人工智能算法已經(jīng)出現(xiàn)多年，但是直到最近，人工智能的價值才開始在企業(yè)中得到快速擴展。

快速擴展的原因基于兩方面：一方面處理和存儲數(shù)據(jù)的成本都已大幅下降。另一方面，計算科學(xué)家已經(jīng)改進了人工智能算法設(shè)計，包括神經(jīng)網(wǎng)絡(luò)在內(nèi)，使得訓(xùn)練模型獲得了更高的準確度。

人工智能系統(tǒng)首先學(xué)習(xí)數(shù)據(jù)，然后從中推理出結(jié)果

為了進一步加快人工智能普及速度，推動了基礎(chǔ)設(shè)施創(chuàng)新，業(yè)界和學(xué)術(shù)界紛紛將與人工智能有關(guān)的功能直接嵌入到硬件之中，例如：最新的英特爾?至強?可擴展處理器為廣泛的人工智能工作負載提供可擴展的性能，在深度學(xué)習(xí)模型訓(xùn)練和推理中提供突破性的性能，英特爾?Nervana? 神經(jīng)網(wǎng)絡(luò)處理器則采用專為神經(jīng)網(wǎng)絡(luò)構(gòu)建的新型架構(gòu)。

專業(yè)硬件的加持，使得人工智能潛力明顯，但是許多企業(yè)還沒有開始采用人工智能，其采用速度也比不上媒體和學(xué)術(shù)機構(gòu)在報告中推測的速度。

經(jīng)過媒體調(diào)查，這些企業(yè)擔心廣泛的潛在機遇帶來的挑戰(zhàn)。

那么，什么樣的機遇能夠帶來最好的結(jié)果？如何確保能取得成功的結(jié)果呢？

英特爾為此提出了一套“概念驗證（PoC）”的解決方案，并且詳細撰寫了一套“白皮書”，能夠幫助決策者回答這些問題，同時最大化價值，最小化風險。

注：概念驗證（POC）是一種“封閉”而有效的解決方案，從了解要求一直到實現(xiàn)成功，可根據(jù)明確的標準對該解決方案進行評估和測量。對于任何人工智能項目或程序，概念驗證讓決策者能夠：更快收獲價值、獲取技能和經(jīng)驗、測試硬件、軟件和服務(wù)選項、確認和解決潛在的數(shù)據(jù)瓶頸、突出人工智能對 IT 基礎(chǔ)設(shè)施和廣泛業(yè)務(wù)的影響、提升人工智能的積極印象，提高用戶的信任度。

概念驗證具體來說分為五個步驟。第一步確認機遇、第二步確定問題的特征并分析數(shù)據(jù)、第三步架構(gòu)和部署解決方案、第四步評估商業(yè)價值、第五步縱向擴展概念驗證。大數(shù)據(jù)文摘也將白皮書簡要介紹如下。

第 1 步 確認機遇

請你務(wù)必從一開始就明確了解你希望利用人工智能達到哪些效果，為何它對你的企業(yè)至關(guān)重要，以及你如何確保它能夠提供所需的功能，這些非常重要。如果你尚未明確能從人工智能中獲得哪些益處，你應(yīng)該實施評估，看看人工智能可在哪些地方產(chǎn)生立竿見影的效果：

思考行業(yè)中的其他企業(yè)都在使用人工智能做些什么。

在你的企業(yè)中，看看哪些方面存在明確需要解決的問題，或哪些方面能從人工智能中獲益。

在工作中利用現(xiàn)有的專業(yè)知識庫，使用內(nèi)部已有的技能和經(jīng)驗。

在確定了哪些方面能從人工智能獲益后，可以根據(jù)幾項標準來測試各個機遇。這項工作無需花費很長時間，而以下問題可以幫助你確認你的組織在規(guī)劃方面的不足，以免倉促啟動人工智能項目：

你是否明確知道自己想要解決的問題、其對應(yīng)的具體要求，以及你將如何衡量成功？你是否考慮過或曾部署其他解決方案來解決此問題，后來因為傾向于人工智能而放棄這些解決方案？

是否明確限定了機遇的范圍？例如，你是否能簡要說明這個機遇會使用到的數(shù)據(jù)集、關(guān)鍵組件、將會受到影響的人員，以及其他依賴項？它是某個更大解決方案的一部分嗎？

你是否具備讓它成為現(xiàn)實所需的技術(shù)資源和資金？你是否能夠不受技術(shù)、合同或其他因素的阻礙，直接使用你所需的數(shù)據(jù)源？

對業(yè)務(wù)的有利影響是否足以抵消所付出的努力？那些容易看到的成果非常重要，有利于提高用戶對人工智能的信任度，讓更多的利益相關(guān)者參與進來。

推動力和獲得的支持是否足夠（例如高層的支持）？受到影響的業(yè)務(wù)部門是否全力參與來解決這個問題？

時間安排上是否合適？是否明確指定了交付團隊？這個團隊是否具有足夠的時間、技能和動力來完成這項工作？

組織是否具備更廣泛的數(shù)據(jù)科學(xué)和 / 或人工智能戰(zhàn)略？此戰(zhàn)略是否與其目標一致？組織目前已具備哪些數(shù)據(jù)科學(xué)基礎(chǔ)設(shè)施和專業(yè)知識？

