最近O’Reilly Media 发表了一份基于行业调查的报告，《企业对于AI的使用：企业如何在实践中对人工智能项目进行规划并提高优先级》。这是2018年进行的三项行业调查中的第三次调查，旨在探讨企业对于人工智能（AI）、大数据和云技术进行使用的趋势。 另外两项调查是2018年7月发布的“企业对机器学习使用的现状”和2019年1月发布的“正在演进的数据基础设施”。

本文将进一步详细研究这些结果，基于这三篇报告以及Strata数据会议和AI大会上的相关幻灯片，高屋建瓴地对其主题进行比较。 这些要点并不在任何一篇单独报告中。

通过重新利用AI应用，开发新市场

通过横向比较各行各业中采用AI的那些行业领域，我们看到技术，医疗保健和零售业成为采用人工智能方法的领导者，而公共部门（政府）以及教育和制造业往往是落后者。 这种差距可以用“对数据的需求是由社会利益决定的” 来解释，不过这也指明了机会的方向。 我们可以作如下思考：金融在人工智能采用方面享有先发优势，技术和零售业也是如此。 在这些实践中成熟之后，现在我们看到金融服务公司正在探索几年前可能被认为是无关紧要的机会。 例如，在我们最近在伦敦召开的AI会议上，来自Intuit的Ashok Srivastava和来自Fluidy的Johnny Ball的两个讲座分别提出了旨在为小型企业建立安全防护网AI的商业应用。 例如，两个团队都应用异常检测技术（这是从飞机发动机监控中借鉴来可以重复使用的办法）来发现小企业何时可能会破产。 这一点很重要，因为超过50％的小企业都会破产，主要原因是那些“异常”：现金流出现问题，以及付款推迟。

鉴于政府和教育行业在人工智能领域是处于落后位置，类似的技术重用能否适用于这些领域？ 例如，在过去几年中，美国小学的教师通常会在网上向家长提供有关学生作业和成绩的详细信息。 这些数据对于给出学生退学的预警信号非常有用 – 尽管坦率地说，很少有工作的父母有时间跟踪这么多数据。 此外，很少有学校有资源对这些数据采取总体规划。 即便如此，小企业现金流量分析中使用的异常检测与学生需要的家庭作业“安全防护网”非常相似。 毫无疑问，政府内部（尤其是地方政府级别）存在一些领域，可以通过引入类似的人工智能应用，带来较大公共服务的上升，这些领域往往可能因为预算限制而人手不足。随着企业采用人工智能走向成熟，我们可以希望从领导者到落后者的扩散效应，是通过类似的创新技术复用来实现的。 看上去，诀窍是找到足够多深入技术和商业技能的人才，他们认知到AI的商业用例。

差异化的工具设计

关于技术采用趋势的企业AI采用的“建立人工智能应用工具”部分，我们看到Spark NLP， scikit-learn和H2O等框架在金融领域如此普及，而谷歌云机器学习引擎（Google Cloud ML Engine）则在医疗保健行业具有更高的市场占有率。 与去年的分析相比， Keras和PyTorch相对于竞品领先者TensorFlow获得了显著增长。 此外，尽管业界一直在争论在生产环境中使用Jupyter Notebook是否利大于弊，但其使用量却在急剧增长。 我们从这项调查的结果中看到，jupyter notebook的支持率（23％）现在领先于IDE（17％）。

在医疗保健和生命科学的汇总结果展现了一幅有趣的图景。 来自卫生部门的所有受访者中， 有70％使用人工智能进行项目研发。 来自医疗保健行业的受访者在识别人工智能的合适用例方面，也遇到了明显的麻烦，尽管该行业的障碍（监管）似乎在AI产品生命周期的后期出现。 一般而言，医疗保健相较于其他垂直领域， 在“ 如何广泛排查AI风险 ” 这一点上是领先的 ，在这个垂直领域，正如预期的那样， 会更多地使用数据可视化。 这个领域令人出乎意料的是，也正在使用强化学习虽然我们知道金融行业中部署强化学习到生产环境的例子，但我们没有洞察如何在医疗保健中使用强化学习知识。 这可能是后续调查的一个好主题。

来自领袖们的建议

不可否认， 关于企业中对人工智能采用的调查，来自于初创公司：81％的受访者为已经使用人工智能的公司工作。 我们可以从他们收集到的经验中学到很多东西。 例如，在成熟使用AI与早期采用AI的公司之间，到底有哪些鲜明对比的故事正在展开。 成熟的公司提出的一些重要建议包括：

