企业迫切希望将人工智能从实验室推向生产环境，在那里它将有望迎来一个具有生产力和盈利的新时代。但这并不像看起来那么容易，因为事实证明，人工智能在测试台中的表现往往与在现实世界中的表现大不相同。
克服实验室和实际应用之间的障碍，正迅速成为部署 AI 竞赛的下一个主要目标。由于智能技术需要稳定的可靠数据流才能正常运行，因此受控环境不一定是传统软件的试验场。有了人工智能，不受控制的环境现在是真正的考验，许多模型都失败了。
「死亡谷」
跨越这个「死亡谷」变得如此重要，以至于一些组织正在将其提升为高管级别的核心竞争力。ServiceNow 先进技术集团 (ATG) 的研究和科学项目高级主管 Valerie Bécaert 正领导公司的研究以弥合这一差距。正如她最近向 Workflow 解释的那样，这不仅仅是正确训练 AI 的问题，还在于转变组织文化，来提高 AI 技能并促进更大程度地接受风险。
该小组正在研究的一项技术是用有限的数据训练人工智能，这样它就可以自己学习新的真理。毕竟，现实世界的数据环境远比实验室大得多，数据来自无数的来源。低数据学习不是简单地将基本模型投入到这个混乱的环境中，而是提供了一条通往更有效模型的简化途径，这些模型可以根据他们获得的知识推断出更复杂的结论。
麦肯锡公司最近的一份报告强调了一些领先的人工智能从业者——该公司将其定义为能够将 20% 的息税前利润归因于人工智能的人——正在稳步可靠地推动项目投入生产。在核心最佳实践中，该公司定义了以下内容：
- 在开发工具时采用设计思维；
- 在部署之前进行内部性能测试，并跟踪生产中的性能，以确保结果显示出稳步改进；
- 建立定义明确的数据治理流程和协议；
- 培养技术人员的人工智能技能。
其他证据似乎表明，在将 AI 部署到生产环境中时，云提供了优势。除了云的广泛可扩展性之外，它还提供了广泛的工具和功能，例如自然语言理解 (NLU) 和面部识别。
AI 的准确性和精确度
尽管如此，将人工智能投入生产的部分问题在于人工智能模型本身。Android 开发者 Harshil Patel 最近在 Neptune 上指出，大多数模型的预测准确度都很高，但精度很低。对于需要精确测量而对错误几乎没有容忍度的业务模型来说，这是一个问题。
为了解决这个问题，组织需要在培训过程中更加注意消除离群数据集，并实施持续监控，以确保偏差和方差不会随着时间的推移而蔓延到模型中。另一个问题是类不平衡，当一个类的实例比另一个类更常见时就会发生这种情况。特别是在引入来自新领域的数据集时，这可能会使结果偏离真实世界的经验。
斯坦福大学兼职教授、deeplearning.ai 创始人 Andrew NG 表示，除了生产就绪型 AI 的技术障碍之外，还需要考虑文化因素。人工智能往往会扰乱企业中众多利益相关者的工作。没有他们的支持，数百小时的开发和培训就白费了。这就是为什么人工智能项目不仅应该对那些将使用它们的人有效和有帮助，而且它们也应该是可解释的。因此，任何项目的第一步都应该是定义范围，技术团队和业务团队在该范围内会面，以确定「人工智能可以做什么」和「什么对业务最有价值」的交集。
科技史上到处都是寻求问题解决方案的例子。人工智能的优势在于非常灵活，可以快速重新配置和重新部署一个失败的解决方案，但如果没有从失败中吸取正确的教训，这可能会变得昂贵且徒劳。
随着企业在人工智能方面的发展，挑战将不再是将技术推向其可以想象的极限，而是确保开发和培训人工智能模型的努力集中在解决当今的实际问题上，同时确保它们能够转向对于未来出现的问题。
参考内容：https://venturebeat.com/2022/01/24/getting-ai-from-the-lab-to-production/
