人工智能在企业内部的使用通常起步缓慢，从概念阶段到试点选择，再到测试和最终部署。但随着这些开创性项目的成熟，以及更多的人工智能应用的发现和尝试，企业必须不断重新评估其战略，并寻求加快其人工智能部署，以跟上步伐，瞄准更大的目标。
这是摩根大通(JPMorgan Chase)商业银行人工智能和机器学习部门负责人Daniel Wu的建议。
近年来，由于计算能力、开放灵活的软件、强大的算法及人工智能相关应用的发展，人工智能在各个行业的迅速崛起和扩张，但企业不应固守人工智能早期的成功。相反，随着更多经验的积累，现在是加速这些努力和进一步普及人工智能创新的好时机，这能够帮助企业使用这些仍在开发的工具来推动他们的商业目标和战略。
为了进一步推动人工智能应用落地，企业需要从他们已经知道的基础开始，包括数据、硬件、IT人员、治理和运营。
我们应该如何构建人工智能能力是一个十分棘手的问题，无论对于任何规模的组织和其拥有的资源类型来说。当然，数据是最引人注意，对于数据科学家和机器学习从业者来说，最大的痛点是“脏数据”（深度阅读—）。
“大约60%的开发人员认为‘脏数据’是他们的主要问题，大约30%的数据科学家说数据的可用性是他们的主要障碍。
这样的数据挑战并不新鲜，而且已经存在很长时间了。你可以看到到处都是数据竖井，跨职能领域，每个团队开发自己的解决方案，创建自己的数据资产，而不考虑数据资产如何在整个组织中使用。对于许多多年前开发的IT系统来说，并没有在创建之初就考虑到正确的数据模型的重要性。在当时，功能和性能需求是最重要的，很少考虑到数据未来用于其他需求。
DanielWu说：“即使在今天，很多公司都在经历数字转型，他们正在将自己的本地数据中心引入云计算。在这个过渡期间，会出现一种混合的、尴尬的状态，一部分数据在云端，另一部分数据在你自己的私人数据中心。大多数时候，这会造成不必要的重复。”
为了解决这个问题，并更好地为今天的人工智能使用准备数据，一种策略是投资于数据清理，这是一次性的前期成本，清理和整合数据。他说，为了确保在未来更好地发挥作用，企业应该实践以数据为中心的设计，数据应该从一开始就放在首位，作为每个流程和技术的一部分。数据不应该是“二等公民”。我们应该使数据处理自动化。许多组织仍然有许多手动步骤来执行某些步骤或脚本，以完成他们的ETL(提取、转换、加载)。自动化的一部分是确保在过程中纳入数据治理和编目，使其成为一个完整的过程。
必须让数据更容易获取，以进一步推动人工智能的使用。
可以通过为组织和数据工作者建立一些自助工具来实现这一点，这样他们可以更容易地获得数据。同时也应该强调可重用性。这些步骤还将帮助企业在模型开发过程中节省大量时间。从功能集的角度考虑，这是一个非常流行的趋势，这些可重用的功能，你可以使用它来构建多个解决方案。
在创建更多的语言模型方面，Daniel Wu也有新的想法。
“没有必要让每个组织都开发不同的大型语言模型，”Wu说。“我们应该利用已经开发的东西，只需要对模型进行一些改进和调整，使其服务于不同的业务用例。”
企业可以考虑利用分层的人工智能模型架构，这种架构在大多数情况下更通用，同时允许创建更具体的模型，以满足特定的业务情况。总的来说，要推动人工智能加速，需要的不仅仅是数据、计算和建模。还需要技术熟练、训练有素、富有想象力的IT工作者，他们可以将自己的创新带入人工智能，帮助推动公司的使命。
“我们都知道全球人工智能人才短缺，”他说，但人才分布不平衡也加剧了这个问题。为了解决这个问题，企业必须找到减轻AI团队负担的方法，确保他们专注于开发模型，而不是处理组织中的琐事。
38%的组织把数据科学家50%以上的时间花在操作上，特别是部署他们的模型。只有11%的公司能在一周内将模型投入生产。大约64%的人需要一个月或更长时间来完成生产集成，并对模型进行充分的培训、验证和测试。对于大多数组织来说，最终完成需要一个多月的时间。
我们需要建立机器学习操作能力，从以模型为中心的想法转变为以数据为中心的想法。想想你可以通过获得更好的数据来训练模型，而不是专注于发明另一个更强大的模型架构本身，从而轻松获得多大的提升。
控制这些问题的一个重要步骤是认识到变更管理的重要性，同时还要保持从数据到模型的清晰逻辑，这样您就可以拥有或增加复制模型的能力。
最终，即使一个组织的模型被开发和部署，部署解决方案并将其带给客户什么风险?这是事后才想到的，这通常是最后最大的障碍，阻止了解决方案的应用落地和普及。
企业面临的挑战是不要只考虑产品上线时间。还需要考虑做正确的事情，这样你就不会回到起点，不得不去重新开发整个解决方案，那要贵得多。同时也要满足监管要求——在人工智能开发方面有很多道德规范，组织必须尽早解决，以降低这些风险。
