抵御另一个人工智能冬天的最后一道防线

许多人担心人工智能的另一个冬天即将到来。虽然不缺乏最大似然解决方案，但实际上只有十分之一是由企业部署的。因此，我们有必要通过五种策略大幅降低部署成本。此外，我希望这篇文章能帮助微软高管、经理和员工深入思考，迅速行动。这将是抵御“人工智能冬天”的一道屏障。

1。一个故事

在我上一篇文章中得知“数据科学很无聊”的结论后，一家加拿大银行的高级经理米歇尔提出了一个积极的数学建模议程，并与我进行了热烈的讨论。

米歇尔监管银行的概念验证投资组合。在每个概念验证项目中，她需要确定某项最大似然技术能否在4到6个月内为企业带来价值。她希望进一步实现目标——，不仅要完成更多的概念证明，还要真正部署更多的M1项目。顺便提一下，她目前的部署率只有13%左右。

这就引出了两个重要问题: 我们为什么无法部署更多 ML 解决方案？又一波 AI 寒冬是否即将来临？

让我简单地回答:是的，如果你没有提高M1解决方案的部署率，那么另一个人工智能的冬天确实来了。你和你的数据科学团队将是抵御寒流的最后一道防线。如何战斗？解决五大核心挑战，保持发展势头。否则，你和你的团队将失去这份“21世纪最性感的工作”(不是我说的，而是网上发布的)。

自2012年以来，我们经历了“人工智能之春”的浪潮，这可以说是一个很好的局面。这真是一个聪明的春风。随着技术的突破、深入学习的逐步商业化、计算资源成本的不断降低，再加上谷歌和Avida等巨型制造商的推广，人们对人工智能的关注度有所提高。

然而，必须承认，自20世纪60年代以来，人工智能的春天几乎每10年就有一次这样的浪潮，但那时总会有严冬。具体表现包括:1)怀疑主义主导主流；2)资本投资大幅减少。

人们的怀疑现在是主流吗？这似乎是(或至少似乎是)真的。今天市场上有各种各样的观点，我们可以通过谷歌搜索趋势来总结它们。简而言之，目前的趋势是，尽管力仍然很高，但似乎正在趋于平稳。

2019年10月18日谷歌趋势图

尚不可用。目前，资本流动主要分为两种类型:风险资本和企业资本。毕马威发布的一份报告显示，如果将2018年第一季度和2019年第一季度的投资资本与历史交易进行比较，整个风险资本市场将出现降温。然而，风险资本基金的绝对数量仍然相当可观，人工智能将继续处于最热门的领域(直到风险资本家找到更好的机会)。从供给角度来看，人工智能初创企业和人才可能会继续保持增长势头。

数据排序从2019年10月28日开始

另一方面，企业定义了人工智能的真实需求和未来命运，因为:1)企业是人工智能初创企业的目标客户；2)企业雇用最大数量的技术人员。不幸的是，企业内部人工智能项目的投资额大多没有向公众披露。

因此，我们只能从以下基本原则推断:企业是否开始部署人工智能解决方案，以真正实现(而不仅仅是口头支持)这一新兴技术承诺的价值？如果答案是肯定的，他们肯定会保持或增加必要的资本投资。

让我们看看下面的具体级别，看看企业近年来是如何使用和部署人工智能特性的。

1)N=来自北美、欧洲和亚洲的114000家机构；2)国际分析机构；3) 《福布斯》，2019

注意事项: a)本调查不代表总体情况。一些企业肯定会部署超过10%的人工智能项目。我见过部署率在25%到40%之间的公司，但规模通常相对较小。b)我们不确定10%的部署是否高。由于公共数据有限，我们无法比较移动电话和非移动电话概念验证项目之间的部署率差异，也无法判断10%的部署率是否能带来足够的投资回报来抵消所有概念验证项目的总成本。但总的观点是，“我们可以做得更好。”调查涵盖不同的企业，但主要针对北美的大型组织。

我的主要观点是:如果企业不部署更多的M1解决方案，那么对人工智能技术的内部需求就会减少；毫升天赋会失去耐心，选择离开。风险资本家会把资金转移到其他更有前途的项目上。高管们将失去信心，削减人工智能项目预算。最终，历史会重演:人工智能的另一个冬天肯定会到来，我的背也开始有点冷了。

4。人工智能寒冬和当前核心问题简史@

人工智能冬天有很多原因，可能来自政治、技术和社会。利比·金赛(Libby Kinsey)曾经写了一篇文章来分析当前的形势。好消息是，过去的许多限制因素，如数据(提供更高质量的培训数据需要更强大的服务和工具)、处理能力、业务就绪性和整体数字水平，都有了显著改善。坏消息是，我们仍然面临着一个无法避免的巨大障碍(一些旧问题仍然存在，但它们已经得到了相对缓解)。

在参与调查的企业中，最核心的问题是人工智能部署的经济性。和其他任何技术一样，这也是整个人工智能行业必须克服的一个关键问题。此外，只有尽快采取行动，这些经济因素才能得到解决。

我的好朋友琼·狄迪恩写道:“生活中的变化总是在一瞬间发生，一个普通的瞬间。”我们无法预测事情最终会变成什么样，所以不管人工智能冬天是否真的存在，我们都应该保持警惕，积极准备，保持警惕。

