人工智能增强并增强了人类的专业知识

我们是怎么到这里的

我们正在经历数据和技术的黄金时代——而且没有放缓的迹象。人工智能 (AI) 技术不断改进：机器学习 (ML) 模型正在处理数万亿行数据，自然语言处理 (NLP) 的进步正在朝着理解人类意图的方向发展，算法变得越来越快。我们看到更多简单、重复性的任务被自动化，从而产生了新的机会，使人类能够做他们最擅长的事情：批判性推理和在上下文中理解数据。

随着创新的加速，人工智能的投资和采用也在加速，99% 的财富 1000 强公司计划在未来 5 年内投资于数据和人工智能。业务和 IT 领导者认为，这对其业务的未来生存至关重要。但人工智能解决方案的长期成功和可持续性有许多考虑因素：数据量的增加、维护这项技术的成本、难以配备高度专业化的角色，以及将人工智能试点扩大到广泛采用。

84% 的高管认为他们必须利用人工智能来实现增长目标，但 76% 的高管表示他们在如何扩大规模上遇到了困难。

埃森哲

企业认识到，他们需要做更多的工作来创新并更好地为客户服务。虽然人工智能带来了机遇，但大多数投资尚未实现其潜在价值。2022 年，人工智能技术将通过人类增强达到新的成功水平：帮助和增强人们的批判性思维并做出数据驱动的决策。将分析和人工智能视为团队的支持成员。

数据文化和数据素养——探索、理解和与数据交流的能力——也有助于组织找出他们的人工智能和机器学习战略和观点。这些变革管理和劳动力发展工作会影响他们如何保持竞争力和管理人类增强的范围，从以下问题开始：

哪些任务将通过人工智能技术完全自动化?

使人们能够专注于更复杂任务的自动化示例：基本语言翻译和图像编辑。无需花费数小时手动编辑照片来更改背景，而是可以使用默认的图像编辑技术完成编辑，该技术结合了人工智能来处理照明和混合技术。这些自动化工具促进了新水平的创造力。

哪些任务将是半自动化的，需要人工参与和解释?

提炼有用模式和洞察力以使人们能够在上下文中做出数据驱动决策的 AI 示例：

为了更准确地衡量气候和流行病模型，机器学习技术用于帮助研究人员了解趋势、影响和模式，以帮助制定政策决策。

机器可以使用 NLP 和 ML 算法检查未标记的语音数据(例如客户呼叫)，以更好地了解用户意图，添加相关类别和标签。这些能指和语义告诉人们下一步要采取什么行动。

与未投资的组织相比，投资变革管理的组织报告人工智能计划超出预期的可能性高出 60%，实现成果的可能性高出 40%。

德勤

拥有共同的行为、信念和数据技能也有助于扩展人工智能解决方案的能力，支持可持续的实施和创新。在最近的一份报告中，Gartner® 发现“缺乏技能被认为是采用人工智能和机器学习的第一大挑战。”因为投资于员工和人工智能技术的发展是一个持续的过程，与技术一起不断发展。让您的整个员工达成一致并获得适当的技能可能意味着看到 AI 概念证明成为可扩展的、实际的应用程序或完全失败之间的区别。

与追求孤立的概念证明的公司相比，我们研究中战略性扩展 AI 的公司报告的 AI 投资回报率接近 3 倍。

埃森哲

我们要去的地方

通过与 IT 领导层合作，业务领导者有机会推动基于业务环境的数据和 AI 战略。为了使 AI 技术具有相关性、可维护性和可解释性，它需要赋予人们权力并与业务战略和目标联系起来。我们将看到 AI 解决方案从概念验证模型转变为针对业务和行业特定用例的广泛实施。

加速麦当劳的人工智能价值

麦当劳通过在全球 20 多个市场的 Databricks Lakehouse 平台上利用 Tableau，转变了他们的企业 ML 战略和运营，以加速创造价值。他们能够更快地交付生产就绪模型，支持从菜单个性化到客户生命周期价值的用例。

各个行业都在以创新的方式开发和使用人工智能。毕马威最近的一项研究检查了五个行业(零售、运输、医疗保健、金融和技术)的人工智能部署，发现对于“91% 的医疗保健行业受访者来说，人工智能正在增加患者获得护理的机会。”据《哈佛商业评论》称，尽管大多数企业手动管理其供应链，但“那些在未来几个月和几年内采用人工智能的企业将实现显着的竞争差异化”。

