近年来，人工智能已经走出了机房，进入了主流商业的世界。由于深度学习和其他先进的人工智能技术、数据的惊人增长和原始处理能力的持续进步，人工智能的表现不断在进步。这些发展促使了人工智能商业应用的爆炸式增长。
人工智能正成为几乎每个商业领域的基础科学，这掀起了一场新的战争。数据显示，即使在同一行业内，人工智能的理解和采用程度也明显不同。近日，波士顿咨询公司联合麻省理工学院发布了一份名为《将AI照进现实》的研究报告，报告指出，如果目前的模式继续下去，这场战争中的胜者和败者之间的分离可能会特别戏剧化并不可逆转。报告还指出，超过70%的高管希望人工智能在他们的公司中扮演重要角色。然而总的来说，许多公司的高管声称，他们所在的机构缺乏对人工智能的基本了解。
在这份报告中，波士顿咨询与MIT对于大型机构如何全面认识和应用AI，提出了切实可行的步骤建议。雷锋网为您进行如下编译和解读：
本报告主要包括以下三点内容：
- 提供对人工智能直观和实际的理解。
- 在更深层次上，讨论人工智能的许多当前和潜在的用例，并研究人工智能对行业价值增长点、未来工作、以及竞争优势的影响。
- 最后，对如何在大型机构中引入和推广人工智能提出一些实际的指导。
一、AI不是现成的解决方案
人工智能不是即插即用。公司不能简单地“购买智能”并将其应用于他们的问题。尽管人工智能的元素在市场上是可用的，但仍需要内部努力来管理数据、流程和技术之间的相互作用。
将人工智能应用于工作的概念框架相当直观。(见下表所示。)简而言之，人工智能算法吸收数据，处理数据，然后生成动作。然而，这一过程依赖于几个技术层面的适当整合，且确定从数据到行动的具体路径，往往会对企业造成困扰。
1、从数据到行动
AI的数据处理所需要的和大数据以及传统数据分析有几点基本不同：
a、数据、培训和处理。裸人工智能算法是几行简单的计算机代码。它们不是天生智能，需要感官输入和反馈来发展智力。在可预见的未来，人工智能培训将需要公司自己的数据和努力。数据科学家必须给机器提供大量的数据，以准确地计算无数的相关性和连接，最终创造出一种算法，它的智力局限于特定的数据领域。这种经典的归纳学习方法解释了为什么人工智能经常被描述为数据饥渴。
b、行动。一个经过训练的算法可以接受实时数据和交付行为——例如，信用评分决策并自动交付给客户，或者基于医学图像的癌症诊断，或者是无人驾驶面对迎面而来的汽车向左转。虽然这个数据操作过程与标准计算机程序的工作原理并无区别，但人工智能系统在不断地学习和转变。因此，数据是行动和自我改进的来源——就像一位企业高管一样，他根据事实做出决策，并利用这些事实来完善未来的决策。
建立数据处理过程是一项艰巨的工作。公司不能在市场上购买到这个，而那些试图逃避工作或走捷径的公司将会以失望高中。BCG合著的《麻省理工斯隆管理评论》(MIT Sloan Management Review)援引一位制药公司高管的说法称，人工智能供应商提供的产品和服务是“非常年幼的孩子。”“供应商要求我们给他们大量的信息让他们学习，”他沮丧的说。“为了让它长到17或18或者21岁好获取AI服务而付出的努力，似乎并不值得。”
在可预见的未来，大多数公司将需要依靠内部数据科学家来寻找、收集、整理和创建数据来源，并开发和培训公司特定的人工智能系统。当然，公司可以将整个过程或活动以及所有数据外包给服务提供商，例如人力资源管理活动，但一旦将这些责任外包给服务于多个客户的供应商，公司可能就丧失了获得竞争优势的机会。
2、AI的基础
幸运的是，公司不需要自己开发所有的人工智能机器。市场上有配套的平台和服务。公司可以在云上租用原始的计算能力，或者将其部署在特定的硬件上，这些硬件可以处理并行的许多任务，这是人工智能技术(如深层神经网络)的基本能力。公司还可以根据开源代码访问快速开发的人工智能数据架构。最先进的人工智能算法在公共领域是可用的，而且领先的科学家已经保证继续在这些算法上发布和开源他们的工作。此外，企业也制造了人工智能平台——如谷歌的TensorFlow——作为一种服务。