因此，让我们深入思考一下为什么当前企业中只部署了十分之一的ML引入验证项目。我们应该做点什么。

简而言之，M1解决方案部署起来太贵。我们可以将部署工作分为以下五个子问题。在我们理解这些核心问题之后，我们可以将它们一个一个地分解。

1) 流程：从概念验证到部署的路径尚不清楚。大多数企业在其组织内建立概念验证想法，设定优先级，并为一些有前途的想法提供资金。试点项目的培训完成后，每个人都会开几瓶香槟庆祝，然后就没有了。许多团队不知道下一步该做什么，例如在哪里申请资金，以及与谁一起将概念证明扩展到生产级解决方案。事实上，这本身就是一个问题，详见第3点。

核心问题:如何从概念证明转移到生产系统？

解决方案:为预部署分配了专项资金。设置明确的部署标准来分配预算资金(例如，与旧模型相比，新模型的准确性应至少提高2%)。此外，设定一个注入后续资金的精确流程。接下来，制定集成流程，并尽快与信息技术和运营专家讨论。如果要最终部署概念验证项目，还必须配备一套资源分配规划方案。

2) 激励：概念验证项目的KPI设置不正确。概念验证项目通常属于企业的大规模创新活动。然而，大多数企业往往继承M1项目整体创新的基本目标，即注重学习而不是实际部署。这相当于设定错误的动机和期望。因此，数据科学团队通常专注于尝试尖端技术，而没有在创新和工程可行性之间取得平衡。换句话说，他们最终提出的是一个示范解决方案，而不是一个综合的实际结果。他们分享关于技术本身的知识，而不是将技术集成到核心业务系统中的方法。动机驱动行为，行为决定结果。请记住这一点。

核心问题:团队如何构建更多可部署的解决方案？如何培养一支具备必要能力的团队？

解决方案:将关键绩效指标的重点从“学习”改为“可部署的创新成果”。努力在创新和可部署性之间取得平衡。此外，应强调完整的工程设计(可行性，在证明价值之前不要过度设计)。最后，标准化可交付成果，具体包括可部署的演示应用程序、集成计划和关于学习、利弊和潜在风险的业务案例。

3) 团队：许多概念验证团队没有合适的技能储备。许多数据科学团队只寻求建立模型，不愿意接管工程或操作工作。如第2点所述，激励和总体期望在这方面起着决定性作用。如果没有适当的工程实践，团队在尝试部署时只会面临许多障碍。我们可以想象这样一个场景:在花了4个的时间构建了一套优秀的概念验证方案后，高级管理层也表示了赞同。然而，在尝试部署之后，我们突然意识到，在项目真正实现——之前，至少需要一年半的时间来重新设计、组建合适的团队并促进尽职调查，这无疑会严重影响投资回报。

核心问题:团队如何构建可部署的解决方案？如何培养一支具备必要能力的团队？

解决方案:雇佣在工程技术领域拥有丰富经验和热情的数据科学家。如果没有合适的候选人或工资要求太高，可以邀请内部工程和运营团队的专家组成一个混合团队。如果这些方法不起作用.你也可以在领英上试试运气。

4) 技术：现有基础设施不足以支持M1项目。开发环境和生产环境之间在数据和工具上存在巨大差异。因此，当我们将解决方案从开发环境迁移到生产环境时，我们经常需要一系列额外的重构和测试。从数据的角度来看，大多数生产数据不能用于开发模型。当使用生产数据时，机器学习模型的性能可能会发生显著变化。从工具的角度来看，开发模型包含了大量用于创新目的的新工具，但是生产环境无疑更喜欢使用具有高稳定性和可伸缩性的旧工具(这不是一件坏事)。

核心问题:如何选择能够实现创新和稳定行的最佳技术堆栈？如何集成和简化？

solution :创建了一个沙箱环境，用于将干净且高度统一的数据托管到生产环境中。设置一组实现指南，以帮助团队在ML工作流中选择正确的工具(例如，如果生产环境不支持Python熊猫，那么在开发环境中总是使用好的旧SQL来实现数据流水线；在不同的关键组件之间切换语言非常麻烦，请小心)。此外，即使一些基础设施和安全团队反对，请允许并鼓励团队使用Docker架构来实现高级应用程序堆栈的灵活部署。最后，结合微软开发团队的实践。

5) 政策：变化经常遭到强烈反对。我相信很多朋友都听说过关于企业文化的变化和改变的讨论，但我还是想在这里强调一下。像任何新思想、新工具或新过程的引入一样，怀疑、不熟悉或误解的存在总是会带来一定程度的不确定性。结果，团队在内部争论上花了更多的时间，最终失去了概念验证项目的最佳着陆时间。

核心问题:如何获得利益相关者的支持？

解决方案:统一的价值和利益需求。建立具有正确和明确价值主张的用例。引导上游和下游流程尽早参与，以确保运营层面的高级管理层和利益相关方理解并参与项目。与他们一起设计解决方案，通过第2点中提到的过程收集专业意见，并尽快获得支持。此外，记住分阶段推进项目进度。最后，找到一个能在企业中很好地融合的大哥来帮助协调各方的意见也是非常重要的。

如果我们不部署更多的M1解决方案，人们将逐渐失去信心，企业将聚焦于更有希望的机会，过去的人工智能冬天将最终再次上演。但是，我坚信许多阻碍ML部署的问题可以很快得到解决，其中有些是ML技术面临的特殊问题，有些是由于企业内部固有的局限性。

但是历史掌握在我们手中，我们的努力将决定人工智能的下一个冬天是否会到来！亲爱的微软管理层、经理和从业人员，我们是抵御人工智能冬天的最后一道防线。来吧。