人工智能工程可以帮助组织充分利用人工智能

人工智能 这一术语如今似乎无处不在，这在行业市场的应用中造成一些混乱，甚至可能让技术决策者感到困惑。人工智能到底是什么?一个常见的定义是 在机器中模拟人类的智能，这些机器被编程为像人类一样思考并模仿他们的行为。 人工智能系统可以看作表现出与人类思维相关特征并具备学习和解决问题的能力的任何系统。具有人工智能功能的技术、产品和服务可以为组织带来巨大的好处：提高效率、实现人工流程的自动化、增强决策能力、改善客户服务和体验，以及解决复杂问题的能力等等。但是，IT和业务领导者必须善于将炒作与现实区分开。正如研究机构Gartner公司指出的那样，许多组织都在努力为人工智能赋予现实价值。组织领导者往往高估了人工智能技术的影响，而低估了其复杂性。该公司在2020年初发布了一份有关组织采用人工智能的报告，该报告基于对来自美国、德国和英国的组织的600多名高级管理人员的调查。报告表明，三分之一以上的受访者表示已经部署并使用了人工智能，超过一半的受访者表示计划在一年之内部署人工智能。约三分之一的受访者表示计划在两年内部署人工智能。该报告称，组织平均需要9个月的时间才能开发出从原型到生产的人工智能计划。尽管人工智能技术人才的普遍短缺，但人才的缺乏并不是成功部署人工智能的主要障碍。人工智能成功应用的主要限制因素是缺乏明确的结果。Gartner公司的调查报告指出，组织还面临着涉及集成、安全性和隐私问题的挑战，这些挑战使他们无法有效地将人工智能实践从原型转移到生产中。这就是人工智能工程可以发挥关键作用的地方。卡内基梅隆大学软件工程研究所(SEI)新兴技术中心主任、美国国家人工智能工程计划负责人Matt Gaston说， 人工智能工程是设计、构建、测试、部署、操作和发展可靠人工智能系统的过程、工具和最佳实践。人工智能本身就是关于创造智能模型或能力的特定人工智能技术，例如机器学习。人工智能工程将这些智能模型或功能转变为功能全面的系统，以提供业务、运营或任务解决方案。 Gartner公司副总裁兼分析师Erick Brethenoux表示，人工智能工程将组织中的各个学科整合在一起，为实现多种人工智能技术的组合提供了一条实现价值的更清晰的途径，并将人工智能工程列为2021年最具战略意义的技术趋势之一。与客户合作采用人工智能工程策略的Brethenoux表示，稳健的人工智能工程策略将促进人工智能模型的性能、可扩展性、可解释性和可靠性，同时实现人工智能投资的全部价值。他说： 人工智能工程包括将人工智能投入生产的方法、最佳实践、能力和技术，可以管理和监控组织的人工智能使用。 Brethenoux指出，通常可以将人工智能分为两个主要周期：第一个周期是根据应用程序类型开发和训练机器学习模型，例如基于规则的模型、优化模型或自然语言处理模型。第二个周期是组织内部模型的实施。Brethenoux说： 众所周知，一些组织在实施人工智能模型方面表现不佳。他们擅长开发模型，并大量开发了许多模型。但是使用这些模型投入生产是困难的。我们需要一种将这些模型的生产系统化的方法，这正是人工智能工程发挥重要作用的地方。 Brethenoux表示，人工智能工程不应该是为特定项目实施人工智能的非正式或临时性工作。与其相反，它应该在组织中实现正式化，以使其成为所有使用人工智能和机器学习的最佳实践。Gaston指出， 人工智能工程是一门新兴学科，它将随着时间的推移而发展壮大，并与我们在人工智能领域看到的快速创新保持同步。也就是说，组织正在使用人工智能工程来创建和维护包含人工智能技术的业务解决方案。 这其中包括确保系统需求由业务需求驱动，为这些需求选择适当的人工智能技术、测试和监控工具，以确保系统继续按预期运行。随着需求或运营环境的变化，流程和框架已经到位，可以更新和发展人工智能系统。成功使用人工智能的关键之一是认识到进入运营阶段不仅是一个技术问题，而且也是一个业务问题。Brethenoux说， 将人工智能投入生产时，组织必须与主题专家讨论它们正在运行的应用程序，人工智能的用例以及这些应用程序如何为组织服务，然后必须知道已建立的关键绩效指标是否真的有效。 Brethenoux表示，组织需要将业务用户置于其人工智能工程实践的核心，以确保人工智能交付组织所要实现的目标。这并不是说技术不重要。人工智能团队在选择工具和技术时需要有敏锐的洞察力，以确保他们能够实现组织在人工智能方面的目标，并且能够轻松地与现有产品以及其他新的人工智能工具集成。另一个重要的考虑因素是组织输入模型的数据的质量。Brethenoux说， 数据来自哪里，它的可靠性如何? 可以帮助组织提高数据质量的一个相对较新的学科是DataOps，DataOps是数据分析团队使用的一种自动化的、面向过程的方法，旨在通过敏捷方法来提高数据质量，并缩短分析周期。DataOps适用于从数据准备到报告的完整数据生命周期，并且它承认数据分析团队和IT运营是相互联系的。希望利用人工智能的组织还需要具备适当的技能。