面对这种变革，企业要做好准备。正如那些没有准备好使用网络和电子商务的企业最终会落伍一样，那些不适应人工智能和机器学习的企业也会陷入困境。如果不关注人工智能所处理的大量数据和做出的决策，而是问：“实现自动化之后，我是不是就能实现最后一公里？”，或者，由于不能“实时”做出决策而获得优势，转而去关注一些自己不擅长的东西——那么你的企业很可能在几年内就会宣布倒闭。

面对变革，企业需要制定好战略，在开始业务转型之前，要处理好五个先决条件，才能在整个企业中推广人工智能。

人工智能的第一个先决条件：培训

企业里不可能每一名员工都成为数据科学家。而且，有些数学运算方式变化太快了，以至于我们普通人无法理解——人们在这星期认为还是最有效的某种算法，过一星期后就未必适用了。

然而，一些基本的东西是不会改变的。企业的每名员工都应该掌握机器学习的一些基本功能，尤其是开发人员：

聚类：将事物分组。

分类：将事物分类，并进行标记。

线性预测：如果能画出一条直线，就可以预测它的值是多少。

方差预测：无论是流动风险，还是振动或者功率尖峰，如果有一组落在某一范围内的数值，就可以预测某一天的方差是多少。

分类/排序/优先级：无论是为了搜索，还是为了指导销售部门或者支持人员下一步工作的优先级排序，这些都是可以处理的。

模式识别：不管是形状、声音，还是一组数值或者事件，计算机都能学会找到它。

关键点在于有一批人，他们可以根据人们的技能水平进行简化。开发人员可能对具体的算法或者技术感兴趣，但分析师和管理人员应该了解基本业务问题和计算机技术。管理人员不一定需要知道聚类是怎样工作的，但他们应该能够识别出“看起来像”聚类的问题。

最后，由于功能在不断扩展，因此，企业应该定期更新培训，至少每年进行一次。

人工智能的第二个先决条件：组件化

在组件化方面有一种工具是数据科学家的“笔记本（notebooks）”，很多其他工具都是从中衍生出来的。对于数据科学家及其合作者而言，这是非常好的工具。

但问题是，当涉及到产品的时候，会带来不好的效果。因为分类算法的界面看起来与所有其他算法大致相同，某种分类算法的实现不会随着业务问题而改变。

正如很多企业必须弄清楚怎样表示一名客户一样（并不是每一个系统都会针对每个业务问题提供完全不同的表示），算法也是同样的。这并不是说你想出了一个真正的聚类算法，而组件化实现的却是完全不同的东西。

人工智能的第三个先决条件：系统化

事实上，大多数系统看起来还是一样的。有一些过程把数据送入算法中，有一些过程则执行算法，还需要存放输出结果的地方。如果针对每一种算法反复定制设计所有这些东西，那就是在浪费时间和金钱——给自己造成更大的问题。就像SOA改变了很多企业部署应用软件的方式一样，在部署人工智能的过程中也需要类似的技术。

你不需要运行大量定制的Spark集群，不需要到处部署定制“笔记本”和定制开发ETL过程。不管业务问题如何，企业都需要能够完成繁重工作的人工智能系统。

人工智能的第四个先决条件：AI/UI组件化

在后端提供RESTful服务的JavaScript/Web UI环境中，很多UI应该能混合使用人工智能组件。无论是基于用户行为的推荐者，还是完全虚拟的助理，企业都应该构建包含人工智能功能的UI库，这些功能可以方便地嵌入到业务应用程序中。

人工智能的第五个先决条件：配置

如果没有数据，所有这一切都不会起作用。我们不应该再回到过去，去创建大量臃肿的数据，那样的话，我们只是收集了一堆HDFS垃圾，希望总有一天会产生价值——正如一些厂商敦促你去做的那样。现在，让我们看看应该配置什么。

如果你身处制造业，可以有一些简单的出发点：任何手动进行的操作都是在浪费时间。即使是在销售和营销领域，员工也都有电子邮件和手机——可以从这些数据中自动收集明显非常有用的数据。与其让那些喋喋不休的销售人员去完成他们的数据录入，何不让系统自己去做呢？

人工智能策略

总的来说，这五个关键的先决条件是：

1､在整个企业中传播人工智能知识。

2､每个人都应该了解机器能够独立完成的日常工作。

3､为企业的人工智能构建系统和组件。

4､构建AI/UI混合结构，方便地把人工智能添加到业务应用中。

5､配置系统来收集企业所需要的数据，并将其送入算法，为企业做出决定。

如果能把这些先决条件放在一起，剩下的就是从信息时代过渡到洞察时代了。

作者：Andrew C. Oliver   编译：Charles

原文网址：https://www.computerworld.com/article/3269365/blockchain/is-the-us-headed-toward-a-cashless-economy-through-blockchain.html

责任编辑：李丽