弥合理论与行动的差距：如何在业务中正确的部署AI
然而，企业或组织在具体业务中成功的实施AI并不容易，引入新技术会面临很多新挑战。
那么需要注意什么呢？
本文是AI咨询公司Anewd.ai创始人Jennifer Watkins的一篇专访，Jennifer回答了在业务中正确部署AI的一些关键考虑。主要观点有：
需要在业务线内嵌入能够理解业务和数据的数据技术人员，而不是让AI在单独的轨道上运行创建学习和行动的循环
文章来自Forbes网站（2021年1月27日）。
全文如下。
人们对AI的兴趣日益高涨。在接受调研时，超过80％的主管回答说AI将给他们带来竞争优势。
但实际上，存在很大的脱节。
只有14％的企业实际部署了AI。只有不到39％的公司有AI方面的战略。
并不奇怪。
成功实施AI是一项艰巨的挑战。它要求领导者能够协调重大和复杂的变化，重新培训现有人才，让他们获得新的专业知识。
这意味着出错的方式和方法很多。
Renita Kalhorn采访了AI咨询公司Anewd.ai的创始人Jennifer Watkins，在采访中，Jennifer回答了正确的实施AI的一些关键考虑。
以下是采访内容。
Renita：看来AI在商业领域非常流行。作为一个提供AI战略执行建议的人，你认为会发生什么?
Jennifer：我们可以从一些公司在之前的热门趋势-数字化转型中所犯的错误说起。
（数字化转型中）最根本的错误是，直到（转型）后才想起将人才、技术和任务考虑到（数字化的）组织结构中去。（这些公司）首先关注数字化，而不是围绕客户和业务需求来进行转型。
Renita：我知道，没有真正的转型路线图。
Jennifer：对，公司只是想从Google和Facebook等科技公司聘用人员，但是你不能雇用或购买创新。
Renita：寻找捷径。
Jennifer：没错，在AI时代，我看到很多公司雇佣了一组数据科学家，把他们放在数据实验室里，然后期待取得巨大的成功。或者购买现成的供应商的模型。
如果你没有现成的关键模块，那这是行不通的：1）强大的数据策略，2）AI可以解决的业务问题的优先顺序，3）在业务线内嵌入能够理解业务和数据的数据技术人员。这些内容在Anewd.ai的指南《使AI变得可操作：领导者的指南针》中有概述。
聘请数据科学家团队让人想起了2015年，当时许多企业都在硅谷建立了实验室。很多实验室最终都倒闭了，因为它们没有提供多少价值，它们距离需要解决的业务挑战不够近。
Renita：那么领导者应该从哪里开始呢?
Jennifer：把他们最重要的业务问题按等级划分。然后他们就能真正看到AI是否是正确的方法，他们的问题是否适合AI的应用：是否是数据丰富、容易出错和成本高的任务。
Renita：明白了，不是为了AI而做AI，而是试图将一个方形的钉子塞进一个圆孔中。
Jennifer：对的。因此，最重要的第一人选是一位既了解业务问题又了解数据潜力的数据战略分析师。他可以帮助设计合适的团队，其中可能包括数据科学家。
此外，领导者需要提高现有员工的技能。在你的员工已经了解你的业务，只需要接受新工具的培训即可的时候，雇佣外部人才是很昂贵的。
Renita：当然。那么你会把AI的功能放在哪里呢?
Jennifer：这是我看到的另一个错误。通常，像AI这样的新项目是在单独的轨道上运行的，而不是嵌入到现有的业务中。
在AI时代，挑战是不同的。它需要数据、客户和业务的360度的视角。所以我建议把我称之为“AI特战队”的团队放在中心的地方，这样他们可以对组织有一个纵深的视角，其他非AI小组成员也可以向他们学习。
Renita：我明白了，不要采取特殊的方法，要确保执行AI是你们企业或组织的固有内容。
Jennifer：是的，那是最大的风险。说到底，将AI注入企业是一项变革管理的挑战。当你不从内部开始时，你将冒着在一个平行的轨道上独立地运行AI计划，而不是实际地与你的业务问题相交的风险。
再说一遍，仅仅获得AI人才和专业知识是不够的。如果你真的想利用AI的力量，你必须从根本上改变你的文化、你的组织结构、你的学习模式，这比领导者意识到的要多得多。这需要一种深思熟虑的考量：“我们的企业需要什么，我们想要解决的问题是什么?”
Renita：我知道数据是其中一个重要因素。你看到了哪些错误?
Jennifer：令人惊讶的是，很多公司都没有自己的数据收集策略。我推荐COMA方法：思考如何编辑、组织、调动和分析数据。当然，要实现这一目标还需要做大量的准备工作：例如，数据如何为企业的其他部分提供信息服务，如何创建学习和行动的循环等等。还有别忘了治理，尤其是像GDPR这样的隐私和监管法律。事实上，这种基础设施工作是任何AI计划的先决步骤。
Renita：“领先的”组织如何看待他们的数据战略?
Jennifer：他们明白一个关键点：数据有一个有效期。因此，他们不断寻找新的数据来源，以便积累，因为他们生存在一个特定的垂直领域，比如健康或金融领域。这种“垂直漩涡”为它们提供了一条护城河，并最终获得了竞争优势。
我曾经在一家50强的银行工作过，他们始终将数据嵌入产品团队中。每当我们推出一项新计划时，我们的核心团队都会频繁会面，其中核心团队成员的75%都是数据专家。
另一个最佳实践是在一开始就构建技术堆栈。最勇敢的公司会按比例扩大规模，以便以后不再陷入技术债务。
Renita：一如既往，牢记最终目标。
Jennifer：是的，在构建过程中要牢记最终目标，在早期阶段整合人才、技术和任务，如果你想让自己的组织AI转型成功，就要从内部开始。
（Chris整理）
----------- End -----------
20家顶尖制药公司如何将AI应用于药物研发：近年来主要合作活动
互联网和人工智能巨头招聘制药人才岗位整理
华为云正在招聘药物研发算法工程师
再看DeepMind的AI蛋白质结构预测突破：生物计算时代正在到来
真实世界数据生成真实世界证据：使用AI的价值和意义
AI赋能制药行业CRO，都有哪些新进展
与经典统计学相比，机器学习的数据处理有哪些不同
临床试验数据共享：挑战和前进之路
合作制药时代，虚拟制药公司发展的新契机
AI药物发现的数据共享模式探索：以十大顶尖药企参加的MELLODDY项目为例