科学应用于任何问题的能力。

对齐和标准化的好处

确保AI的一致性和标准方法将围绕一个关键的新范例统一整个企业，该范例认为更多数据始终是推动业务发展的潜在能量。一致性和协作精神最终还将使业务领导者有能力要求数据科学团队“使用数据来确定我的最佳下一步行动并使之自动化”。这对于启动可快速对业务产生重大影响的大批量，低复杂性项目至关重要。

考虑一个虚拟助手，旨在回答常见的客户问题。如今，致电帮助中心的客户经常会反复问同样的问题，要求支持工程师重复同样的答案。相反，如果支持团队与数据科学团队和IT部门合作，使用这些已知问题和标准答案来训练24/7虚拟助手或聊天机器人，然后可以为客户提供即时答案-无需等待，没有支持票，也没有涉足常见问题或文章的网站。这可以转变支持操作，提高客户满意度，同时允许支持工程师专注于客户可能遇到的新的和更复杂的挑战。

另一个示例是向客户应用程序添加实时系统运行状况监视，以允许支持工程师查看导致系统降级或崩溃的系统数据。通过汇总和分析来自数量不断增长的客户系统的数据，可以预测单个客户的系统何时处于风险中，并自动将任何所需的预防措施通知该客户。

这实际上是AIOps的目标，即使用数据与AI结合使用，以根据数据显示的内容自动执行下一个最佳操作，然后连续执行此操作：更多数据，优化下一个最佳操作，自动执行新操作，等等。

如何使您的组织适应AI转型

建立有效的团队。尽可能确保AI项目团队的关键成员技能娴熟，熟悉AI并能良好地合作。

从标准化方法开始。这样可以确保每个组都在同一页面上。在NetApp，我们标准化了CrispDM数据挖掘方法。但是，其他方法可能适合您的组织，例如TDSP。

消费计划。 在数据科学和业务实践的每个阶段，都要知道最终结果将如何被消耗。确保整个团队都了解您的消费计划，以便每个人都包括信息，功能，自动化或满足业务结果所必需的一切，以消费新发现的见解和答案。

选择一个可以学习的范围。从业务团队开始，这些业务团队似乎最了解自己的挑战，并且对采用新的方法来应对挑战最为开放，并包括与数据最接近的主题专家。这种方法提供了令人印象深刻的结果的最佳机会，这将鼓励更多的业务领导者和数据专家参与其中

获取买入以进行调整。解决管理人员认为无法解决的顽固问题。每个业务组至少有一个。向业务团队提出挑战：“您想做得更好?” 如果周围有数据，请让AI解决。库存预测可能是您组织中的重要目标。或者，这可能有助于营销部门停止对不支持当前客户旅程的内容进行投资。这些都是难题，因为它们需要以超出人类能力范围的方式分析大量数据。

问为什么。鼓励业务领导者公开他们所面临的更深层次的问题和挑战。通过始终询问“为什么?”进行探测 然后用另一个“为什么”回答每个答案。询问存在哪些可能与问题有关的数据，但这仅仅是一个起点。数据工程团队要找到并包括所有可能相关的数据集，然后根据要解决的问题来优化数据。

对期望的结果达成共识AI项目的商业赞助商可能会与其他与结果有利益关系的人合作。与所有利益相关者合作，以确保他们同意目标和结果。

愿意快速失败。快速识别出您没有正确的数据。然后更改数据或更改期望。

变通。使用多种AI技术和模型。很少有一种模型可以解决所有问题。另外，包括云和本地解决方案以平衡容量和成本。有效利用资源是促进采用的另一个关键因素。

尊重但总是挑战HiPPO。人工智能无法通过传统思维获得成功。