在進行任何AI／ML部署之前，組織需要將其數(shù)據(jù)科學的研究工作與項目管理的最佳實踐相結(jié)合。

在2019年1月，Gartner發(fā)布了一項調(diào)查，37％的受訪者表示他們已經(jīng)在某種程度上使用了人工智能（AI），但54％的受訪者表示，他們所在組織的技能短缺阻礙了他們積極推進使用人工智能的進程。

這里指的并不是數(shù)據(jù)科學家，他們?nèi)匀还┎粦?yīng)求，并且正在積極地被雇傭，而是指許多組織沒有使用IT項目的方法來實施他們的AI工作，以確保項目滿足他們的業(yè)務(wù)目標。

“我們看到很多數(shù)據(jù)科學團隊正在研究許多并行的ML和AI計劃，但是很少有人將模型部署到實際的生產(chǎn)應(yīng)用程序當中，”專攻機器學習（ML）訓練數(shù)據(jù)的Alegion首席執(zhí)行官Nathaniel Gates表示。

Gates補充說，高技能的數(shù)據(jù)科學家可能缺乏數(shù)據(jù)準備和項目管理方面的實際業(yè)務(wù)經(jīng)驗�！八麄兩瞄L概念化、構(gòu)建和測試AI和ML算法，”他繼續(xù)說道。“但是我們通常不會在這些數(shù)據(jù)科學團隊當中發(fā)現(xiàn)太多的人工智能項目專家。所以他們往往缺乏為人工智能和機器學習準備數(shù)據(jù)的實際經(jīng)驗。”

在進行任何的AI／ML部署之前，組織需要將其數(shù)據(jù)科學的研究工作與其項目管理的最佳實踐相結(jié)合。

如何改進部署

以下是組織改進人工智能部署的五種方法。

1．開發(fā)一個內(nèi)部切換流程，將初始數(shù)據(jù)科學算法和早期數(shù)據(jù)工作轉(zhuǎn)換到IT項目管理當中

這種切換將確保數(shù)據(jù)質(zhì)量和數(shù)量準備，并將項目置于熟練的項目經(jīng)理的管理之下。

2．將人工數(shù)據(jù)評估和機器學習自動化與您的數(shù)據(jù)結(jié)合使用

了解數(shù)據(jù)的技術(shù)人員在數(shù)據(jù)質(zhì)量評估中是非常寶貴的，但是他們可能缺乏審查所有數(shù)據(jù)算法流程的能力。因此，采用機器學習形式的數(shù)據(jù)評估自動化是至關(guān)重要的，機器學習可以由人類專家進行訓練，以評估數(shù)據(jù)的質(zhì)量。

3．為您的ML使用敏捷開發(fā)方法

人工智能項目應(yīng)該在可管理的sprint中進行，允許快速迭代地規(guī)劃、構(gòu)建和測試人工智能應(yīng)用程序的各個部分。

“對于成功的ML開發(fā)來說，關(guān)注持續(xù)迭代改進的敏捷開發(fā)方法是必不可少的，”Gates說。

4．集中您的AI和ML數(shù)據(jù)

“我們合作過的最成熟的公司已經(jīng)將他們對人工智能的ML訓練數(shù)據(jù)需求合并到了一個集中的共享服務(wù)當中，該服務(wù)可以在企業(yè)內(nèi)的眾多數(shù)據(jù)科學項目中被使用，”Gates說。

5．使用熟練的項目經(jīng)理

AI和ML團隊應(yīng)該由能夠執(zhí)行項目管理方法和最佳實踐的項目經(jīng)理來擴充。

“AI和ML團隊常常沒有懂得如何在團隊之外的組織中進行運作的成員，”Gates表示�！拔覀円恢痹谂c數(shù)據(jù)科學家交談，他們知道自己需要大量的ML訓練數(shù)據(jù)，完全理解為什么他們無法用現(xiàn)有的團隊來生成這些數(shù)據(jù)，但是卻對組織的預(yù)算、采購和項目管理流程一無所知�！