普华永道2019年AI预测：企业投资AI代替开发 填补AI人才空缺是当务之急

　　“如何”是任何新兴技术的关键点，人工智能也不例外。你如何定义AI策略?你如何找到精通AI的人才或培训现有员工?你能做些什么来让你的数据准备就绪?你如何确保你的AI值得信赖?等等无数问题向你狂轰滥炸。

 

　　更复杂的是，这些问题的答案通常因公司而异，同时环境也在不断发展。但企业不能就此坐以待毙。可以预见，人工智能的采用将在2019年加速发生。

 

　　AI现实检查

 

　　为了了解组织目前所处的位置，我们调查了已经调查或实施AI的公司的1,000多名美国企业高管。 20%的受访者表示其组织计划在2019年在全企业范围内实施人工智能。如果这些雄心勃勃的计划得以实现，许多领先的美国公司将成为人工智能增强型企业，不仅仅是在组织的内部，而是在整个运营过程中。

 

　　如何扩展AI

 

　　去年，我们提出了关于人工智能在2018年可能发展的八个预测，其中涉及商业、政府和社会。我们发现的趋势，包括人工智能对劳动力真正的影响，呼吁所有公司专注于负责任的人工智能，以及围绕网络安全和国家竞争力的新兴威胁，这些在今天更加重要。

 

　　但是，随着我们进入2019年，人工智能越来越多地从实验室转移到办公室、工厂、医院、建筑工地和消费者的生活，意味着需要采用不同的方法。我们不只是强调可能发生的事情;我们呼吁商业领袖必须在人工智能方面有所作为。

 

　　2019年的AI优先级事项

 

　　我们对未来一年的重大预测?那些将重点放在以下六个关键领域的公司将在明年此时远远领先于其他公司。你的AI策略应解决以下问题：

 

　　结构：组织投资回报率和动力

 

　　劳动力：培训AI公民和专家一起工作

 

　　信任：让AI负责所有方面

 

　　数据：找到并标记以训练机器

 

　　重塑：AI通过个性化和更高的质量来赚钱

 

　　融合：将AI与分析、物联网等结合起来

 

　　1.结构：组织投资回报率和动力

 

　　有了人工智能，是时候扩大规模或放弃了。领先的公司已经开始将他们的AI模型投入生产，在生产中，它们将运营业务，以提高决策能力，并为各个部门的员工提供前瞻性的智能。如果你认真对待人工智能，那就把你的方法正式化，开发全公司范围内的能力，这样一来，成功(和较小)的项目可以被复制并在更大的整体中建立。

 

　　不要异想天开

 

　　人工智能将几乎改变你的业务和市场的一切。这是采取行动的一个很好的理由，但这并不是莽撞行事的理由。如果做得好，为一个特定任务开发AI模型可以增强现有流程或解决明确定义的业务问题，同时创建扩展到企业其他部分的潜力。

 

　　关于AI算法的一个事实可能会让商业用户感到惊讶：它们的数量并不多。相同的算法能够解决与AI相关的大多数业务问题，因此，如果你可以在业务的某个区域成功应用它们，则通常可以在其他区域中使用它们。

 

　　例如，每家公司都必须处理发票。通过自动提取信息，即使是未完全标准化的发票，AI工具也可以自动化流程，从而降低成本和处理时间。

 

　　然后，你可以修改和使用AI组件来加速公司的其他部分，例如客户服务、营销、税务和供应链管理，这些部分也会消耗大量非结构化和半结构化数据。

 

　　目标是构建可重复使用的构建块组合，以创建快速的ROI和规模化的动力。在我们的调查中，高管们接受了这一策略:他们将开发可在整个组织中使用的人工智能模型和数据集列为2019年最重要的能力。

 

　　正确的AI基础

 

　　当AI项目由AI专家发起时，他们有时很难获得广泛的支持。当它们来自业务方面时，项目可能关注有限，或者没有充分利用技术。在这两种情况下，独立的团队可能会创建重复的或者不兼容的工作。

 

　　答案是来自多元化团队的监督，其中包括拥有业务、IT和专业AI技能并代表组织所有部分的人员。你需要遵守纪律，创建跨越功能的组织结构，并使你能够建立清晰的AI策略。卓越中心(CoE)通常是构建这个AI基础的最佳方式，我们期望这个模型变得最普遍。有些公司可能会选择将AI职责添加到现有的分析或自动化团队中，或添加到其他已建立的CoE中。

 

　　无论该团队在什么地方，其职责都应涵盖业务问题，例如如何识别用例以及如何制定问责制和治理。它应该建立和监督企业范围的数据政策。它应该确定技术标准，包括架构、工具、技术、供应商和知识产权管理，以及智能AI系统需要达到何种程度。