• 努力克服一些公司文化的障碍，或者是因为“无法明确业务用例”带来的困难。
• 注意，缺乏数据和缺乏技术人员会持续性的带来问题。
• 在招聘数据科学家的同时，还要聘请能判断AI解决方案商业用例的人员。
• 除了优化业务指标外，还要检查模型的透明度和可解释性，公平性和偏见，以及您的AI系统是否可靠和安全。
• 探索深度学习之外的用例：其他解决方案，包括Human-In-Thee-Loop（将人纳入数据循环），知识图谱和强化学习，都已经获得了巨大的吸力。
• 在迁移学习的应用中寻找值，这是一种获得更先进的公司认可的技术细节。
• 您的公司可能需要在基础架构工程方面投入比预想更多的投资。

以上说明了随着一个关于团队积累经验，处理一组问题会有相对优先级。这些经验教训经常是由于在早期通过犯错得到的。 换句话说，组织在企业中采用AI时，可能会考虑的潜在问题和关注点很多。 然而，“ 同时全面尝试所有方向” 并不是一个好策略。 来自更复杂的人工智能实践的领导者的建议往往是：“这里有我们早期尝试的N个事项，我们发现没必要把它们的优先级排的太高” 。我们希望这些调查可以给其他公司带来实际操作的指导。
以上的事情也说明了，如何有效地调整投资和大规模计划。 例如，您必须尽早解决更基础的痛点 – 如公司文化问题、能够做业务判断的人员缺乏问题，或者一些对AI计划产生阻碍、形成瓶颈的问题。 同时，某些方向投资必须持续进行，例如，雇用适当的人才，努力改进数据集等等。 作为一名高管，不要觉得某些短期举措会立竿见影。 这些都是持续存在的挑战，您必须为此配置预算。

说到预算，不少公司显然正在认真对待使用人工智能的问题，为人工智能相关项目分配大量的IT预算。 就算你的公司不是，你的竞争对手很大概率也会是这样。 该下注哪一边才会得到更大回报呢？

走向关键时间点

调查中出现的另一个问题，涉及有关AutoML的一些信息。 仅在两个季度之前的早期调查中，AutoML的使用率还在个位数百分点的区域。现在，我们看到许多公司为了整合AutoML，在明年进行了严格的预算分配。 对于更为成熟的实践而言，这尤其令人痛苦：86％将在明年内整合AutoML，几乎是现阶段对AutoML处于评估阶段公司的两倍。 随着云服务提供商扩展其AutoML产品，这种转变的时机可谓精准。例如，亚马逊最近在拉斯维加斯召开的re:Invent大会上强调了一个重要主题。 需求和供应双方都在大力推动AutoML的发展。

即便如此，也存在一种风险，即不太知情的管理层可能会将日益增长的AutoML理解为“人工智能随时可用”，这跟我们手里已有的成果大相径庭。即使在AutoML类别中，提高利用AI能力的过程也需要组织结构多年的迭代。 这项工作需要大量的资本投资，并且通常会由领导层进行广泛的思想共识。这种投资根本不是一时兴起就能搞定的。 另一个需要记住的重要事项是，AutoML只满足了自动化需求的一部分。 请参阅最近的数据秀广播访谈“为企业数据科学构建工具”，在这里，Salesforce的数据科学和工程副总裁Vitaly Gordon讨论了他们用于机器学习工作流程的TransmogrifAI开源项目。 很明显，自动化模型构建和模型搜索 – 也就是AutoML技术部分 – 只是整个难题的一小部分而已。
我们也知道——自2017年发表的研究以及随后的分析——企业在使用人工智能中的领导者和落后者之间的“数字鸿沟”正在增长。参考麦肯锡全球研究所的迈克尔·崔（Michael Chui）所著的优秀报告 “前沿笔记：让人工智能发挥作用”，和相关的报告《人工智能正在前进，但基本障碍仍然存在》。我们现在在2018年第四季度和2019年第一季度观察到的是大量投资投到了成熟实践上，并且根据经验教训，投资决策更加明智。 然而，大多数落后者甚至没有开始为可能需要持续多年的关键转型进行投入。 我们不能过分强调企业组织中“有”和“有没有”之间的鸿沟日益扩大。 在很快到来的某个关键时间点， “没有AI”可能只是落后于竞争对手太多年，而不值得投资以赶上竞争对手的进度。