论文部分内容阅读
几乎所有企业都发布了AI战略，2019年，AI落地还面临诸多挑战。
刚刚过去的2018年，几乎所有企业都将AI作为重要的发展战略。据《Constellation Research 2018年人工智能研究》显示，60%的组织预计2018年AI投资将增加50%以上，2018年AI预算平均增加50%以上，52%的受访者表示投产或试运行的AI项目用于IT部门;50%表示投产或试运行的AI项目为客户服务/商务用途;46%表示AI项目为销售和营销用途，36%表示AI项目用于提高员工工作效率。
如今，AI被成功用于搜索引擎、预测分析、聊天机器人和像Alexa一样的语音个人助手。它还被嵌入到软件解决方案中，用于管理设施维护、优化库存、销售预测、预测客户未来购买需求，以及许多其他应用。
技术准备充足，企业逐步认识到AI技术可以扩大业务场景，优化决策。说到与AI技术相关的应用，人们最先想到的通常是机器人，但它还有大量其他应用，而且通常是后台应用。受到效率需求的推动，医疗保健和制造業等行业正在进行进一步的创新。
咨询公司McKinsey数据显示，在营业收入超过10亿美元的企业中，接近60%至少启动了AI试验项目。另外，Forrester预计，未来三年，AI相关软件产生的收入将增加近两倍，达到29亿美元。到2021年，机器人自动化技术将能够代替全球大约430万人的工作。
AI不仅意味着更高的利润，还可以在不降低竞争力的情况下增加销售机会，这是因为，AI在发现之前未发现的数据规律方面有巨大的开发潜力，而且具有先发优势。
AI落地面临三大挑战
目前的局面是，在利润方面具有显著优势（要求不断寻找实现差异化的方法）的行业，或者具有大量与流程相关的数据的行业将最先应用AI。组织必须能够对通过AI预测、自然语言处理（NLP）和机器学习节省的成本和实现的收入进行量化。如果你能细化这些成果，通过一个解决方案构建多个项目，你就有足够的动力全面落地AI了。
在制造业，考虑到物联网的兴起，以及用户很难搞清楚其中含义的大量数据，AI将在发现洞察方面发挥显著优势。在零售等行业，电子商务的迅速发展导致竞争愈演愈烈，现在他们可以使用自己的数据作为差异化因素，实现更高的自动化并获得更多洞察。他们可以找到创造更多价值的新模式，例如设定产品零售价、预测缺货情况等。
尽管拥有显而易见的优势，但AI依然面临一些挑战，以下是减缓AI落地的三大主要因素：
早期案例。许多早期的试验案例主要围绕零售和消费应用，企业应用发展一直比较缓慢。这些案例具有局限性，覆盖面较窄，通常只适用于一家公司、一种产品或小众领域。人们很难从与自己的市场完全不相关的案例中学习经验。
没有确定的最佳做法。AI全面落地的另一个障碍是目前缺乏明确的最佳做法。早期采用AI的组织在记录AI的落地工作时通常只进行简要概述，出于保护专利概念的目的故意模糊其辞。在实施AI方面，企业没有可以借鉴的详细操作经验，需要自行研究。
未知的财务影响。对AI的财务影响知之甚少是又一个尚未解决的问题。截至目前，媒体报道的成功应用通常集中在技术领域，而且是由IT团队主导的，而不是需要解决特定的市场问题或达成量化目标的业务经理。这种以技术为中心的方法有其自身的价值，但也有局限性，例如缺乏支持企业用例或投资回报率（ROI）的数据。
所以，企业如果要在2019年落地AI，需要收集可用于提出大规模实施建议和获得利益相关者，尤其是财务部门支持的量化数据。
“我们认为AI是一项基础技术，会在所有行业、产品和用例中得到广泛应用。相比只适用于某个行业中某个用例的产品，为什么不开发一种适用于所有企业用户，让所有业务部门都能利用机会的解决方案呢？根据我们的经验，几乎不可能重复使用一种AI技术，因为不同客户的数据模式千差万别。然而，通用平台应提供一个模板，让客户可以根据自己的准确需求和数据调整AI。Infor的Coleman AI Platform就是这样一个平台。”Infor技术产品总监 Rick Rider表示。