企业也可以访问我们所说的人工智能构造块。这些构造块，如机器视觉，比裸算法更实用，但并不是完全自主操作的。人工智能的每一个用途都依赖于一个或多个构建块，每个构造快都依赖于算法、API和预先训练的数据集。在研究和经验的基础上，我们确定了10个正在快速发展的建筑板块。管理人员需要了解这些构造块的功能和潜在价值。有些事情在今天艰难但可行，未来几年内可能变得很容易，而今天不可能的事在三到五年内也可能会得到实现。
人工智能的构造块
然而，对于那些希望处于领先地位的公司来说，市场可能并不是总能提供最好的选择。譬如当平安想要采用面部识别软件的时候，它对市场上可用的产品的性能不满意，所以它自己制造了产品。最终的内部系统识别出了中国面孔的轮廓和特征，比市面上的商业替代品更好，而且这个工具已经在不同用途下识别了超过3亿张脸。它补充了平安的其他认知系统，如声音和图像识别。这家保险公司的经验表明，所有公司都应该评估他们使用人工智能构造块的能力，以争取获得竞争优势。
二、人工智能在行动
根据BCG与MIT的调查，人工智能在商业领域的有效应用仍然很低：在20家公司中，只有1家公司广泛应用了人工智能。然而，每个行业都有领先于该行业的公司。虽然没有公司在所有功能上都取得了卓越AI方面的成就，但许多公司都在利用人工智能创造巨大的商业价值。
以下是几个行业的简要应用示例，涉及到各种组织功能和过程，展示了人工智能的普及程度，以及它在合适的环境中的巨大效用。
1、市场和销售
人工智能为公司提供了提供个性化服务、广告和互动的机会。赌注是巨大的。整合先进数字技术和专有数据以创造个性化体验，品牌可以增加6%至10%的收入，是没有这样做的品牌的三倍。BCG估计，在零售业、医疗保健和金融服务行业，未来5年，将有8000亿美元的收入将转移到提供个性化公司服务的top15%。
人工智能在分散式设置中通常非常有效——如零售或金融服务，这得益于丰富的上下文和特定的客户数据的提供。适当构建的试点项目通常可以在四到六周内验证概念，并帮助确定全面推出所需要的的数据基础设施和技能构建。
2、研究和发展
与营销和销售相比，研发对人工智能来说是一个不太成熟的领域。与大型零售连锁店相比，研发所产生的数据要少得多，而且这些数据往往无法以数字方式捕捉到。此外，许多研发问题相当复杂，技术含量高，受到严格的科学限制。即便如此，人工智能在这一领域仍有很高的潜力。例如，在生物制药行业，研发是主要的利润驱动因素，人工智能可以改变扭转成本上涨和开发周期延长的趋势。
在工业产品领域，领先的制造商将人工智能、工程软件和操作数据——如维修频率——结合在一起，以优化设计。人工智能在增量制造设计方面特别有帮助，它也被称为3D打印，因为它的算法驱动程序不受工程学惯例的约束。
积极的数据收集应该是设计研发领域的人工智能试验的一个关键因素。可能需要与大学合作，将历史记录数字化，甚至从零开始生成新的数据。考虑到参与研发所需的知识和专业能力，很难获得有用的AI解决方案。相反，科学家必须依靠系统性试验作为指导，来建立未来人工智能应用程序所需的数据清单。
3、操作运行
操作实践和运行对人工智能非常合适。它们通常有类似的例程和步骤，生成大量的数据，并产生可测量的输出。在一个行业中运行的的许多AI概念在另一个行业中也能发挥作用。人工智能目前流行的用途包括预测维护和非线性生产优化，它对生产环境的元素进行整体分析，而不是按顺序或孤立地进行分析。
4、采购和供应链管理
在采购方面，人工智能的潜力是巨大的——因为结构化数据和重复交易十分常见——然而基本上没有应用。今天的机器可以打败世界上顶级的扑克玩家，也可以交易证券，但他们还没有表现出在企业购买方面胜过供应商的能力——至少公开的信息是这样。(企业可能会使用支持AI的采购系统，但不会告诉供应商或其他任何人，以保持竞争优势。)
