[企业人工智能] 如何开启企业 AI 之旅

发布时间:

2022-07-26 00:00

 

  人工智能(AI)可以帮助企业释放创造力并获得竞争优势,但大规模地构建 AI 仍是一个挑战。

  

 

  众所周知,AI 的潜力令人兴奋。在金融行业中,金融分析师能够通过使用 AI 来提高市场分析的质量。使用 AI,企业可以收集数百万条来自公司的推文,监管申报材料,甚至媒体露面的数据来确定语言和行为的模式,通俗地讲,AI 可以告诉你一家公司的好消息是否真实。

  尽管 AI 技术的应用令人振奋且具有前瞻性,许多吃螃蟹的公司仍难以通过小规模的实验性项目来证明回报率或商业价值。Gartner报告称,在2022年,48%的领军企业已经部署或计划在未来12个月内部署 AI 和机器学习 (ML) 。然而报告也表示,其中许多组织直到2025年才会在生产中有效地使用 AI。 DDN 公司致力于 AI 存储系统的研发和销售,其产品高级副总裁James Coomer说:“问题通常不在于 AI 本身,而是在于大规模提供 AI 。” DDN 解决了一些全球相当大的 AI 项目,帮助企业规划他们的 AI 生产之旅。AI 的大规模实施和部署可以帮助企业为客户和股东提供创新方案和更大的商业价值。例如,使用规模不太大的数据集,一些线上零售和消费者偏好分析的用例可以在中等规模的部署中运行良好。然而,在自然语言处理和实时视频分析时所需要的数据集,远远超出了传统 IT 团队的经验。James Coomer说:“真正实现 AI 意味着要处理呈指数级增加的海量数据。不仅数据量更大,大部分是非结构化的数据,如视频、音频或图像。” 对于一些企业来说,收集和处理海量数据的能力可以激发出另一个维度的创新。例如,DDN近期与Recursion制药公司合作,使用 AI 来加速新药研发的进程。Coomer表示:“使用 AI 可以大规模地加快科学家学习和开发新疫苗或新药的能力。”DDN在支持客户的 AI 项目方面拥有20年的经验,涉及的行业包括金融服务、无人驾驶汽车和生命科学等。一些专家报告说,87%的 AI 项目从未通过原型阶段,Coomer对此并不感到惊讶。刚开始项目很小,数据量可以很容易地管理。但一旦一个模型成功,数据量和数据摄取速度都将迅速增加,这常常让人措手不及。尽管如此,Coomer乐观地认为,AI 即将摆脱其复杂、昂贵和经常失败的名声。我们现在看到的是,市场正变得越来越成熟,工具也越来越成熟,组织还可以通过买AI 优化的系统,使其更容易大规模地运行 AI 项目。同时,DDN 建议客户考虑采用 "AI 工厂 "的方法。这是一种处理 AI 项目的方法,它允许企业围绕人员、数据和生产建立一个一致的流程框架,该方法可以复制,使企业在未来更容易扩展 AI 项目。 如果说传统的工厂以成本合算和可靠的方式制造了大量的实体产品,那么 AI 工厂在 AI 解决方案方面也是如此。AI 工厂为组织提供了一个框架,使其可靠地、大规模地建立大量的AI 模型。它不仅仅是MLOps(机器学习操作)--它将这种方法与DataOps、ModelOps和DevOps结合起来,以创建一个一致的方法来加速 AI 部署。一个 AI 工厂框架可能会重新定义 AI工作的流程和方法,如如何将安全应用于数据,如何管理数据平台,或如何减少数据孤岛以提高整体性能。这个参考架构,可以减少大规模建设 AI 的风险和工作量。

  通过采用标准化的流程和治理,会大量减少与 AI 相关的风险。对于刚接触AI的组织,Coomer建议从以下四个基本要求来考虑 AI 项目。

  1您需要能够确定需要什么数据;什么是正确的数据源,您将如何捕获和组织这些数据?

  2您是否采用正确的治理?如果您正在建立一个对客户保险做推荐的 AI 模型,您如何证明该模型训练好了并可靠地使用数据的?

  3拥有合适的人和合适的工具是很重要的。为了构建知识,让数据科学家和数据团队更容易共享知识和高效协作。

  4确保你有正确的平台来有效地处理数据。许多项目的失败都是因为数据瓶颈,或因为网络和设备不能大规模处理数据

  据 Coomer 介绍,许多 AI 系统一进入现实世界就淹没在数据中,因为传统方法无法管理大规模 AI 模型所需的极大的数据量。AI 系统需要以非比寻常的速度摄取数据,并且使这些数据能被安全访问,以做出用于深度学习的关键决策。当谈到第四个要求时,Coomer 建议公司仔细考虑存储系统的容量。"根据我们的经验,人们往往从 GPU 和计算方面考虑 AI 项目,但没有考虑数据摄取和一旦 AI 模型投入生产后所涉及的数据量,"Coomer 说。"你可以拥有出色的数据科学家和模型,但如果你的存储不能摄取支持你的 AI 模型几百PB的数据,那么你的项目终将失败。"

  不要落入做你一直在做的事情的陷阱中

  企业应该通过采用 AI 优化的系统和流程,为更大的数据需求做好准备。这些系统在开发时考虑到了AI ,以便在数据流程的每个阶段进行调整,提高数据摄取和传输的速度和效率。德勤在其《企业人工智能状况》报告中发现,投资AI 的IT领军者的首要任务是为AI 实现数据基础设施的现代化。 Coomer说,如今,AI 不会再是早期采用者所经历的那么复杂、痛苦的。今天,开展 AI 项目的公司可以获得越来越多的 AI 优化工具和平台,使其更容易和更快地大规模部署 AI。德勤发现,至少80%的技术领军者购买的 AI 技术与他们研发的技术一样多,而且公司使用AI 的时间越长,他们就越有可能购买商业平台和工具。 为了从 AI 中取得快速的成果,组织必须投资 AI 四个支柱--数据、人员、流程和平台。"它们都很重要,我们在 DDN 关注的是解决平台部分的问题,无论你需要的是一台单机架的二十分之一,还是在不增加复杂性的情况下处理PB级数据的东西,"Coomer说。"关键要记住的:不要落入做你一直在做的事情的陷阱,而要从根本上解决问题开始。"

相关新闻