 

　　最后，AI团队应该创建和管理一个用于协作、支持和资源管理的数字平台。将其视为人工智能工作的一站式商店：具有可插拔工具的虚拟环境，业务和技术专业人员将共享资源(如数据集、方法和可重用组件)并协作实施计划。

 

　　2.劳动力：培训AI公民和专家一起工作

 

　　正如我们去年所预测的那样，非AI专业人士与AI合作已经成为劳动力战略的重要组成部分。一类新的工具，包括AutoML，可以简化和自动化创建AI模型的部分流程，实现人工智能的民主化。 38%的高管将专注于为商业人士开发人工智能工具，这是他们培养的仅次于可重用数据集和模型的第二大能力。

 

　　但用户友好型AI仍然很复杂。即使有基本的培训，商务人士也可能无法完全理解不同AI算法的参数和性能水平。他们可能会意外地应用错误的算法，并产生意想不到的结果。

 

　　答案是一种劳动力战略，创建三个级别的AI熟练员工，并为这三个级别的员工成功合作提供了方法。

 

 

　　公民用户，公民开发人员，数据科学家

 

　　随着AI的传播，公司的大多数员工都需要接受培训才能成为AI公民用户。他们将学习如何使用公司的AI增强型应用程序，支持良好的数据治理，并在需要时获得专家帮助。

 

　　一个更专业的团队，可能是员工的5%到10%，应接受进一步的培训，成为公民开发人员：身为高级用户的业务线专业人员，可以识别用例和数据集，并与AI专家密切合作开发新的AI应用程序。

 

　　最后，一小组但关键的数据工程师和数据科学家将负责创建、部署和管理AI应用程序。

 

　　要使这三个小组正常运行，你需要系统地确定新的工作技能和角色。你需要公民用户或开发人员处理哪些工作?哪些应用需要有经验的数据科学家?

 

　　然后，你需要采用同样系统的方法来填补内部和外部的角色，并鼓励不同的团队进行协作。企业范围的技术升级应该同时解决技术技能和数字工作方式的问题。业绩和薪酬框架将不得不进行调整。

 

　　许多员工将成功提高技能以胜任新的角色，但有些人将无法完成过渡。所以你需要为一些失误做好准备。

 

　　迎接AI工作挑战

 

　　对于许多领导者而言，试图估量人工智能对就业的影响已经变成了徒劳无益的事情。他们知道这种情况正在发生，但是一个数字(以及何时)有多大或多小可供讨论。估计范围很广，包括普华永道的研究表明，到2020年，短期影响不到失业率的3%，但到2030年代中期则高达30%。

 

　　在我们的调查中，高管们一致认为，目前，人工智能并没有在他们的组织中抢走工作。事实上，表示人工智能将导致员工人数增加的高管(38%)，是那些​​声称人工智能会导致裁员的高管(19%)的两倍。

 

　　目前当务之急的挑战是填补工作岗位，31%的高管担心未来五年无法满足人工智能技能的需求。 提升技能可以创建公民用户和开发人员，但你可能需要聘请训练有素的程序员和数据科学家。与大学或学徒建立伙伴关系是一个不错的起点。　　

 

　　职场文化也是一个重要因素。许多AI专家都希望为一家正在采用AI的公司工作。许多人还重视工作场所的组织设置、资源、角色定义、激动人心的研究和个人授权，这将激励他们与其他有才华的人合作，完成出色的工作。

 

　　3.信任：让AI负责所有方面

 

　　正如我们一年前预测的那样，人们越来越关注人工智能如何影响隐私、网络安全、就业、不平等和环境。客户、员工、董事会、监管机构和企业合作伙伴都提出了同样的问题：我们可以信任AI吗?因此，高管们表示确保人工智能系统值得信赖是他们2019年面临的最大挑战。

 

　　他们如何克服这一挑战，取决于他们是否正在解决负责任的人工智能的各个方面：

 

　　公平性：我们是否将数据和AI模型中的偏差降至最低?我们在使用AI时是否解决偏见问题?

 

　　可解释性：我们能解释一下AI模型如何做出决策吗?我们能否确保这些决定准确无误?

 

　　稳健性和安全性：我们能否依赖AI系统的性能?我们的AI系统是否容易受到攻击?

 

　　治理：谁对AI系统负责?我们是否有适当的控制措施?

 

　　系统道德：我们的AI系统是否符合法规要求?它们将如何影响我们的员工和客户?

