企业高管需要了解的人工智能知识

几乎每个经济领域的企业决策者都知道，人工智能 (AI) 是未来的潮流。是的，人工智能有它的挑战，它对商业模式的最终贡献在很大程度上仍然是未知的，但在这一点上，不是是否部署人工智能的问题，而是如何部署的问题。

对于大多数高管来说，即使是那些负责 IT 部门的人，人工智能仍然是一个谜。基本思想很简单——软件可以摄取数据并根据数据做出更改——但围绕其组件、实现、集成和最终目的的细节要复杂一些。人工智能不仅仅是可以配置和部署以服务于特定功能的新一代技术;它代表了我们与数字世界互动方式的根本变化。

人工智能的智能监督

因此，即使前台对左右人工智能项目说“是”，对技术进行更透彻的了解以确保其被有效地使用也不会有什么坏处。

Nexocode 的人工智能和数字业务顾问Mateusz Lach表示，忙碌的高管们应该做的第一件事就是清楚地了解人工智能术语和目前正在进行的各种开发路径。毕竟，如果不了解 AI、ML、DL 和传统软件的区别，就很难将 AI 推入职场。同时，您应该对正在使用的各种学习模型(强化、监督、基于模型……)以及人工智能的使用方式(自然语言处理、神经网络、预测分析等)有基本的工作知识。 )

有了这个基础，就可以更容易地了解该技术如何应用​​于特定的运营挑战。也许最重要的是，了解数据在 AI 模型中的作用，以及数据质量如何至关重要，这将有助于就何时、何地以及如何使用 AI 做出正确决策。

它还应该有助于了解 AI 部署中的重大挑战在哪里，以及这些挑战是什么。技术顾问 Neil Raden认为，最艰难的时刻在于任何给定项目的“最后一英里”，人工智能必须最终证明它可以解决问题并提升价值。这需要开发有效的测量和校准手段，最好能够将结果置于多种环境中，因为不同群体可以以不同的方式定义成功。幸运的是，您获得的 AI 经验越多，您就越能够自动化这些步骤，这应该会减少与最后一英里相关的许多问题。

从上面看

创建实际的 AI 模型最好留给知道需要做什么以及如何去做的业务线工作人员和数据科学家，但了解一些关键的设计原则和功能对于高层来说仍然很重要区分成功的模型和失败的模型。人工智能治理公司 Monitaur 的首席技术官 Andrew Clark表示，模型应该围绕三个关键原则设计：

背景——模型的范围、风险、限制和整体业务理由应明确定义并有据可查

可验证性——开发过程中的每一个决定和步骤都应该得到验证和询问，以了解数据来自哪里、它是如何处理的以及应该发挥哪些监管因素

客观性——理想情况下，模型应该由不参与项目的人进行评估和理解，如果它是围绕足够的上下文和可验证性设计的，这将变得更容易。

同样，模型应该表现出许多其他重要的品质，例如可重构性(又称一致性)、可解释性(非专家理解的能力)和高度的部署成熟度，最好使用标准流程和治理规则.

免责声明：本文由用户上传，如有侵权请联系删除！