人工智能到底是什么?一個常見的定義是“在機器中模擬人類的智能，這些機器被編程為像人類一樣思考并模仿他們的行為。”人工智能系統可以看作表現出與人類思維相關特征并具備學習和解決問題的能力的任何系統。

[[393590]]

具有人工智能功能的技術、產品和服務可以為組織帶來巨大的好處：提高效率、實現人工流程的自動化、增強決策能力、改善客戶服務和體驗，以及解決復雜問題的能力等等。

但是，IT和業務領導者必須善于將炒作與現實區分開。正如研究機構Gartner公司指出的那樣，許多組織都在努力為人工智能賦予現實價值。組織領導者往往高估了人工智能技術的影響，而低估了其復雜性。

該公司在2020年初發布了一份有關組織采用人工智能的報告，該報告基于對來自美國、德國和英國的組織的600多名高級管理人員的調查。報告表明，三分之一以上的受訪者表示已經部署并使用了人工智能，超過一半的受訪者表示計劃在一年之內部署人工智能。約三分之一的受訪者表示計劃在兩年內部署人工智能。

該報告稱，組織平均需要9個月的時間才能開發出從原型到生產的人工智能計劃。盡管人工智能技術人才的普遍短缺，但人才的缺乏并不是成功部署人工智能的主要障礙。人工智能成功應用的主要限制因素是缺乏明確的結果。

制定策略

Gartner公司的調查報告指出，組織還面臨著涉及集成、安全性和隱私問題的挑戰，這些挑戰使他們無法有效地將人工智能實踐從原型轉移到生產中。

這就是人工智能工程可以發揮關鍵作用的地方。卡內基梅隆大學軟件工程研究所(SEI)新興技術中心主任、美國國家人工智能工程計劃負責人Matt Gaston說，“人工智能工程是設計、構建、測試、部署、操作和發展可靠人工智能系統的過程、工具和最佳實踐。人工智能本身就是關于創造智能模型或能力的特定人工智能技術，例如機器學習。人工智能工程將這些智能模型或功能轉變為功能全面的系統，以提供業務、運營或任務解決方案。”

Gartner公司副總裁兼分析師Erick Brethenoux表示，人工智能工程將組織中的各個學科整合在一起，為實現多種人工智能技術的組合提供了一條實現價值的更清晰的途徑，并將人工智能工程列為2021年最具戰略意義的技術趨勢之一。

與客戶合作采用人工智能工程策略的Brethenoux表示，穩健的人工智能工程策略將促進人工智能模型的性能、可擴展性、可解釋性和可靠性，同時實現人工智能投資的全部價值。他說：“人工智能工程包括將人工智能投入生產的方法、最佳實踐、能力和技術，可以管理和監控組織的人工智能使用。”

Brethenoux指出，通常可以將人工智能分為兩個主要周期：第一個周期是根據應用程序類型開發和訓練機器學習模型，例如基于規則的模型、優化模型或自然語言處理模型。第二個周期是組織內部模型的實施。

Brethenoux說：“眾所周知，一些組織在實施人工智能模型方面表現不佳。他們擅長開發模型，并大量開發了許多模型。但是使用這些模型投入生產是困難的。我們需要一種將這些模型的生產系統化的方法，這正是人工智能工程發揮重要作用的地方。”

Brethenoux表示，人工智能工程不應該是為特定項目實施人工智能的非正式或臨時性工作。與其相反，它應該在組織中實現正式化，以使其成為所有使用人工智能和機器學習的最佳實踐。

Gaston指出，“人工智能工程是一門新興學科，它將隨著時間的推移而發展壯大，并與我們在人工智能領域看到的快速創新保持同步。也就是說，組織正在使用人工智能工程來創建和維護包含人工智能技術的業務解決方案。”

這其中包括確保系統需求由業務需求驅動，為這些需求選擇適當的人工智能技術、測試和監控工具，以確保系統繼續按預期運行。隨著需求或運營環境的變化，流程和框架已經到位，可以更新和發展人工智能系統。

主要組件

成功使用人工智能的關鍵之一是認識到進入運營階段不僅是一個技術問題，而且也是一個業務問題。

Brethenoux說，“將人工智能投入生產時，組織必須與主題專家討論它們正在運行的應用程序，人工智能的用例以及這些應用程序如何為組織服務，然后必須知道已建立的關鍵績效指標是否真的有效。”

Brethenoux表示，組織需要將業務用戶置于其人工智能工程實踐的核心，以確保人工智能交付組織所要實現的目標。

這并不是說技術不重要。人工智能團隊在選擇工具和技術時需要有敏銳的洞察力，以確保他們能夠實現組織在人工智能方面的目標，并且能夠輕松地與現有產品以及其他新的人工智能工具集成。

另一個重要的考慮因素是組織輸入模型的數據的質量。Brethenoux說，“數據來自哪里，它的可靠性如何?”