AI落地前，不妨先试验
IT部门和开发人员希望尽快部署AI，但决定性因素更多是成本。企业领导和董事会成员希望先搞清楚投资回报率（ROI），因此，许多企业会在2019年选择可衡量的项目。
部署AI前可以先进行AI试验，而通过AI试验可以取得三个成果：
成本合理性。通过试验阶段，组织会从提高生产力、减少浪费、刺激客户消费和创造新收入方面确定行之有效和无效的措施，以及对利润的影响。收益随时间的增长（即使是小幅增长）将证明成本的必要性和合理性。
可扩展模型。除了生成ROI数据，详细的试验案例记录还可以为后期扩展AI应用提供可扩展的框架，从而帮助企业加快未来全面落地AI的速度。创新型解决方案提供商帮助客户快速启动试验项目采用的方法包括发现决策工具、培训服务、流程自动化和内置智能工作流程。使用适当的工具可以将探索过程缩短至两个月。
地下水配送联合公司Headwater Companies信息技术总监Matt Hendrickson表示，公司最近部署了Infor Coleman AI Platform，该平台包括居民开发者工具包，用于指导用户建立可扩展模型。他指出：“对我们来说，AI解决方案必须便于部署和使用才能充分发挥它的作用。快速部署计划有助于促进AI的落地，如果我们不需要经过几个月或几年的开发就能利用解决方案，剩下的工作就顺理成章了。”
团队忠诚度。成功的试验案例会为用户带来积极的体验，这将帮助团队克服被AI取代或边缘化的恐惧。主动向员工展示AI只是一个工具，不会取代人类，这将有助于克服可能导致项目失败的怀疑心理。通过让组织中多个层级的员工参与其中，试验项目可以帮助员工形成新的心态，完全接纳AI及其巨大潜力。
刚刚过去的2018年，几乎所有企业都将AI作为重要的发展战略。据《Constellation Research 2018年人工智能研究》显示，60%的组织预计2018年AI投资将增加50%以上，2018年AI预算平均增加50%以上，52%的受访者表示投产或试运行的AI项目用于IT部门;50%表示投产或试运行的AI项目为客户服务/商务用途;46%表示AI项目为销售和营销用途，36%表示AI项目用于提高员工工作效率。
如今，AI被成功用于搜索引擎、预测分析、聊天机器人和像Alexa一样的语音个人助手。它还被嵌入到软件解决方案中，用于管理设施维护、优化库存、销售预测、预测客户未来购买需求，以及许多其他应用。
技术准备充足，企业逐步认识到AI技术可以扩大业务场景，优化决策。说到与AI技术相关的应用，人们最先想到的通常是机器人，但它还有大量其他应用，而且通常是后台应用。受到效率需求的推动，医疗保健和制造業等行业正在进行进一步的创新。
咨询公司McKinsey数据显示，在营业收入超过10亿美元的企业中，接近60%至少启动了AI试验项目。另外，Forrester预计，未来三年，AI相关软件产生的收入将增加近两倍，达到29亿美元。到2021年，机器人自动化技术将能够代替全球大约430万人的工作。
AI不仅意味着更高的利润，还可以在不降低竞争力的情况下增加销售机会，这是因为，AI在发现之前未发现的数据规律方面有巨大的开发潜力，而且具有先发优势。
AI落地面临三大挑战
目前的局面是，在利润方面具有显著优势（要求不断寻找实现差异化的方法）的行业，或者具有大量与流程相关的数据的行业将最先应用AI。组织必须能够对通过AI预测、自然语言处理（NLP）和机器学习节省的成本和实现的收入进行量化。如果你能细化这些成果，通过一个解决方案构建多个项目，你就有足够的动力全面落地AI了。