 

　　你应该为每个领域建立问责制，无论是在你的AI在 CoE内部还是在与CoE密切合作的相邻组中。越来越多的公司通过道德委员会或首席技术道德官监督负责任的人工智能，人工智能是其职权范围的一部分。这是一个令人鼓舞的趋势，我们预计这一趋势会加速。你可能还需要创建工作角色，将技术专业知识与对法规、道德和声誉问题的理解相结合。

 

　　建立控制和平衡权衡

 

　　要建立对AI数据、算法、流程和报告框架的控制，你需要技术、业务和内部审计专家的混合团队。当他们不断测试和监控控制时，这些团队将不得不考虑适当的权衡。

 

　　例如，通过可解释性，你希望在性能、成本、用例的关键性以及所涉及的人员专业知识的范围之间取得适当的平衡。自动驾驶汽车、人工智能医疗诊断和人工智能主导的营销活动都需要不同层次和类型的可解释性和相关控制。

 

　　解释自己的算法

 

　　使AI更值得信赖的其他方法来自AI本身的进步，特别是在可解释的AI或XAI领域。例如，来自国防高级研究计划局(DARPA)的XAI计划正在研究更多可解释的算法。目标是一个人工智能解决方案，可以解释其理由、优势和劣势，并传达它将来如何行动。

 

　一些政府将某种程度的可解释性作为监管要求。

　

　　4.数据：找到并标记以训练机器

 

　　人工智能回答了有关数据的重大问题，我们去年曾提出过：如何将数据转化为价值。在我们的调查中，2019年与人工智能相关的首要数据优先事项是整合人工智能和分析系统，以便从数据中获取业务洞察力。

 

　　这是一个现实的目标。 AI可用于数据和分析，以更好地管理风险，帮助员工做出更好的决策，自动化客户运营等。

 

　　但是存在一个问题，一个很大问题：我们的调查表明，企业没有为人工智能的成功提供基础。不到三分之一的高管表示，标记数据是他们2019年业务的优先事项。

 

　　AI是如何学习的

 

　　机器学习要想探测当前的重要模式并预测未来，就必须训练它。例如，向它展示足够的关于消费者行为的历史数据，它最终将能够预测这些消费者——以及与之相似的其他人——未来的行为。

 

　　但要创建培训所需的数据集，你必须标记数据。一个简化的例子是确定消费者是否满意。对于那些有助于在整个企业中支持AI的数据集(那些消费者可能与多个业务线交互)，你需要基于相同标准一致地标记它们。

 

　　AI CoE可以创建和监控数据标准，以及开发系统和流程，使员工更容易创建可用的标记数据集以供将来使用。

 

　　新工具填补空白

 

　　即使有更好的数据治理，也会遇到挑战。一些业务问题的AI解决方案可能需要公司没有的培训数据。

 

　　但是，新的精益和增强机器学习技术可以使AI能够基于少量样本生成自己的数据。他们还可以将模型从一个包含大量数据的任务转移到另一个缺少数据的任务。 AI有时可以通过使用强化学习、主动学习、生成对抗网络和数字双胞胎等技术来合成自己的训练数据。基于概率的模拟还能创建可用于训练AI的“合成”数据。

 

　　关注政策

 

　　人工智能政策格局仍处于起步阶段。许多决策者认为这一时刻是需要公共资金和放松管制的人工智能军备竞赛的开始。其他人则呼吁制定全面的指导方针，以解决道德算法、劳动力再培训、公共安全、反垄断和透明度问题。正如我们去年预测的那样，各国已开始通过国家人工智能战略开展竞争。截至2018年12月，已有二十多个国家发布了战略或正在制定战略。

 

　　与此同时，围绕数据隐私的新兴法规也将影响人工智能，并可能限制其增长，因为它会影响全球运营公司如何使用跨地区生成的数据。欧洲的《通用数据保护条例》(GDPR)于2018年5月启用，《加州消费者隐私法案》(CCPA)将于2020年启动。虽然GDPR和CCPA存在差异，但两者都赋予个人查看和控制组织如何收集和使用其个人数据的权利，以及他们应该因偏见或网络安全漏洞遭受损失时追偿权。

 

　　公司应该采取全球性的方法来处理监管问题，方法是让那些在不同司法管辖区帮助制定政策的团队保持一致，并通过在全球范围内应用最佳实践来解决合规问题。例如，遵守GDPR，即使你的公司在欧洲没有业务，也会让你为CCPA和其他未来的法规做好准备。

 

　　5.重塑：AI通过个性化和更高的质量赚钱

 

　　用人工智能提高收入和收入水平并不是一个遥远的梦想。许多企业已经开始使用人工智能来改善运营和增强客户体验。但到2019年，其中一些公司将计划或开发基于人工智能的新商业模式，并研究新的收入机会。许多人将在组织的不同部分培养这些新业务，这与侧重于内部的CoE不同。