Avaya 使用 CRM 分析简化销售报告

Avaya销售组织依赖大量的 CRM 数据，这些数据分析得越快、越智能，卖家的定位就越好。多年来，产生有意义的预测是耗时的，需要在不同地点生成报告，客户团队必须手动汇总和解释。目前还不清楚卖家应该立即采取什么行动。借助 CRM 分析，Avaya 简化并加速了其报告流程——将 12,000 多份全球报告减少到 15 个仪表板——并向所有人提供自助式分析。

Vicinity Centers 使用 ML 预测能源使用情况

Vicinity Centres是澳大利亚领先的零售物业集团之一，它希望降低关税所依据的峰值能源消耗。他们的 Data Science & Insights 团队构建了一个 ML 算法来分析人流量、天气、日期和时间等因素，以提前 24 小时预测能源需求。基于中心的运营团队使用这些预测来制定敏捷策略以减少高峰消耗。这一举措导致显着的成本避免和额外的分析，以优化太阳能的使用，帮助附近实现净零碳排放。

多亏了云计算，人工智能变得更实惠、更容易获得，从而在体验和行业中带来更大的创新。此外，由于更加关注业务成功，我们将看到结合不同人工智能技术以实现更好结果的解决方案(也称为复合人工智能)，以支持人们，特别是将这种智能“调整”到特定的工作流程。

您必须提供创造性的技术新用途，以使您的组织能够快速扩展数字化。您必须与业务和其他 IT 领导者协作，并创建融合来自不同学科的业务和 IT 技能的团队。

GARTNER®1

通过共享技能、思维方式和价值观(数据文化和数据素养)，工作流程将变得栩栩如生，效率更高，这有助于人们完成人工智能成功所需的新的、更复杂的数据科学和分析任务。

建议

1. 将人工智能视为一项团队运动。通过节省人们的时间或提升他们的技能或专业知识，确定哪些任务和功能最能支持人类增强。首先查看客户的需求和痛点，以了解您的 AI 解决方案可以在哪些方面为他们增加价值。问自己这些问题，看看是否值得开发概念验证或试点：

有多少客户有类似的需求或遇到同样的问题?

这些问题多久发生一次?

这些问题可以通过人工智能技术解决吗?

2. 关注业务用例和成功因素，从概念验证转变为成功扩展。

通过将解决方案与具有明确目标的实际业务问题联系起来以实现其价值，从而推动有意识的和情境化的 AI。

确定人工智能可以在哪些方面启用和减少摩擦。避免尝试在您的产品套件的各个方面启用人工智能——您将难以通过将资源分散得太少来扩展。

有用的 AI 自动化示例

基于 ML 的 AI 可以收集和使用来自物联网传感器和智能设备的数据。思考：嵌入式智能可根据人体运动调整恒温器，或在没有下雨的情况下打开洒水器。

在可视化分析中，人工智能算法可以根据数据属性提供可视化建议，以找到有用的模式和见解，并从用户过去与可视化分析工具的交互中学习。

警惕“闪亮的”白日梦项目。虽然很有吸引力，但它们很少超越概念证明。并通过为 AI 项目设定切合实际的时间和范围预期，平衡预算、时间、高科技人员和基础设施等所有资源来消除噪音。

星巴克利用现有 AI 提供创新体验

星巴克最近在纽约市开设了一家使用 Amazon Go 的无收银员技术的分店。顾客进店时扫描二维码。当他们抓取预制物品时，相机、秤和传感器的组合会确定哪些物品并相应地向客户收费。

3. 投资于数据素养以提升和发展您的员工队伍。

数据质量差会导致 AI 解决方案不准确和无效。具有数据素养的员工可以改善数据质量问题，利用准确、及时和相关的数据构建和/或训练 AI、ML、NLP 等算法和模型。

即使是基本的“数据 101”培训，无论是内部开发的还是通过第三方提供的，都可以为业务用户提供回答问题所需的知识。这将减少发送给高级分析和数据科学团队的简单或风险较低的分析请求的数量，从而使他们能够腾出时间从事高价值的大型项目。

Databricks 分享有关扩展 AI 的建议

为了帮助扩展性能和成本，Databricks建议使用数据湖库升级您的架构，Comcast、Atlassian、H&M Group、TD Bank、Walgreens、Conde Nast 等客户都在使用该数据湖库。Lakehouse 还支持数据科学家和工程师之间更好的协作。为了让您的员工为 AI 体验做好准备，投资于数据和分析文化，以帮助人们提出正确的问题并教育他们如何使用数据。