理解和实施 AI 工作流以实现最佳训练和部署
人工智能 (AI) 有可能彻底改变企业运营，并改变各行业及全球的创新发展方向。
生成式 AI 的年度总影响中超过 75％ 将特别体现在销售、营销、产品研发、软件工程和客户运营领域。但是，只有在深思熟虑和战略性地执行 AI 的情况下，才能好好利用这些机会。
实施 AI 是一个结构化的过程；这需要 CTO、CDO 和 CIO 了解新的技术要求，重新思考他们的当前基础设施战略，并评估传统系统。为了让 AI 真正发挥影响力，IT 领导者必须建立一个基础，以满足当今和未来 AI 模型的开发和部署需求。
为此，IT 领导者需要战略性地考虑 AI 工作流的各个阶段。AI 工作流涉及三种独立的数据处理方式：数据聚合、训练和推理。考虑因素包括每个阶段的工作原理，及其顺利运行所需的关键基础要素。
AI 工作流的三个阶段及其对 IT 基础设施的影响
第 1 阶段：数据聚合
AI 的质量取决于其训练数据的质量。数据聚合始于一种收集、清理、整理和存储数据的综合方法，以便用于训练和支持企业 AI 应用。
为了使此预处理阶段按预期工作，IT 领导者应遵循以下最佳实践：
- 识别数据源：大型组织会产生和收集大量数据：有关客户或员工的数据、运营数据、财务数据、网络日志、内网搜索或来自物联网传感器的数据。为了让 AI 智能地了解有关组织的信息和答案，它需要对组织环境有一个全面的了解。第一步是确定这些数据源的位置。
- 将数据汇集到一个中央系统：然后，IT 领导者需要一个系统，通过该系统他们可以从不同的数据源、数据库和终端收集数据，并将其集中到一个中心枢纽或存储库中。这可能看起来像采用企业资源计划 (ERP) 系统或连接到各种源（如直接数据库连接、应用程序编程接口 (API) 或其他源）的数据湖。
- 清理和整理数据：即使数据已集中到一个中心位置，其格式可能仍不统一，可能是结构化的（来自数据库的具体和统一的数据）、半结构化的（有组织但不符合治理要求的数据）或非结构化的（数据类型多样）。IT 领导者应实施数据卫生的最佳实践，包括将数据转换为标准化格式和使其符合命名约定、扫描错误以及消除过时或重复的数据。此步骤可能既耗时又昂贵。
- 建立数据治理：最后，建立一个可重复的流程来治理数据管理，包括如何保护数据以及谁将有权访问这些数据。这可以确保数据质量随着时间的推移保持一致。鉴于所收集数据的规模，最佳实践是在边缘处理数据，以减轻数据引力的影响。
第 2 阶段：训练
尽管企业很可能只会使用基础模型，并用其自身的数据进行扩展（而不是创建和训练自己的模型），但了解人工智能发展阶段仍然非常重要。
有序、干净的数据集是训练企业 AI 模型的前提条件。通常情况下，企业会使用一个基础模型，例如 OpenAI 的 GPT-4 模型，然后利用内部数据对其进行进一步训练或“提示调优”，以使 AI 的知识既全面又特定于某个领域。这个训练工作流可能会是像下面这样：
- 选择合适的模型：并非每个 AI 模型都性能相同或适合组织的特定数据。首先，IT 领导者应概述采用 AI 的用例：数据分析？客户服务？运营效率？这将指导他们选择适合其业务需求的 AI 架构、算法和参数。
- 从一项任务开始：接下来，使用数据聚合阶段的训练数据集教新的 AI 模型执行特定任务。这将使 AI 模型能够开始识别数据中的模式和关系。当 AI 模型开始学习时，训练 AI 模型的人可以开始调整其参数，使其更加精确和有效。
- 测试和评估：继续测试模型以增强和深化其知识。开始将测试扩展到更多的数据集中，观察其适应性，并根据需要进行调整。在整个测试过程中评估其性能，以确保其按预期运行，并达到准确率、召回率、精确率和其他必要的评估指标。
- 验证性能：现在是时候在新的验证数据集上评估 AI 的性能，以了解其学习方式了。现在是时候微调参数并准备将 AI 模型供企业使用了。
第 3 阶段：推理
现在是让 AI 发挥作用的时候了！在这个阶段，AI 模型已准备好在各种应用和用例中推出，它将利用其推理能力对新数据集做出预测或决策。
然而，不要仅仅部署 AI 并让其不受控制地运行。建立一个持续验证的流程，以确保 AI 模型的准确率并能够提供可操作的结果，特别是防范可能导致业务影响的任何“幻觉”。这种在生产环境中监控算法的过程通常被称为模型可观测性。
例如，《哈佛商业评论》详细介绍了摩根士丹利如何拥有“一套 400 个‘黄金问题’”，其答案是已知的，他们用这套问题持续对 AI 进行准确率测试。如果 AI 回答这些黄金问题的方式有任何变化，他们就知道需要重新调整模型。
应对 AI 工作流挑战
理想情况下，实施企业 AI 的过程是顺利的，从数据策略到训练再到推出。但是，IT 领导者在这样做时应意识到以下挑战。
- 数据质量差：AI 的优劣取决于其训练数据，然而非结构化或未格式化的数据，甚至缺乏来自整个组织的数据，都会阻碍 AI 模型按需学习或运行。根据 IBM 的“2023 年全球 AI 采用指数”， “数据复杂性过高”是成功采用 AI 的第二大障碍。这就是为什么首先采取措施制定数据管理计划如此重要（如上所述）。
- 硬件不足：要快速高效地运行 AI ，需要能够满足要求的计算硬件，而硬件不足将影响性能和速度。高性能计算 (HPC) 硬件通过并行处理为模拟和建模环境提供动力，能够充分支持企业的 AI 需求，尤其是在对延迟敏感的推理阶段。它还只占用了传统硬件一小部分的空间。
- 基础设施薄弱：除了硬件，AI 还需要合适的基础设施来支持它。这包括适当的功率密度，对于 AI 而言，功率密度可能比传统基础设施管理的其他系统高出五到十倍。随着计算量的增加，AI 工作流也将需要数据中心的专用冷却系统。
- 成本上升：AI 投资对企业来说可能非常昂贵，无论是在开发还是在底层基础设施和硬件方面。使 AI 更具成本效益的方法之一是确保 AI 部署和项目与业务目标一致，并确保 AI 用例有利于组织的发展和影响力。POC 通常用于在启动项目之前展示可量化的价值。
- 复杂的 IT 运营：AI 工作流需要许多新的 IT 运营考量，包括数据管理和互联互通的战略方法、训练所需的时间投入，以及相应的硬件和基础设施。它还包括团队管理的战略方法，并确保员工具备专业知识来管理不断推出的新版 AI——特别是根据上述 IBM 报告，“有限的 AI 技能、专业技能或知识”是成功采用 AI 的最大障碍。
构建企业 AI 的基础
如今，企业 AI 蕴藏着巨大的机遇——只有成功实施，才能抓住这些机遇。首先，建立一个战略性的数据聚合计划，以高效地收集、处理和存储数据。然后，使用这些数据来训练 AI 模型，使其熟悉特定领域的知识、模式和统计关系。最后，确保在 AI 部署和实际使用后，有一个评估性能和跟踪指标的计划。
AI 工作流的这三个阶段为企业构建创新提供了基础。
想了解如何成功实施 AI ，将您的组织带入未来？立即下载 “面向 IT 领导者的 AI：部署面向未来的 IT 基础设施”。
