AI Factory如何快速安全地从概念进入产业化

人工智能(AI)被组织视为获得竞争优势的一项重要技术。市场数据表明，2020年人工智能业务的使用量同比增长了25%，其中63%的组织高管认为人工智能可以带来收入的增长。在全球持续蔓延的疫情将使其表现更加突出。越来越多的组织采用适合的人工智能解决方获得生存和发展，并能够快速有效地进行部署和扩展。

然AI而，与所有游戏规则的改变一样，组织采用人工智能计划也面临新的挑战，并在实施中存在很多问题，其中最主要的问题是：如何才能采用正确的数据方法来快速高效地部署人工智能计划，并且长期内不会出现故障并可持续发展?正是由于这个原因， “AI Factory”应运而生。

AI Factory是一种组织化的运营模型，以系统 F化的方式将不同的人才、能力和流程结合起来，从而使组织在人工智能部署和可扩展性方面获得成功。家乐福和ENGIE公司等行业领导者已有效地使用AI Factory在其业务中交付变革性的人工智能项目。但是，从头开始建立有效的AI Factory可能会令人生畏，因此需要专家团队的帮助和清晰的愿景才能使流程正常运ac行。

制定完美的规划

对于组织来说，至关重要的第一步是为AI Factory定义愿景和用例，这将成为组织的数据策略。组织必须确定使其转型具有最大业务潜力的用例，无论是供应链优化还是合规管理，在各方面都存在机遇。

还应该考虑组织的人工智能愿景。重要的是其发展方式以便进行规划，并对未来有一个清晰的想法。组织to可以从初步的总体角度来绘制适用于数据和人工智能的版本。

接下来，必须通过识别和分类用例来评估具体的业务机会。这是通过评估业务影响和复杂性来实现的。在整个过程中，关注心态是很重要的，要管理大规模的变革，需要从组织的高管到一线员工的每个人都参与进来。

AI Factory的四大支柱

在定义组织的数据策略和人工智能ry愿景后，应该优先确定要实施的用例列表。但是，如何开始研究它们呢?AI Factory的有效实施建立在以下四个支柱上：

(1)单一治理

为了提高效率，治理必须是高级的、专门的和量身定制的。由数据领导者组成的AI Factory委员会在提供总体赞助和指导方面非常重要，因为它与人工智能愿景共享，并与团队和路线如何图保持一致。在项目管理层，应该建立AI Factory的主管角色，其中包括业务、运营、法律、安全、IT数据专家，他们的作用应该是审查、仲裁和验证进展。

最后在运营层面要建立敏捷团队。这个功能团队负责交付人工智能产品用例。它们是紧密联系的部门，相互协作以确保永久的信息流和透明度。最重要的是，它们应该是跨学科快速的，结合了组织的技能和专长。它们以成就为导向，每个目标都是以一个单一目标创建的：提供一个由唯一目标衡量的用例。

(2)多元化的专家团队

为了提高效率，结构化组织应该在基于敏捷方法的混合团队中收集业务、数据、软件和数字技术技能。敏捷性确保了工作方式的灵活性和适应性，并避免了与孤岛方法相关的问题，例如同一结构中的安全孤立部门或过于严格的程序。这需要很好地混合业务和技术概要，以确保在技术方面开发的内容始终具有满足业务需求的有用目的。

可扩展性是团队组成的重要特征。这个想法是其结构可以很容易地复制，类似于乐高积木。通过其完全可扩展的模型，可以添加更多团队来解决其他用例。

(3)先进的人工智能技术

当然，有效的部署需要地从人工智能支持技术的基础。AI Factory使用开源、专有和云计算解决方案的组合。根据最佳实践，应该从头到尾在整个数据管道(从摄取到可视化)中对它们实现标准化。

(4)行之有效的方法和系统

需要进行系统化以确保始终按照特定顺序执行一系列步骤，每个步骤都有自己明确的目标。其具有双重好处：首先，这提供了公共引用的概念总体结构，从而保证一致性。其次，这使其方法具有可复制性和可扩展性，从而大大加快了工业化阶段的部署。

MLOps：保持工厂运转

除了设定用例方法之外，还必须部署MLOps(机器学习运营)实践以弥合概念阶段与生产之间的差距。受到DevOps流程的启发，这应该结合软件开发和IT运营以缩短开发生命周期。

MLOps进入的目的是克服传统编码系统所不具备的挑战。第一个挑战是团队之间的协作：不同的单元通常是孤立的，并且拥有流程的不同部分。这扼杀了生产所需的协作性。第二个挑战是管道管理，因为机器学习管道比传统的管道更复杂。它们有特定的特性，包括在整个生产过程中必须测试和监控的构建块。最后一个挑战是，机器学习模型通常需要多次迭代产业，当以人工并且特别的方式投入生产时，它们变得僵化且难以更新。

与其相反，MLOps方法应将所有机器学习资产嵌入到持续集成(CI)/持续交付(CD)管道中，以确保快速无缝地部署。在每个新版本发布之前，应该测试所有数据、功能和模型，以防止质量或性能下降。所有利益相关者应该目标一致，并将软件工程最佳实践应AI用于数据科学项目——版本控制、部署环境、测试。

归根结底，MLOps是一种以与所有其他生产要素统一的方式来持续管理机器学习项目的学科。它确保了从用例早期阶段到用例产业化的有效技术交付。

成功的框架

人工智能为组织带来巨大的希望，但对于无法正确部署的组织来说也有巨大的风险。 AI Factory模型的真正好处 F在于，它为快速成功地实施建立了一个核心框架。其流程、团队和工具本质上是可迁移和可重复的，这意味着组织可以在追求人工智能愿景时保持敏捷。一旦流程建立并得到MLOps的支持，组织就会获得人工智能加强业务所需的条件。