由于没有为新一代人工智能的成功制定框架，也没有太多业务成功案例可供借鉴，即使一些最佳实践开始显现，IT 领导者也只剩下粗略的路线图。企业可以更轻松地构建、部署和管理AI模型，首先，要清理所有公司数据，并做好充分准备，以用于基础人工智能模型。其次，必须采取“基于平台的方法”来开发和部署人工智能。最后，必须确保他们拥有一批合格的人工智能人才，以及一系列用于专业技能。
来源：fizkes / Shutterstock
对于IT 领导者来说，将生成式人工智能的前景转化为商业价值的道路仍然艰难而艰巨，但生成人工智能路线图的关键组成部分——数据、平台和技能——正在不断发展并变得更加明确。
这是上周Big.AI@MIT活动上“GenAI在商业领域的下一步发展”小组讨论的关键要点，该小组由埃森哲 CAIO Lan Guan 主持。
关女士与标普全球和康宁公司的人工智能领导人一起讨论了将新一代人工智能模型从概念验证转向生产所面临的巨大挑战，以及使新一代人工智能模型真正对企业有价值所需的基础。
许多首席信息官都处于这样的境地，关女士指出，根据埃森哲的一项调查，只有不到 10% 的企业在生产中拥有一代人工智能模型。
关女士表示：“98% 的企业领导者都表示他们想要采用人工智能，但很多人只是不知道该怎么做。”他目前正在与沙特阿拉伯的一家大型航空公司、一家大型制药公司以及一家高科技公司合作，在内部实施生成式人工智能蓝图。
不幸的是，尽管我们已经获得了关于什么可行、什么不可行等来之不易的教训，但经过压力测试的新一代人工智能参考架构（IT高管最想要的）仍然很少，她说道。
一、进展与挑战
Guan表示，埃森哲与沙特航空的合作涉及一种“旅行伴侣”模式，这种模式远不止在线旅行社、预订代理或旅行指南。这家与卡塔尔航空竞争的航空公司正期望agentic AI和 LLM 来提高预订量并扩大其在不断增长的市场中的份额，她补充说，这种推出六个月的模式已经吸引了 300 万游客并处理了一些预订，但它的价值更具战略意义。
“他们的主要目的是改变人们对品牌的看法。提供更好的体验，”她说。“我不能说我有很多这样的例子。”
康宁公司CDIO Soumya Seetharam 表示，这家制造商已经踏上数据之旅数年，超过 70% 的业务交易数据被输入到数据平台。但她强调，这只是结构化数据。
Seetharam表示：“说实话，我们面临的最大挑战是非结构化数据”，并指出康宁现在必须“弄清楚如何对非结构化数据进行分类，并将其转化为有用的形式”。
标普全球首席信息官Bhavesh Dayalji 补充道，将各种数据结构整合到新一代人工智能模型中是一项挑战。为此，这家金融信息和分析公司正在开发 API，并研究“将数据连接到大内存模型”的所有方法。
标普全球还创建了评估集，不仅用于测试针对幻觉的人工智能模型，还用于确保有一种通用的方法来评估结果和功效。他说，作为金融服务和商品市场的专家，必须有标准的评估方法。
“然后我们需要将其带给整个[金融服务]社区，以评估[生成式人工智能]模型和解决方案，”Dayalji表示，他也是标普全球人工智能创新中心 Kensho 的首席执行官。“我认为，通过挖掘数据，我们可以想出某种解决方案。”
二、路线图浮现
埃森哲的人工智能主管为首席信息官们提出了三条关键建议，帮助他们最大限度地提高人工智能的投资回报率，而不要陷入“垃圾进，垃圾出”的失败。
在小组讨论结束后的一次私人采访中，关女士告诉 CIO.com，首先，要清理所有公司数据，并做好充分准备，以用于基础人工智能模型。
“他们没有清理自己的数据，”她警告说，尽管许多首席信息官正在接受数据挑战，但大多数人并没有为人工智能做好适当的数据准备。“专有数据是你最大的竞争优势。”
其次，关女士表示，首席信息官必须采取“基于平台的方法”来开发和部署人工智能。例如，企业可以在大型机上运行人工智能工作负载，但大多数活动将在公共云或本地私有云上运行。
关女士说：“现在是时候让他们重新审视现有的数据和人工智能企业架构了。”
关女士表示：“基于平台的人工智能方法强调构建一个可扩展、可重复使用的基础，并与组织一起发展，而不是为个别用例开发昂贵的、孤立的解决方案。”她支持建立标准来测试模型结果的必要性的观点。
“通过识别用例之间的共性（例如数据管道、模型管理和应用程序），组织可以创建共享组件，从而简化部署、减少冗余并加快AI 解决方案和企业重塑的价值实现时间。”
埃森哲已经开发了自己的AI Refinery——一种基于平台的人工智能模型创建和部署方法。
【睿观：埃森哲AI炼油厂（Accenture AI Refinery）是一个基于平台的端到端解决方案，旨在加速企业人工智能模型的开发、部署和管理。通过这个平台，企业可以企业可以更轻松地构建、部署和管理AI模型并融入业务流程，从而实现业务的数字化转型。