已知的人工智能采购案例包括聊天机器人，半自动合同设计与审核，以及基于对新闻、天气、社交媒体和需求的分析提供建议。重要的增强甚至自动化采购现在才刚刚出现。
供应链管理和物流则是完全不同的。这些过程很容易获得历史数据，使它们理所当然成为机器学习的应用目标。需要注意的是，收集数据、建立数据结构比建立机器学习模型要费时的多。
5、支撑功能
公司通常会部分外包支撑功能，这些功能在各个机构中都很相似。但很快他们就可以为这些功能购买支持AI的解决方案了。IBM、埃森哲(Accenture)和印度四大巨头(HCL、Infosys、Wipro、Tata)等外包巨头正在进行大规模的人工智能开发。这些公司正将重点从强调降低劳动力成本和规模，转向建设智能和自动化平台，以提供更高价值的服务。
许多服务机构开始认识到人工智能与机器人处理自动化(RPA)相结合的好处。他们使用基于规则的软件机器人来代替人类的桌面活动，然后通过人工智能学习增强灵活性、智能，和学习。这种方法结合了RPA的快速回报和AI的高级潜力。
6、AI能提供优质产品和服务
涉及到提供先进的产品和服务的人工智能应用程序——数字个人助理、自动驾驶汽车和机器人投资顾问——大多都受到了广泛的关注。提供支持AI服务的公司急于向公众展示这些产品的优越性能和特性。
由于他们的产品和服务， 乃至于整个商业模式都有一定风险，公司必须建立强大的内部人工智能团队。
与此同时，自动化也创造了新的商业模式。例如，保险公司和制造商将能够使用人工智能预测更准确的风险，允许他们在使用、护理或穿戴的基础上定价。
7、企业之外：行业价值池如何转变
总的来说，使用案例和潜在的场景会影响整个行业结构。
医疗保健就是一个生动的例子。它由几个部门组成，包括医疗技术、生物制药、支付者和提供者，每个部门都有不同的、经常相互竞争的利益。该行业是整个价值链中丰富的人工智能实验的场景，特别是在研发、诊断、护理、护理管理、患者行为矫正和疾病预防等领域。
表2展示了一个潜在的场景，说明随着人工智能的采用，整个医疗保健价值池可能会发生怎样的变化。当然，各个行业的玩家的价值增长点变化会有所不同，每个行业都有赢家和输家。最初，大多数公司都会从AI公司的内部运作过程中获益(图2中标记为1的箭头)。受益于研发效率、个性化营销和合理化精简的支持功能，生物制药公司和支付者很可能从这些努力中获益最多。
在接下来的五年里，我们预计人工智能在诊断疾病方面会有很大的吸引力。在诊断某些特定形式的癌症时，视觉人工智能代理已经超过了业界领先的放射科医生，许多初创公司和科技巨头更早就在研究AI方法来检测癌症，并提供更准确的预测。在初级医疗环境中，人工智能可以改善或替代一些医生的操作。与此同时，远程诊断可以消除或大幅减少病人到医院就诊的次数。这些变化可能主要有利于医疗科技公司(arrow 2)，同时可能某些程度上损害生物制药公司(arrow 3)和医疗提供者(箭头4)。更好的结果是，早期的诊断和方法可以减少对治疗的需求。
凭借其内在的性能特征，人工智能可能会加速以价值为基础的医疗保健的发展趋势——为结果而不是数量来买单。这种趋势有利消费者作为付款者减少成本，并为提供者和生物制药公司设置新的标准(箭头5)。最后,大多数公司可能购买至少从技术供应商处(箭头标示6)购买一个解决方案，这些技术供应商包括一些进入医疗赛道的传统科技企业。
这一可能的场景——在人们对医疗保健需求增加的背景下——可能会改善健康状况，但生物制药公司会感受到压力。此外，生物制药公司可能在诊断方面采取更大胆的举措，个性化药物可能会起飞，开辟新的利润池。此外，付费者可以自己开发远程诊断，而供应商开始将人工智能纳入他们的病人治疗协议。无论如何，医疗科技公司和技术供应商都将获利。
三、利用AI良机获胜
围绕人工智能的发展存在如此多的不确定性，对于大多数公司来说，最聪明的做法是建立一个基于当前趋势的短期行动组合，并通过建立功能和数据基础设施为未来的机会做准备。
1、如何开始