可以幫助組織提高數據質量的一個相對較新的學科是DataOps，DataOps是數據分析團隊使用的一種自動化的、面向過程的方法，旨在通過敏捷方法來提高數據質量，并縮短分析周期。

DataOps適用于從數據準備到報告的完整數據生命周期，并且它承認數據分析團隊和IT運營是相互聯系的。

希望利用人工智能的組織還需要具備適當的技能。其中包括使用Python、R、Java、C ++等編程語言的經驗;包括算法和數據庫的機器學習;數據科學神經網絡架構;包括概率和統計的應用數學;機器人技術計算機視覺。從事人工智能項目的專業人士也需要軟技能，如良好的溝通和協作、批判性思維和創造力。

Brethenoux表示，新興的相關技能之一是機器學習驗證。模型驗證是使用測試數據集評估經過訓練的模型的過程。使用測試數據集的主要原因是測試訓練模型的一般能力。

Brethenoux說：“這些人員將參與人工智能模型的整個生命周期，從數據的角度進行驗證，然后從開發的角度進行驗證，然后從操作的角度進行驗證。他們將評估使用這些模型所做的一切是否有效、合法和技術上可行。”

Brethenoux表示，獲得人工智能技能并不像許多組織認為的那么難。組織內部需要擁有正確的人才發現計劃、適當的提升技能和教育實踐，以及外部人才組合，這是他們取得成功所需要的一切。

人工智能的未來發展

Gaston表示，許多組織意識到人工智能可以通過多種方式提供真正的商業價值，并開始建立自己的數據科學、機器學習和人工智能團隊。

Gaston說，“雖然這些都是重要的第一步，但大多數數據科學或機器學習團隊的功能是在受嚴格控制的環境中使用數據生成模型。至關重要的是，組織必須從整體上著眼于如何實現、運營和維護用于業務解決方案的人工智能，并且它們需要為此帶來各種才能、思想和經驗。”

組織無需制定人工智能工程策略即可推進人工智能項目。但是，如果這樣做的話，該技術獲得長期和全面成功的可能性將會受到限制。這是一個具有戰略性和強大功能的工具，不適合隨意使用。

Brethenoux說，“我認為這是解決人工智能問題的唯一途徑。如果不從事人工智能工程設計，那么只有約35%到45%的模型會找到他們的生產方式。因此，組織將會浪費其余的模型，并且每次都必須從頭開始。”

人工智能的主要問題之一將繼續從開發和培訓階段過渡到運營/產品階段。如果組織不對人工智能采用結構化、工程化的方法，這仍然是一個問題。

Brethenoux說：“那些在人工智能方面做得很好的組織正在更系統地完成這項工作，他們從中獲得了非常好的收益。我很想問，‘如果組織并沒有計劃實現運營目標，為什么還要采用人工智能呢?’在此之前，這只是一個有趣的智力練習。當組織部署人工智能時，它將成為一種經濟優勢。”

人工智能工程的基礎實踐

作為卡內基梅隆大學一部分的聯邦資助的研發中心，其軟件工程研究所(SEI)已為人工智能工程編寫了11項“基礎實踐”。這些是軟件工程、網絡安全和應用人工智能領域的專家為IT和業務決策者提供的建議。以下是對這些實踐的總結：

(1) 確保組織存在應該采用人工智能解決的問題。從定義明確的問題開始，了解組織要完成的工作和所需的結果，同時確?？梢允褂脭祿韺崿F這些結果。

(2) 在組織的軟件工程團隊中包括各種主題專家，如數據科學家和數據架構師。有效的人工智能工程團隊包括問題領域的專家、數據工程、模型選擇和優化、硬件基礎設施和軟件架構，以及軟件工程專業知識。

(3) 認真對待數據。數據接收、清理、保護、監視和驗證對于設計成功的人工智能系統至關重要，它們需要大量的資源、時間和注意力。確保組織的流程考慮到環境的變化、可能的偏見和潛在的對抗性利用。

(4) 根據組織需要模型執行的操作而不是其流行程度來選擇機器學習算法。算法在幾個重要方面有所不同，其中包括它們可以解決的問題類型、輸出信息的詳細程度以及輸出和模型的可解釋性。組織需要選擇適合解決特定問題并滿足業務和工程需求的算法。

(5) 通過部署集成的監視和緩解策略來保護人工智能系統。軟件工程研究所(SEI)的研究表明，人工智能系統的攻擊面正在擴大，而更廣泛的攻擊面又加劇了運營環境的脆弱性。通過進行持續的評估和驗證來應對這一問題?？紤]到新威脅的出現速度很快，這一點尤其重要。

(6) 定義檢查點以說明恢復、可追溯性和決策依據的潛在需求。人工智能系統對輸入數據、訓練數據和模型之間的依賴關系非常敏感。對任何一個系統的版本或特征的任何更改都可能很快影響其他系統。

(7) 結合用戶體驗和交互，不斷驗證和發展模型。盡可能使用自動化的方法來獲取系統輸出的反饋并改進模型。監控用戶體驗，盡早發現問題。另外，還要考慮到用戶的偏見。

(8) 為解釋輸出做好準備。軟件工程研究所(SEI)的研究表明與其他大多數系統相比，人工智能輸出需要更多的解釋。人工智能系統引入的不確定性在某些情況下可能是不可接受的。結合機器學習組件也需要設計輸出的不確定性。

(9) 實現可擴展或替換的松散耦合工具，以適應不可避免的數據和模型更改。與傳統系統相比，人工智能系統組件之間的邊界惡化的速度更快。

(10) 組織在系統的整個生命周期中投入足夠的時間和專業知識來進行持續不斷的變化。很多組織的團隊嚴重低估了所需的資源。構建人工智能系統最初需要更多的資源，這些資源需要迅速擴展，并且在系統的整個生命周期中都需要投入大量資源。