概念驗證成功完成之后，后續(xù)準備怎么做？是否有資金用于維護或擴展該解決方案？負責運營的 IT 部門是否獲知了基本情況并準備好參與其中？

第 2 步 確定問題的特征并分析數(shù)據(jù)

在你確認和測試過機遇之后，接下來可將注意力轉(zhuǎn)向了解和詳細闡述待解決的問題，將其映射至更廣泛的類別，例如推理、感知或計算機視覺。

組織遭遇的部分挑戰(zhàn)，尤其對于尚處于人工智能早期階段的組織而言，就是內(nèi)部沒有足夠的技能。

在你的人工智能工作流程中，這也是思考更多可能會給解決方案帶來影響的技術(shù)問題的絕佳時機。例如：

你是否傾向使用某些硬件或軟件？為什么（基準測試數(shù)據(jù)、TCO、首選供應(yīng)商）？

安全 / 監(jiān)管 / 數(shù)據(jù) / 其他方面的需求是否更傾向于選擇本地系統(tǒng)而不是云？

你的解決方案是在本地自己維護，還是部署到數(shù)據(jù)中心中？

當前數(shù)據(jù)中心的利用率是多少？性能 - 功耗比有多重要？

你會按照什么頻率和數(shù)量為訓(xùn)練 / 推理提供新數(shù)據(jù)？

在靜態(tài)和動態(tài)情形下，如何保持原始數(shù)據(jù)和生成的洞察始終安全？

第 3 步 架構(gòu)和部署解決方案

下一個問題是，如何設(shè)計和部署已通過概念驗證測試的解決方案。如圖 3 所示，這由一個技術(shù)棧組成，包括：

基礎(chǔ)產(chǎn)品和系統(tǒng)基礎(chǔ)設(shè)施

人工智能特定的軟件，用于推動基礎(chǔ)設(shè)施建設(shè)

起支撐作用的人工智能框架，用于為計劃的解決方案提供支持

虛擬化技術(shù)、前端軟件和 / 或硬件

在這個階段，你可以考慮到底是構(gòu)建、購買或再利用硬件和軟件，還是利用云服務(wù)。

即便是按照最佳實踐構(gòu)建和測試的基礎(chǔ)設(shè)施和軟件，仍然需要考慮人工智能的各種要求。尤其是持續(xù)提供高質(zhì)量數(shù)據(jù)這一要求。數(shù)據(jù)科學(xué)家能夠與 IT 系統(tǒng)架構(gòu)師合作設(shè)計從數(shù)據(jù)中心到邊緣的部署架構(gòu)，并且考慮軟件集成、網(wǎng)絡(luò)連接、硬件問題和其他各方面?？赡苄枰獪y試多個選項：應(yīng)該采用測試加學(xué)習(xí)的方法，以便能獲取更多的經(jīng)驗。

完成之后，你可以處理解決方案的其他人工智能相關(guān)元素——構(gòu)建模型、訓(xùn)練和調(diào)優(yōu)。

構(gòu)建模型

模型構(gòu)建屬于人工智能的核心任務(wù)。數(shù)據(jù)科學(xué)家參與其中，使用訓(xùn)練數(shù)據(jù)和管理參數(shù)來實施迭代測試。這樣，在他們發(fā)送模型用于更廣泛的訓(xùn)練和調(diào)優(yōu)之前，可以檢查模型的初始融合準確性。

訓(xùn)練和調(diào)優(yōu)

訓(xùn)練和調(diào)優(yōu)是人工智能工作流程中計算密度最高的部分。在這一階段，數(shù)據(jù)科學(xué)家需要確定在哪些參數(shù)下，模型能夠基于所提供的訓(xùn)練數(shù)據(jù)實現(xiàn)最有效的融合，同時解決作業(yè)調(diào)度和基礎(chǔ)設(shè)施管理等常見的傳統(tǒng) IT 問題。

這個過程非常耗費人力，數(shù)據(jù)科學(xué)家需要花費大量時間來手動整理數(shù)據(jù)并執(zhí)行數(shù)百次試驗。

第 4 步 評估商業(yè)價值

作為解決方案設(shè)計的一部分，你需要定義概念驗證的評估標準：對于工程師，這些標準可以轉(zhuǎn)化成能夠設(shè)計、衡量、持續(xù)自動測試的評估標準。