在制造业，考虑到物联网的兴起，以及用户很难搞清楚其中含义的大量数据，AI将在发现洞察方面发挥显著优势。在零售等行业，电子商务的迅速发展导致竞争愈演愈烈，现在他们可以使用自己的数据作为差异化因素，实现更高的自动化并获得更多洞察。他们可以找到创造更多价值的新模式，例如设定产品零售价、预测缺货情况等。
尽管拥有显而易见的优势，但AI依然面临一些挑战，以下是减缓AI落地的三大主要因素：
早期案例。许多早期的试验案例主要围绕零售和消费应用，企业应用发展一直比较缓慢。这些案例具有局限性，覆盖面较窄，通常只适用于一家公司、一种产品或小众领域。人们很难从与自己的市场完全不相关的案例中学习经验。
没有确定的最佳做法。AI全面落地的另一个障碍是目前缺乏明确的最佳做法。早期采用AI的组织在记录AI的落地工作时通常只进行简要概述，出于保护专利概念的目的故意模糊其辞。在实施AI方面，企业没有可以借鉴的详细操作经验，需要自行研究。
未知的财务影响。对AI的财务影响知之甚少是又一个尚未解决的问题。截至目前，媒体报道的成功应用通常集中在技术领域，而且是由IT团队主导的，而不是需要解决特定的市场问题或达成量化目标的业务经理。这种以技术为中心的方法有其自身的价值，但也有局限性，例如缺乏支持企业用例或投资回报率（ROI）的数据。
所以，企业如果要在2019年落地AI，需要收集可用于提出大规模实施建议和获得利益相关者，尤其是财务部门支持的量化数据。
“我们认为AI是一项基础技术，会在所有行业、产品和用例中得到广泛应用。相比只适用于某个行业中某个用例的产品，为什么不开发一种适用于所有企业用户，让所有业务部门都能利用机会的解决方案呢？根据我们的经验，几乎不可能重复使用一种AI技术，因为不同客户的数据模式千差万别。然而，通用平台应提供一个模板，让客户可以根据自己的准确需求和数据调整AI。Infor的Coleman AI Platform就是这样一个平台。”Infor技术产品总监 Rick Rider表示。
AI落地前，不妨先试验
IT部门和开发人员希望尽快部署AI，但决定性因素更多是成本。企业领导和董事会成员希望先搞清楚投资回报率（ROI），因此，许多企业会在2019年选择可衡量的项目。
部署AI前可以先进行AI试验，而通过AI试验可以取得三个成果：
成本合理性。通过试验阶段，组织会从提高生产力、减少浪费、刺激客户消费和创造新收入方面确定行之有效和无效的措施，以及对利润的影响。收益随时间的增长（即使是小幅增长）将证明成本的必要性和合理性。
可扩展模型。除了生成ROI数据，详细的试验案例记录还可以为后期扩展AI应用提供可扩展的框架，从而帮助企业加快未来全面落地AI的速度。创新型解决方案提供商帮助客户快速启动试验项目采用的方法包括发现决策工具、培训服务、流程自动化和内置智能工作流程。使用适当的工具可以将探索过程缩短至两个月。
地下水配送联合公司Headwater Companies信息技术总监Matt Hendrickson表示，公司最近部署了Infor Coleman AI Platform，该平台包括居民开发者工具包，用于指导用户建立可扩展模型。他指出：“对我们来说，AI解决方案必须便于部署和使用才能充分发挥它的作用。快速部署计划有助于促进AI的落地，如果我们不需要经过几个月或几年的开发就能利用解决方案，剩下的工作就顺理成章了。”
团队忠诚度。成功的试验案例会为用户带来积极的体验，这将帮助团队克服被AI取代或边缘化的恐惧。主动向员工展示AI只是一个工具，不会取代人类，这将有助于克服可能导致项目失败的怀疑心理。通过让组织中多个层级的员工参与其中，试验项目可以帮助员工形成新的心态，完全接纳AI及其巨大潜力。