其中包括使用Python、R、Java、C ++等编程语言的经验;包括算法和数据库的机器学习;数据科学神经网络架构;包括概率和统计的应用数学;机器人技术计算机视觉。从事人工智能项目的专业人士也需要软技能，如良好的沟通和协作、批判性思维和创造力。Brethenoux表示，新兴的相关技能之一是机器学习验证。模型验证是使用测试数据集评估经过训练的模型的过程。使用测试数据集的主要原因是测试训练模型的一般能力。Brethenoux说： 这些人员将参与人工智能模型的整个生命周期，从数据的角度进行验证，然后从开发的角度进行验证，然后从操作的角度进行验证。他们将评估使用这些模型所做的一切是否有效、合法和技术上可行。 Brethenoux表示，获得人工智能技能并不像许多组织认为的那么难。组织内部需要拥有正确的人才发现计划、适当的提升技能和教育实践，以及外部人才组合，这是他们取得成功所需要的一切。人工智能的未来发展Gaston表示，许多组织意识到人工智能可以通过多种方式提供真正的商业价值，并开始建立自己的数据科学、机器学习和人工智能团队。Gaston说， 虽然这些都是重要的第一步，但大多数数据科学或机器学习团队的功能是在受严格控制的环境中使用数据生成模型。至关重要的是，组织必须从整体上着眼于如何实现、运营和维护用于业务解决方案的人工智能，并且它们需要为此带来各种才能、思想和经验。 组织无需制定人工智能工程策略即可推进人工智能项目。但是，如果这样做的话，该技术获得长期和全面成功的可能性将会受到限制。这是一个具有战略性和强大功能的工具，不适合随意使用。Brethenoux说， 我认为这是解决人工智能问题的唯一途径。如果不从事人工智能工程设计，那么只有约35%到45%的模型会找到他们的生产方式。因此，组织将会浪费其余的模型，并且每次都必须从头开始。 人工智能的主要问题之一将继续从开发和培训阶段过渡到运营/产品阶段。如果组织不对人工智能采用结构化、工程化的方法，这仍然是一个问题。Brethenoux说： 那些在人工智能方面做得很好的组织正在更系统地完成这项工作，他们从中获得了非常好的收益。我很想问， 如果组织并没有计划实现运营目标，为什么还要采用人工智能呢? 在此之前，这只是一个有趣的智力练习。当组织部署人工智能时，它将成为一种经济优势。 人工智能工程的基础实践作为卡内基梅隆大学一部分的联邦资助的研发中心，其软件工程研究所(SEI)已为人工智能工程编写了11项 基础实践 。这些是软件工程、网络安全和应用人工智能领域的专家为IT和业务决策者提供的建议。以下是对这些实践的总结： 确保组织存在应该采用人工智能解决的问题。从定义明确的问题开始，了解组织要完成的工作和所需的结果，同时确保可以使用数据来实现这些结果。 在组织的软件工程团队中包括各种主题专家，如数据科学家和数据架构师。有效的人工智能工程团队包括问题领域的专家、数据工程、模型选择和优化、硬件基础设施和软件架构，以及软件工程专业知识。 认真对待数据。数据接收、清理、保护、监视和验证对于设计成功的人工智能系统至关重要，它们需要大量的资源、时间和注意力。确保组织的流程考虑到环境的变化、可能的偏见和潜在的对抗性利用。 根据组织需要模型执行的操作而不是其流行程度来选择机器学习算法。算法在几个重要方面有所不同，其中包括它们可以解决的问题类型、输出信息的详细程度以及输出和模型的可解释性。组织需要选择适合解决特定问题并满足业务和工程需求的算法。 通过部署集成的监视和缓解策略来保护人工智能系统。软件工程研究所(SEI)的研究表明，人工智能系统的攻击面正在扩大，而更广泛的攻击面又加剧了运营环境的脆弱性。通过进行持续的评估和验证来应对这一问题。考虑到新威胁的出现速度很快，这一点尤其重要。 定义检查点以说明恢复、可追溯性和决策依据的潜在需求。人工智能系统对输入数据、训练数据和模型之间的依赖关系非常敏感。对任何一个系统的版本或特征的任何更改都可能很快影响其他系统。 结合用户体验和交互，不断验证和发展模型。尽可能使用自动化的方法来获取系统输出的反馈并改进模型。监控用户体验，尽早发现问题。另外，还要考虑到用户的偏见。 为解释输出做好准备。软件工程研究所(SEI)的研究表明与其他大多数系统相比，人工智能输出需要更多的解释。人工智能系统引入的不确定性在某些情况下可能是不可接受的。结合机器学习组件也需要设计输出的不确定性。 实现可扩展或替换的松散耦合工具，以适应不可避免的数据和模型更改。与传统系统相比，人工智能系统组件之间的边界恶化的速度更快。 组织在系统的整个生命周期中投入足够的时间和专业知识来进行持续不断的变化。很多组织的团队严重低估了所需的资源。构建人工智能系统最初需要更多的资源，这些资源需要迅速扩展，并且在系统的整个生命周期中都需要投入大量资源。 将道德作为软件设计和政策考虑的因素。评估人工智能系统的各个方面是否存在潜在的道德问题，并说明该系统各个方面的组织和社会价值，其内容从数据收集到决策，再到绩效和有效性的验证和监控。版权声明：本文为企业网D1Net编译，转载需注明出处为：企业网D1Net，如果不注明出处，企业网D1Net将保留追究其法律责任的权利。