現(xiàn)人工智能解決方案架構(gòu)可以表示為堆棧

以下這些評估標準可用于評估商業(yè)價值：

準確度：解決方案提供的結(jié)果和洞察是否正確？是否可以重復(fù)？

完備性：這種解決方案是否正確使用所有數(shù)據(jù)源？

時效性：是否在需要時，按照需要提供洞察？

除此以外，無論其運行狀況是否符合預(yù)期，此解決方案還需遵循其他標準：

擴展性：如果數(shù)據(jù)量或用戶數(shù)量隨時間不斷增加，或者急劇增加，該解決方案是否能繼續(xù)發(fā)揮作用？

兼容性：解決方案是否為開放的，并且能使用標準協(xié)議與第三方數(shù)據(jù)源和服務(wù)集成？

靈活性：如果數(shù)據(jù)需求或模型發(fā)生變化，解決方案能否適應(yīng)不斷變化的環(huán)境？

工程性：能否簡單快捷地調(diào)試訓(xùn)練模型中的錯誤輸出？

最后，需要根據(jù)人工智能領(lǐng)域廣為人知的“可解釋性”（即決策質(zhì)量）來評估解決方案的需求。與可解釋性有關(guān)的標準包括：

偏見：如何確保人工智能系統(tǒng)不會基于訓(xùn)練數(shù)據(jù)、模型或目標函數(shù)的缺點對世界存在偏見（或者對存有偏見的世界保持公正的態(tài)度）？如果其人類創(chuàng)造者下意識或潛意識地存有偏見呢？

公平公正：如果決策是基于人工智能系統(tǒng)制定的，如何確認這些決策是否公平公正？在這種環(huán)境中，公平公正意味著什么——對誰公平？

因果聯(lián)系：該模型除了提供正確的推理之外，是否還能解釋一些基礎(chǔ)現(xiàn)象？

透明性：針對基于人工智能的洞察給出的解釋，用戶能否理解？在什么樣的情況下，所發(fā)現(xiàn)的結(jié)果可以被質(zhì)疑？

安全性：無論用戶對得出結(jié)論的過程了解與否，如何增加用戶對人工智能系統(tǒng)可靠性的信心？

第 5 步 縱向擴展概念驗證

現(xiàn)代平臺的性能優(yōu)化

截至目前，你已經(jīng)定義了問題，設(shè)計了解決方案，分析了數(shù)據(jù)且建立了模型。概念驗證已成功構(gòu)建、測試和部署。那接下來應(yīng)該做什么呢？

積極的用戶體驗有利于提升用戶需求，以獲得更大的成功。但是，概念驗證也會因此遭遇風險，成為受到過多關(guān)注的犧牲品。你可以采取一些措施，確保你的概念驗證持續(xù)保持成功，為更廣泛的人工智能戰(zhàn)略提供支持：

縱向擴展推理能力。人工智能不是以線性方式擴展的——例如，從單節(jié)點配置遷移后，50 個處理器并不一定會帶來 50 倍的性能。你仍然需要利用在單節(jié)點配置中采用的很多方法來測試和優(yōu)化多節(jié)點配置。

縱向擴展更廣泛的基礎(chǔ)設(shè)施。為確保人工智能獲得成功，你需要驗證推理鏈路中的每一個環(huán)節(jié)。檢查現(xiàn)有的技術(shù)平臺、網(wǎng)絡(luò)和存儲，以增加可用的數(shù)據(jù)量，改善時效性和延遲。此舉將最大限度減少未來遭遇瓶頸的可能性，同時最大限度提高從數(shù)據(jù)源中獲得的價值。

調(diào)整和優(yōu)化概念驗證解決方案。隨著時間推移，你會積累更多的技能，用于提升和增強你所部署的人工智能解決方案。為了獲得更好的結(jié)果，你可以優(yōu)化數(shù)據(jù)監(jiān)管和打標簽等領(lǐng)域的軟件，也可以嘗試訓(xùn)練和部署新模型。

橫向擴展至其它業(yè)務(wù)場景。你的概念驗證可能涵蓋其它業(yè)務(wù)領(lǐng)域的應(yīng)用，例如預(yù)測性維護解決方案之前被部署到制造環(huán)境的某一個區(qū)域，現(xiàn)在可對其實施擴展。你可以采用一組方法來管理如何在更廣泛的用戶群內(nèi)擴展概念驗證。

管理和運營規(guī)劃。就本質(zhì)而言，許多人工智能應(yīng)用案例都要求系統(tǒng)實時執(zhí)行推理，而不是在離線或批處理模式下執(zhí)行。此外，隨著時間推移，可能需要重新訓(xùn)練并更新模型。這些因素對服務(wù)交付提出了一些額外要求。要確保預(yù)先分配了足夠的時間和技能資源，以便繼續(xù)提供概念驗證。