·统一的平台： 提供一个统一的平台，整合了从数据准备、模型训练、到部署和监控的整个AI生命周期。
·模块化组件： 平台由一系列可重用的模块组成，涵盖数据处理、特征工程、模型选择、超参数调优等各个环节，降低了开发门槛。
·自动化流程： 通过自动化许多重复性任务，如数据清洗、特征工程，大大提高了开发效率。
·可扩展性： 平台具有高度的可扩展性，可以适应不同规模和复杂度的AI项目。
·企业级治理： 提供强大的治理功能，确保模型的质量、安全性以及合规性。
1.数据准备： 从企业内部或外部收集数据，进行清洗、转换和集成，准备用于模型训练的数据集。
2.特征工程： 对数据进行特征提取和选择，构建能够有效表征数据的特征。
3.模型训练： 选择合适的算法，利用准备好的数据进行模型训练，并通过超参数调优提高模型性能。
4.模型部署： 将训练好的模型部署到生产环境中，集成到企业现有的业务系统中。
5.模型监控： 持续监控模型的性能，及时发现并解决问题，确保模型的长期有效性。
·客户服务： 构建智能客服系统，提高客户服务效率和满意度。
·风险管理： 开发智能风控模型，降低业务风险。
·运营优化： 通过预测性维护、智能调度等手段，优化运营效率。
·产品创新： 借助AI技术，加速新产品开发和创新。
·加速AI落地： 通过提供一个完整的解决方案，加速企业AI项目的落地。
·降低开发成本： 重用平台组件和自动化流程，降低开发成本。
·提高模型质量： 通过标准化的流程和工具，提高模型的质量和可靠性。
·增强业务竞争力： 利用AI技术，提升企业在市场上的竞争力。】
“从实际角度来看，AI Refinery是一种认知架构，具有内置智能和上下文，其中 AI 代理可以推理、规划并与人类一起工作以动态执行任务，”Guan 说。“使用 LLM，系统可以解释人类的意图并根据经验进行调整，整合组织知识以做出更好的决策。”
最后，她建议首席信息官必须确保他们拥有一批合格的人工智能人才，以及一系列用于构建和部署新一代人工智能模型的专业技能。大多数首席信息官没有足够快地提升员工技能或培训员工，而且各种人才都很少，包括具有 GPU 基础设施规划技能的数据科学家和软件工程师。
关女士六年前曾是埃森哲的数据科学家，她开始学习软件工程技能、应用程序开发技能和基础设施规划技能，为新一代人工智能做准备。关女士说，寻找人才“也是我面临的一个挑战”。
在峰会上，众多人工智能初创公司和解决方案提供商展示了声称可以解决CIO 和 CAIO 面临的各种人工智能挑战的解决方案。在另一个小组中，来自 New Technology Ventures 和 Underscore VC 的风险投资家表示，创新投资资金充裕，但他们承认市场仍处于炒作周期。
然而，正如VC 小组主持人指出的那样，大多数参与者都知道生成式人工智能是一项变革性技术。
“人们意识到这种转变有多么巨大……人们纷纷加入其中，”风险投资人、提供财务预测服务的人工智能初创公司Collective[i] 联合创始人海蒂·梅瑟 (Heidi Messer) 表示。“我们确实必须看透这些噪音，这很棘手，但在未来五到七年内，将会创造 [重大] 价值。”
与此同时，标普的Dayalji 表示，企业必须超越专业的人工智能技能，预见员工与新一代人工智能模型以及处理日常任务的人工智能代理互动后产生的新角色的各个方面。
“我们将继续培训我们的员工，确保他们了解人工智能对他们的工作及其工作方式的影响，”他说。“其次，你如何为他们提供工具来完成不同的工作并进行创新？”
【睿观：将生成式人工智能转化为商业价值是一项复杂而艰巨的任务，但通过聚焦数据、平台和人才，企业CIO可以构建清晰的路线图，并最终实现人工智能驱动的业务转型。
数据准备不足： 企业数据尚未为人工智能模型做好充分准备，特别是非结构化数据处理是一个难题。
缺乏成熟的参考架构： 生成式人工智能的最佳实践和参考架构仍处于发展阶段。
人才短缺： 数据科学家、软件工程师等人工智能人才供不应求。
数据清理与准备： 将企业数据清理并转化为可用于训练人工智能模型的格式。
基于平台的方法： 建立统一的平台，实现人工智能模型的开发、部署和管理。
培养人才： 培养具备人工智能技能的员工，并引进相关人才。
埃森哲AI炼油厂： 提供了一个基于平台的人工智能模型创建和部署方法，加速了企业人工智能项目的落地。
行业案例： 沙特航空、康宁公司和标普全球等企业在人工智能应用方面取得了一定进展，但也面临着各自的挑战。
生成式人工智能将带来巨大变革： 未来五年内，生成式人工智能将在各个行业创造巨大的价值。
企业需要关注人才培养： 企业需要培养员工适应人工智能带来的新角色和工作方式。】
