在进行任何AI/ML部署之前，组织需要将其数据科学的研究工作与项目管理的最佳实践相结合。在2019年1月，Gartner发布了一项调查，37%的受访者表示他们已经在某种程度上使用了人工智能(AI)，但54%的受访者表示，他们所在组织的技能短缺阻碍了他们积极推进使用人工智能的进程。
在进行任何AI/ML部署之前，组织需要将其数据科学的研究工作与项目管理的最佳实践相结合。
在2019年1月，Gartner发布了一项调查，37%的受访者表示他们已经在某种程度上使用了人工智能(AI)，但54%的受访者表示，他们所在组织的技能短缺阻碍了他们积极推进使用人工智能的进程。
这里指的并不是数据科学家，他们仍然供不应求，并且正在积极地被雇佣，而是指许多组织没有使用IT项目的方法来实施他们的AI工作，以确保项目满足他们的业务目标。
“我们看到很多数据科学团队正在研究许多并行的ML和AI计划，但是很少有人将模型部署到实际的生产应用程序当中，”专攻机器学习(ML)训练数据的Alegion首席执行官Nathaniel Gates表示。
Gates补充说，高技能的数据科学家可能缺乏数据准备和项目管理方面的实际业务经验。“他们擅长概念化、构建和测试AI和ML算法，”他继续说道。“但是我们通常不会在这些数据科学团队当中发现太多的人工智能项目专家。所以他们往往缺乏为人工智能和机器学习准备数据的实际经验。”
在进行任何的AI/ML部署之前，组织需要将其数据科学的研究工作与其项目管理的最佳实践相结合。
如何改进部署
以下是组织改进人工智能部署的五种方法。
1. 开发一个内部切换流程，将初始数据科学算法和早期数据工作转换到IT项目管理当中
这种切换将确保数据质量和数量准备，并将项目置于熟练的项目经理的管理之下。
2. 将人工数据评估和机器学习自动化与您的数据结合使用
了解数据的技术人员在数据质量评估中是非常宝贵的，但是他们可能缺乏审查所有数据算法流程的能力。因此，采用机器学习形式的数据评估自动化是至关重要的，机器学习可以由人类专家进行训练，以评估数据的质量。
3. 为您的ML使用敏捷开发方法
人工智能项目应该在可管理的sprint中进行，允许快速迭代地规划、构建和测试人工智能应用程序的各个部分。
“对于成功的ML开发来说，关注持续迭代改进的敏捷开发方法是必不可少的，”Gates说。
4. 集中您的AI和ML数据
“我们合作过的最成熟的公司已经将他们对人工智能的ML训练数据需求合并到了一个集中的共享服务当中，该服务可以在企业内的众多数据科学项目中被使用，”Gates说。
5. 使用熟练的项目经理
AI和ML团队应该由能够执行项目管理方法和最佳实践的项目经理来扩充。
“AI和ML团队常常没有懂得如何在团队之外的组织中进行运作的成员，”Gates表示。“我们一直在与数据科学家交谈，他们知道自己需要大量的ML训练数据，完全理解为什么他们无法用现有的团队来生成这些数据，但是却对组织的预算、采购和项目管理流程一无所知。”
(来源：企业网D1net）
转自：CIO信息主管D1net（D1Net_D1Net），作者：Mary Shacklett，转载此文目的在于传递更多信息，版权归原作者所有。
