让更广泛的企业适应人工智能的 7 种方法

挑战在于在所有 AI 项目中都以人为本。AI 从业者为构建以人为本但 AI 驱动的文化提供建议

从数据工程师到开发人员，负责设计、构建和部署人工智能的人员都认识到，AI 是放大人类知识、技能和效率的强大机制。但是，AI 支持者如何利用 AI 来修复垂死或有毒的企业文化呢？这可能是 AI 部署最棘手的挑战。

处于 AI 革命前线的企业家和专家认识到，这是仅靠技术无法解决的障碍，“AI 无法解决已经存在潜在问题的问题，例如公司的文化或缺乏客户群的信任，”Assisted Living Center 的创始人 Stephan Baldwin 说。 “这些都是由塑造公司日常内部和外部运作的原则培养的。” 

Baldwin 指出，挑战之一是，我们“人工智能模型基于历史数据行事，这意味着它们很容易出现我们人类在收集信息时所具有的偏见。有时，自动化流程不会考虑它所管理的人。

因此，挑战在于在任何和所有 AI 项目中都将人放在首位。AI 从业者为构建以人为本但 AI 驱动的文化提出了以下建议： 

将 AI 的所有权和责任扩展到 IT 部门之外。 AI 需要成为企业范围的计划，各方都参与其中。“成功和富有成效地部署 AI 是一项跨职能的工作，远远超出了数据科学的范围，”PROS 首席 AI 战略师 Michael Wu 博士说。 “扩展团队需要从技术方面开始，涉及 IT 和云运营，以实现安全和数据治理。 到业务方面，涉及变更管理、教育培训、采用、最佳实践。

认识到 AI 只是代码。它不是什么能够智胜人类的神秘黑暗艺术。“人工智能不再是魔法，企业现在似乎明白了这一点，”Gupshup 的联合创始人兼首席执行官 Beerud Sheth 说。“人工智能并不是要取代人类，而是要实现更像人类的对话，这种对话具有机器可能拥有的自动化和智能能力。”

将 AI 定位到影响最大的领域。 Wu 指出，企业在推广和推出 AI 方面的最佳部分因行业而异。“但共同的主题是，组织必须拥有可靠的干净和丰富的数据来源，作为正常业务运营的副产品，”他说，“例如，拥有大型支持中心的公司通常会保留事件发生率和解决方案的良好运营记录。销售组织中的交易数据往往相当干净，因为它是良好会计实践所必需的。这些数据将继续为他们的 AI/ML 提供动力。另一方面，尽管营销组织也拥有大量数据，但它们通常噪音更大，并且通常需要清理才能用于生产 AI 和 ML。

Sheth 在客户组织中的客户支持、产品发现和面向员工的部门中发现的活动最多。“语言解析和机器学习方面取得了长足的进步，使支持查询的周转时间加快了，”他说。“基于 AI 的预测和上下文管理允许通过更简单的界面（如聊天）公开准确的发现机制。基于机器学习的认知引擎使查询解决和与策略相关的支持问题解决变得准确，并且易于部署在 MS Teams 和渐进式 Web 应用程序等安全渠道上。  

调查并推动最具影响力的技术。“定价优化、预测性维护和对话式 AI 技术最具影响力，因为训练和继续为他们学习提供动力所需的数据往往很丰富，”Wu 说。“他们的部署也不需要对业务运营进行重大改变。此外，由于有许多供应商提供这些解决方案，因此与这些技术能够推动的收入影响相比，总拥有成本相对较低。Sheth 看到了多语言 NLP、机器学习和预测性 AI 的最大潜力。

通过提高透明度确保 AI 的公平性。为了在整个企业中获得对 AI 的接受和支持，交付的结果需要尽可能公平且无偏见。“透明度和公平性对 AI 的成功至关重要，因为它们通过告知员工和客户他们是如何被治理来产生信任的，”Baldwin 说。“有很多 AI 无法正常运行的例子， 作为一家公司，您最不希望看到的就是无法解释错误发生的原因。 “尽管如此，还需要沿着这些路线做更多工作，”Wu 说。“许多开始利用 AI 的行业更专注于让他们的 AI 发挥作用，并首先利用他们拥有的有限数据实现积极的投资回报率。对于这些行业来说，公平并不是当务之急，尽管它通常是企业叙事的一部分。尽管每个人都在谈论优先考虑 AI 道德和公平，但并不是每个人都会采取后续行动来打击偏见。

鼓励 IT 经理和员工对公平和可作的 AI 进行认识和培训。 Sheth 敦促 IT 领导者和员工也应该接受更多的培训和意识，以减轻 AI 偏见。“AI 的好坏取决于我们提供的数据。由于人类负责训练数据，因此我们的 AI 算法很可能会因人类偏见而损坏，或者随着时间的推移检测到任何其他不利模式。我们可以确定各种模型，这些模型可以帮助做出更好、更公平的决策，但与此同时，企业领导者应该意识到这些挑战并做出正确的决策，以帮助消除数据方面的偏见。   

鼓励在组织的各个层面对公平且可作的 AI 进行意识和培训。  AI 可能是一项企业工作，但 IT 领导者可以带头确保 AI 按预期交付。“对 IT 领导者和员工进行培训和教育是一个好的开始，但往往还不够，”Wu 说。“减轻 AI 偏见应该是每个人的工作，就像数据安全一样， 因为它类似于公司的商业道德。 

“同时，他补充说，”员工通常需要有一些激励措施来激励他们在新的职业行为成为第二天性之前展示这些行为。这些激励措施并不总是与货币相关。例如，企业游戏化可用于提高对减少 AI 偏见的认识和兴趣。它可以在企业内部利用它来游戏化对 AI 偏见问题的认识，推动有助于识别这些偏见的积极行为，甚至众包潜在的解决方案。 

Sheth 说，定期审查 AI 结果也是成功的必要条件。“事实上，这是 AI 公司始终让人参与其中的艰难教训之一。”他建议“定期审查随机选择的 AI 结果，确保在随机抽样中充分代表所有阶层。最终用户可能并不总是有时间和意愿为次优的 AI 结果提供反馈。主动定期评估模型的性能。审阅者的反馈会自动反馈到下一轮模型训练中。这种做法可以防止模型变得陈旧和无关紧要。