在高德纳,我们定义了人工智能(AI)应用先进的分析和基于逻辑的技术,包括机器学习(ML),来解释事件,支持和自动化决策,并采取行动。这一定义与人工智能技术和能力的当前和新兴状态是一致的,它承认人工智能现在通常涉及概率分析(结合概率和逻辑为不确定性赋值)。
其他组织和个人可能会使用不同的定义。没有单一的,被普遍接受的人工智能描述符因为人工智能可以支持、增强和自动化人类活动,并独立学习和行动的方式非常广泛(见“什么是机器学习?”)。
然而,要抓住作为一个组织的AI的机会,你需要清楚地表达并同意一个普遍接受的定义,关注你想要AI实现的目标。(参见“什么是企业AI战略?”)。
保留意见分歧的空间,但要确保业务、IT、数据和分析部门的领导对人工智能对组织的意义没有根本上的分歧,否则你将无法设计出一种能够捕捉到这些好处的战略。
请注意,人工智能技术供应商可能也有他们自己的术语定义。请他们解释他们的产品如何满足你对人工智能如何实现价值的期望。
机器学习是一项让人工智能解决问题的关键技术。尽管存在普遍的误解(以及流行文化中的误称),机器是不会学习的。它们存储和计算的方式越来越复杂。
机器学习是一门纯粹的分析学科。它将数学模型应用到数据中,以提取知识,并发现人类可能遗漏的模式。ML还建议行动,但它不指导系统在没有人类干预的情况下采取行动。
更具体地说,机器学习创建一个算法或统计公式(称为“模型”),将一系列数据点转换为单个结果。ML算法通过“训练”来“学习”,在“训练”中,它们识别数据中的模式和相关性,并使用它们提供新的见解和预测,而无需明确地编写这样的程序。
深度学习,一种机器学习算法的变体,通过从原始数据中提取知识并在每一层进行转换,使用多层算法来解决问题。通过处理复杂且通常是高维的数据,如图像、语音和文本,深度学习可以超越传统的ML(或浅学习技术)。然而,无论是基于规则的系统还是传统的ML都可以有效地解决许多AI问题。
在大多数组织中,深度学习解决方案还不是产品路线图的重要组成部分(基于规则的系统或传统ML可以有效地支持今天的大多数AI用例),但随着数据处理的进步和计算技术的突破,它们的使用正在迅速增加。
使用ML(包括深度学习)进行预测可以使人工智能驱动的过程自动选择最有利的结果,从而不需要人工决策者.
IT和数据分析领导者可以使用人工智能技术解决大量的业务问题并能产生可观的投资回报;然而,对于大多数组织来说,问题是如何使用人工智能来创造或加速增长数字业务.
人工智能的主要机遇在于:
高德纳(Gartner)的研究一直表明,首席信息官们看到了人工智能带来的巨大机遇,但在实践中仍难以抓住这些优势。然而,人工智能最终将重塑工作方式,因为这项技术取代了一些通常由员工完成的任务,并改变了日常决策的制定方式。用例主要分为三类:自动化和优化、生成洞察力和创建类人参与(例如,聊天机器人和虚拟助手)。(参见“人工智能在商业中的应用有哪些例子?”)。
但就目前而言,人工智能的炒作可能很盛行这使得一些组织很难对业务结果设定正确的期望。不受控制的炒作会导致项目没有成功的机会。当这种情况发生时,抱着不切实际期望的商业领袖会指责技术和科学无法实现他们所希望的变革。
确保从一开始就为AI建立企业战略,以确定用例和成功的度量标准。衡量效益的常用方法包括降低风险、加快过程、提高销售、提高客户满意度以及减少劳动力需求或成本。许多业务案例依赖于有形和无形利益的结合。(参见“什么是企业AI战略?”)。
作为一个新兴技术在美国,人工智能的全部影响和好处尚未实现。例如,人工智能创新是扰乱现有市场的众多力量之一,催生了新的数字商业计划。但人工智能也正以各种方式应用于各行各业、组织和职能部门。一些来自商业运作的例子如下:
为了让企业获得AI的好处,执行领导者应该建立一个企业范围的AI战略,确定用例,量化好处和风险,使业务和技术团队一致,并改变组织能力,以支持AI的采用。
为了确保你从AI中获得价值,战略性地选择主动性,关注你的组织试图实现的目标和你正在努力解决的业务问题。为了让人工智能真正起飞,你需要将人工智能作为你现有应用家族的一部分——这包括从业务的各个领域获得数据来支持它所提供的功能。
处于AI成熟早期阶段的组织更有可能在推进到价值主张的关键元素(如客户体验)之前,围绕成本控制来追求用例。高德纳(Gartner)的研究显示,随着成熟度的增长,人工智能的应用会越来越广泛,产生的影响也会越来越大。
企业AI战略的关键要素是:
人工智能学科正在迅速发展新技术、专用基础设施和硬件。在未来五年内,Gartner预计企业将采用尖端技术,实现更智能、更可靠、更负责任和环境可持续的人工智能应用。
如今,人工智能的发展轨迹更接近于之前的技术。对于公司和政府来说,人工智能正变得越来越:
展望未来,企业将继续追求人工智能来增强其决策过程。那些迅速采用这些方法的精明企业将推动更具竞争力的差异化,变得更加敏捷,对生态系统的变化反应更灵敏。
对基础设施和运营团队来说,执行AI战略仍然是一个挑战。从现场开始意味着投资于难以预测的基础设施和架构、人员和资金。这使得云计算的选择很有吸引力,但随着人工智能需求的增长和所需投资的增加,云计算可能会变得更难负担(对云提供商的承诺更令人担忧)。这就是为什么平衡云计算功能和基础设施投资的策略如此有吸引力(所谓的云/本地混合策略).
Gartner对人工智能的战略规划假设如下:
大多数商业组织不知道或不理解人工智能的内部工作原理,这可能会引发对公平、安全和隐私.但如果企业不相信因此,组织需要制衡来评估和应对威胁和损害,并确保完整性嵌入AI。
Gartner将其人工智能风险管理框架称为“大多数因为它有以下三个支柱:
随着人工智能在企业中成为主流,威胁将不可避免地随之而来,并导致严重的组织风险。组织必须主动评估这些威胁。通过这样做,他们可以增加利益相关者对人工智能的信任。
事实上,高德纳预计,到2025年,监管将使关注人工智能伦理、透明度和隐私成为必要,这将刺激(而不是扼杀)全球人工智能的信任、增长和更好的功能。