以改善该组织可以与AI成功率：

1、将AI策略与业务策略整合

2、将收入增长优先于降低成本

3、承担具有重大影响的大型项目-即使它们具有风险

4、使AI的生产与AI的消费保持一致

5、将AI视为主要的业务转型工作

6、投资于AI人才，数据治理和流程变更

 

人工智能悄然取得了可验证和有益进展的领域之一不是应用程序

在应用程序管道的另一端，我们看到了嵌入在流程中的AI的迅速扩展：管理，解释和供应信息，关键是，用于数字转换和创建面向客户的应用程序的AI比将嵌入式AI集成到工具中要困难得多，这是双赢的，因为未能提供干净且可用于AI的数据是缺少进度的常见的原因，这样做以推动AI通过所需的规模和节奏准备数据已经成为一项不人道的任务，使用AI为AI做准备; 它具有优美的声音。

 

期望看到数据准备方面的投资有所增加

而数据准备是任何数据项目中不可或缺的组成部分，仍然经常被认为是许多项目的瓶颈，这将推动数据质量的提高，并使IT摆脱准备数据的压力。

 

过去的统计模型现在已经与计算机科学融合，并已成为AI和机器学习

因此，数据，分析和AI团队不再相互孤立，他们需要合作并共同努力，以从他们都使用的相同数据中获取价值，2020年我们将看到更多的组织围绕数据堆栈建立专门的CPDA数据分析师团队，他们将使用带有AI辅助开发的工具，这些敬业的团队将需要大大减少他们为数据管理，版本控制，一键式访问算法（或张量）而编写的代码量。AI / ML对于AI工程师的工作效率没有得到足够的重视。

 

企业将需要基于解决方案这些解决方案将基础架构监视

工作负载自动化和容量规划集成到一个平台中，因此无法采用服务模型的供应商和无法在端到端基础架构可见性方面进行投资的企业将无法实现客户要求和性能，现在，比以往任何时候都更容易进行数据库内索引和分析，并且我们拥有确保数据可以移到正确位置的工具，数据的神秘性已经消失：2019年Hadoop分销商的整合和快速消亡是这种转变的信号，下一个重点领域将是非常分散的或“广泛的数据”，数据格式变得越来越多样化和碎片化，结果，适用于各种数据类型的不同类型的数据库增加了一倍以上。

 

具有嵌入式机器学习，深度学习的工具会造成怎样的影响

CPDA数据分析师将负责实施道德框架以做出决策，这包括安全性，偏见，预期用途和内置治理，人工智能使保险公司能够更好地利用他们掌握的大量数据，以从至关重要的客户洞察中受益，从而程度地提高其服务和产品，这样可以使客户满意并提高业务效率。

 

2020年将更多地关注可解释的AI

以减少预测中的任何偏差，数据科学家将成为产品团队不可或缺的一部分，并将与他们紧密合作，以数据为先的方法开发应用程序，而不是专注于理解由应用程序生成的数据，我不完全理解他所说的“数据优先”的含义，但是我认为它暗示了AI通知的数据管道，无论是用于自动执行重复性任务（数据准备等），还是通过来自您和您的同行的上下文信息来连接管道，人工智能都将开始渗透到业务功能的所有领域。

 

关于人工智能仅因为企业内存在数据并不意味着数据是可用的可传输的格式

2020年将是企业开始了解其数据尚未支持AI的一年，这将使其业务流程效率低下，效率低下或不准确，没有提到需要使数据可用-苛刻的AI解决方案，有关AI的大量对话涉及人员，应用程序和自动化，这是应用程序培训的结尾。人工智能为火车的无形部分提供动力的机会正在成熟，并将为人工智能的成功（失败）体验提供推动力。

 

• 人工智能有一个黑匣子可解释性问题-结果分析可以发挥作用吗？
• 金融如何跟上金融服务的数字化转型？

返回列表