人工智能的準備過程大部分是組織變革。人工智能的運用可能需要創造一個新的勞動力類别：新領勞工（New-collar Worker）。新領工作可以涵蓋網絡安全、雲計算、數字設計和認知商業（Cognitive Business）等工作。
在世界範圍内，大多數組織都認同人工智能可以幫助其保持競争力，但是許多組織通常仍使用不算先進的分析形式。對于那些使用人工智能經曆失敗或者未能達到最佳效果的組織而言，自然的方法似乎是消除而非增加嚴謹性。
從人工智能階梯的角度來看，梯級會匆忙掠過，甚至完全跳過。當組織開始意識到并認可這種範式的時候，他們必須重新審視分析的基礎，以便為其達到理想的未來狀态和獲得從人工智能獲益的能力做好準備。他們不一定要從零開始，但他們需要評估自己的能力，以确定可以從哪個梯級開始。他們需要的許多技術部件可能已經到位。
01 重點技術領域
如圖1-1所示，組織可通路的分析複雜程度随着梯級而增加。這種複雜性可以帶來蓬勃發展的資料管理實踐，這得益于機器學習和人工智能的發展。
在某些時候，擁有海量資料的組織将需要探索多雲部署（Multicloud Deployment）。在攀登人工智能階梯的時候，他們需要考慮以下三個基于技術的領域：
以機器學習為核心的混合資料管理。
在安全的使用者配置檔案中提供安全性和無縫使用者通路的治理和內建。
同時為進階分析和傳統分析提供自助服務和全服務使用者環境的資料科學和人工智能。
這些基礎技術必須包含現代雲計算和微服務基礎設施，以便為組織創造靈活而快速地前進和向上發展的途徑。這些技術必須在各梯級上實作，進而使資料移動成為可能，并從單一環境到多雲環境的各類部署的機器學習模型中獲得預測能力。
02 一步一個腳印地攀登階梯
如圖1-1所示，人工智能階梯的梯級分别标記為“收集”“組織”“分析”和“注入”。每個梯級都提供了資訊架構所需的要素。
▲圖1-1 實作完整資料和分析的人工智能階梯
第一梯級收集，代表了用于建立基礎資料技能的一系列規程。理想情況下，無論資料的形式和駐留位置如何，都應簡化資料的通路，并使其具有可用性。
由于用于進階分析和人工智能的資料是動态的且具有流動性，是以并非所有資料都可以在實體資料中心進行管理。随着資料源數量的不斷增加，虛拟化資料的收集方式是資訊架構中需要考慮的關鍵活動之一。
以下是收集梯級中包含的關鍵主題：
使用通用SQL引擎收集資料，使用API進行NoSQL通路，以及支援廣泛的資料生态系統（資料産業）中的資料虛拟化。
部署始終保持彈性和可擴充性的資料倉庫、資料湖和其他基于分析的存儲庫。
同時兼顧實時資料攝入和進階分析。
存儲或提取結構化、半結構化、非結構化等所有類型的業務資料。
使用可能包含圖形資料庫、Python、機器學習SQL和基于置信度查詢的人工智能優化集合。
挖掘可能包含MongoDB、Cloudera、PostgreSQL、Cloudant或者Parquet等技術的開源資料存儲。
組織梯級意味着需要建立一個可信資料基礎。可信資料基礎必須至少對組織可知内容進行歸類。所有形式的分析都高度依賴數字化資産。數字化資産構成了組織可以合理了解的基礎：業務語料庫是組織論域的基礎，即通過數字化資産可獲知的資訊總量。
擁有可用于分析的業務就緒的資料是用于人工智能的業務就緒的資料的基礎，但是僅僅具有通路資料的權限并不意味着該資料已為人工智能用例做好了準備。不良資料可能導緻人工智能癱瘓，并誤導使用人工智能模型輸出結果的任何程序。
為了進行組織，組織必須制定規程來內建、清洗、策管、保護、編目和管理其資料的整個生命周期。
以下是組織梯級的關鍵主題：
清洗、內建、編目不同來源的所有類型資料。