 

　　目前，人工智能带来的最大收益来自生产力的提高，因为企业使用人工智能来自动化流程并帮助员工做出更好的决策。但正如我们的全球人工智能研究所发现的那样，人工智能的大部分经济影响将来自消费方面，通过更高质量、更个性化和更多数据驱动的产品和服务。根据我们对超过300个AI用例的分析，医疗保健、零售和汽车可以看到最直接的好处。

 

　　例如，医疗保健领域的人工智能可以基于监测患者生活方式数据来实现新的商业模式;更快、更准确地诊断癌症和其他疾病;以及个性化和适应性健康保险。零售商已经在使用人工智能来预测趋势并引导企业满足这些趋势。接下来是超个性化零售：人工智能和自动化使零售商能够提供越来越多专门为个人制作的产品或服务。

 

　　你的机器人战略顾问

 

　　人工智能甚至被用于通过游戏化战略来帮助指导这些决策。例如，一家领先的汽车制造商一直在使用人工智能测试自动拼车车的20多万个上路场景。该模型有助于确定基础设施和车辆的关键经济驱动力和最佳水平。

 

　　投资AI初创公司

 

　　成熟的企业不是唯一试图通过AI赚钱的企业。新的人工智能公司正在激增。截至2018年第三季度，普华永道/ CB Insights MoneyTree™报告确定了940家AI公司。根据MoneyTree Report™，美国对私人企业的风险投资 - 约790家公司 - 正在蓬勃发展：2018年前三季度为66亿美元，而2017年同期为39亿美元。

 

　　并非所有这些资金都来自硅谷和私募股权公司：创纪录的数额来自企业，或通过风险投资部门，或通过直接投资。到目前为止，到2018年，公司在人工智能开发之外的投资约为9.83亿美元。他们还直接收购了AI公司：35家公司，价值38亿美元。投资，而不是开发AI，是我们预计将加速的趋势。例如，我们的2018年数字IQ调查发现，虽然只有8%的公司在人工智能方面进行了大量直接投资，但另有52%的公司会进行收购或联盟。

 

　　6.融合：将AI与分析、物联网等结合起来

 

　　当AI与其他技术(如分析、ERP、物联网(IoT)、区块链，甚至最终的量子计算)集成时，其功能会进一步增长。这种趋同趋势的好处不仅限于人工智能。它是所有八项基本技术最大收益的来源。

 

　　这些技术需要AI

 

　　36%的受访高管告诉我们，管理人工智能与其他技术的融合是2019年人工智能面临的最大挑战，这与再培训员工的难度相当，仅略低于确保人们对人工智能的信任。通过AI进一步发展，帮助进行先进的、可预测的和流式分析是一个共同的优先事项。这种融合可以使新的数据驱动的业务模型更加强大。

 

　　与AI结合使用时，物联网也可以带来很大的好处。大型企业可能很快就会有数百万个物联网传感器，从商业设备和消费设备收集信息。人工智能和分析将在寻找数据浪潮中的模式中发挥关键作用，以支持从系统维护到营销洞察的所有内容。嵌入式人工智能将人工智能芯片组直接嵌入物联网设备，以创建本地智能，这将有助于应对这一挑战。

 

　　数据和DevOps

 

　　成功地将AI与其他技术集成起始于数据。投资于识别、聚合、标准化和标记数据的组织 - 利用数据基础架构和存储来备份数据 - 将有助于将AI与分析、物联网和其他技术相结合。

 

　　但是，要将AI与其他企业系统集成，人类专家也必须进行融合。而不是数据科学家完成算法，然后将其交给IT专家编写应用程序编程接口(API)，或者将其发送给业务中随后将应用它的人，这些团队应该从一开始就一起工作。

 

　　答案的一部分涉及DevOps技术，它将开发和运营团队置于反馈循环中，以便不断协作并对新产品进行交互式更改。另一部分将涉及为员工创建新角色，以充当各个团队之间的翻译和联络人。

 

　　需要考虑的另一点：由于AI与全天候工作的技术和高级系统集成，因此其算法需要连续不断的新数据流以供学习。否则，AI模型将处理过时的数据，这将降低AI的性能。模型还需要定期测试、更新和更换。

 

　　你准备好迎接AI了吗?

 

　　在2019年，是时候忙起来建立你的人工智能战略了。AI需要自己的组织结构和员工队伍计划; 值得信赖的算法和训练这些算法的正确数据; 计划通过AI重塑业务以增加收入和利润; 并与其他现有和新兴技术融合。