支援并提供自助服務分析的自動化虛拟資料管道。
即使在跨越多雲的情況下，也能確定資料治理和資料沿襲。
部署可提供個性化服務的基于角色體驗的自助服務資料湖。
通過從多個雲資料存儲庫中梳理業務就緒視角，獲得360度全方位視角。
簡化資料隐私、資料政策和合規性控制。
分析梯級包含了基本的業務和計劃分析能力，這些能力是人工智能持續取得成功的關鍵。分析梯級進一步将建構、部署和管理人工智能模型所需能力封裝在一個內建組織技術的産品組合之中。
以下是分析梯級的關鍵主題：
準備用于人工智能模型的資料，在統一體驗中建構、運作和管理人工智能模型。
通過自動生成人工智能來建構人工智能模型，進而降低所需技能水準。
應用預測性、規範性和統計性分析。
允許使用者選擇自己的開源架構來開發人工智能模型。
基于準确性分析和品質控制不斷地演進模型。
檢查偏差，確定線性決策解釋并堅持合規性。
注入是一門涉及将人工智能內建到有意義的業務功能之中的規程。盡管許多組織能夠建立有用的人工智能模型，但它們很快會被迫應對實作持續的、可行的業務價值的營運挑戰。
人工智能階梯中的“注入”梯級突出了在模型推薦的決策中獲得信任和透明度、解釋決策、避免偏見或確定公平的檢測，以及提供審計所需的足量資料線索所須掌握的規程。注入梯級旨在通過解決時間–價值連續統來實作人工智能用例的可操作性。
以下是注入梯級的關鍵主題：
通過預建構适用于諸如客戶服務和财務規劃等常見用例的人工智能應用程式，或定制适用于物流運輸等專門用例的人工智能應用程式，縮短實作價值的時間。
優化知識工作和業務流程。
利用人工智能輔助的商業智能和資料可視化。
自動化規劃、預算和預測分析。
使用符合行業需求的人工智能驅動架構進行定制。
通過使用人工智能支援新業務模型的創新。
一旦對每個梯級的掌握達到一定程度，即新的嘗試是重複以往的模式，而且這些新嘗試不被視為是定制或需要巨大努力的，組織就可以認真地朝着未來狀态采取行動。
人工智能階梯的頂端是不斷實作現代化：從本質上根據其意願重塑自己。現代化梯級隻不過是已達到的未來狀态。但是一旦達到，此狀态便成為組織的目前狀态。達到階梯的頂端後，充滿活力的組織将開始新的階梯攀登。這個循環如圖1-2和圖1-3所示。
▲圖1-2 人工智能階梯是不斷改進和适應的重複攀登的一部分
▲圖1-3 目前狀态←未來狀态←目前狀态
以下是現代化梯級的關鍵主題：
為人工智能部署多雲資訊架構。
在任何私有或公有雲中利用統一的選擇平台。
将資料虛拟化作為收集任意來源資料的手段。
使用DataOps和MLOps為自助服務建立可信任的虛拟資料管道。
使用開放且易于擴充的統一資料和人工智能雲服務。
動态和實時擴充以适應不斷變化的需求。
現代化是指更新或更新的能力，或者更具體地說，包括利用重新構想的業務模式的變革性想法或創新所産生的新業務能力或産品。正在實作現代化的組織的基礎設施可能包括采用多雲拓撲的彈性環境。鑒于人工智能的動态本質，組織的現代化意味着建構靈活的資訊架構，以不斷展示相關性。
大藍圖
在靈活開發中，史詩（Epic）用于描述一個被認為因過于龐大而無法在單個疊代或單個沖刺（Sprint）中解決的使用者故事。是以，史詩被用來提供大藍圖。這個藍圖為需要完成的工作提供了一個端到端的視角。然後，史詩可以被分解為被處理的可行故事。史詩的作用是確定故事被适當地編排。
在人工智能階梯中，階梯就代表“大藍圖”，分解由梯級表示。這個階梯用于確定每個梯級的概念（收集、組織、分析、注入）都被正确地線程化，以確定擷取成功和實作價值的最佳機會。
本文轉載自51CTO，本文一切觀點和機器智能技術圈子無關。
原文連結 免費體驗百種AI能力以及試用熱門離線SDK：【點此跳轉】