高管们应该把他们的AI之旅分成三个步骤:构思和测试，优先考虑和开始试验，以及扩大规模。（见图3）
- 理念和测试。在这个阶段，公司应该依赖于四个视角:客户需求、技术进步(特别是涉及人工智能构造块的技术)、数据源和流程的分解(或系统分解)，以确定最有前途的使用案例。在发现有价值的人工智能用途方面，客户需要能够提供关键的指导。客户可能是外部的，或者在支撑功能的内部客户。深入了解人工智能构造快的发展将是系统地整合技术进步的关键。丰富的数据池，尤其是新的数据池，提供了另一个重要的透镜，因为AI依赖于它们。最后，通过将流程分解成相对常规和独立的元素，公司可能会发现人工智能可以自动化的领域。除了客户需求之外，这些角度与公司用来识别数字机会的截然不同。
对于AI经验有限的公司，我们强烈建议基于一个很可能实现价值的案例，进行一个并行测试阶段，它的定义应当是合理的，而且复杂程度适中。这个测试将帮助组织了解人工智能，并强调数据或数据集成需求和组织能力和能力，这是下一步的关键投入。
- 优先级和进行试验点。高管们应该根据试验的潜在价值和交付速度优先考虑试验点。第一步的测试将提供对潜在试验点的时间需求和复杂性的洞察。
一旦机构选定了一系列试验点，它就应该像在敏捷软件开发中一样，将它们作为测试和学习的冲刺运行。由于大多数试验仍然需要处理蹩脚的数据集成和处理，他们将会是不完美的。但是，他们将帮助正确地划分优先级和定义数据集成计划的范围，并确定全面运营AI过程所需的能力和规模。每个试验都应该同时交付具体的客户价值，并定义所需的基础设施和集成架构。
- 规模化扩大。最后阶段包括将试验点扩展为可靠的运行流程和产品，并构建功能、流程、组织和网络技术和数据基础设施。尽管这一步可能会持续12到18个月，但敏捷冲刺的持续节奏应该能将价值最大化并限制重大的，意想不到的流程修正。
2、如何执行
在执行这一运营项目时，高管们应该执行一系列活动，为自己和机构做好准备，将人工智能投入工作。
- 了解人工智能。高管们需要了解人工智能的基本知识，并对可能发生的事情有一个直观的理解。他们不应只是简单地在媒体上读到新的奇迹，而应开始尝试用Tensorflow做一些实验，或者上一些有益的、广泛可用的在线课程。在它们的核心，算法很简单;除了这些神秘的术语外，这个领域是相当容易接近的。因此，管理人员应该能够对这个主题有一个功能性的理解。
- 执行人工智能健康检查。高管们应该清楚地看到他们在技术基础设施、组织技能、设置和灵活性方面的起始位置。此外，他们应该了解内部和外部数据的访问级别。
- 增加员工的观点。人工智能可能会对劳动力造成破坏。尽管员工对即将失业的担忧往往夸大了实际情况，但引入人工智能确实会产生情绪压力，需要进行大规模的再培训。想想一个工厂的员工和一个机器人一起工作，一个采购经理从一个应用程序接收输入，或者一个呼叫中心代理无缝地接管了一个聊天机器人的互动。工作场所的沟通、教育和培训需要成为最初试验设计的一部分。
3、思考明天之外
AI的未来——包括其以激进方式改变价值创造的潜力——仍然是高度不确定的。应对这种不确定性的最佳方法是绘制并测试多种场景，并创建一个将单个计划结合在一起的路线图。这些努力将使各公司能够明智地修改其原有计划，并解决其对数据、技能、组织和未来工作的影响:
- 数据。人工智能的突破很大程度上依赖于对新的、独特的或丰富的数据资产的访问。幸运的是，至少在某些领域，机器学习模型可以从初始的数据集开始，并在进一步添加数据时改进。但是，由于现有数据的数量每两年翻一番，基于过去的数据所获得的竞争优势是很容易崩坏的，对于未来数据的获取是非常重要的。
联合研究项目表明，数据所有权对于跨行业以及行业内的管理者来说都是一个棘手的问题。例如，调查受访者对专有数据、公共和公司所有数据的混合以及公共领域数据哪一种在行业中最为普遍这一问题都存在分歧。至关重要的是，排他性数据的数量往往决定了竞争优势，这要求高管们需要更深入地理解行业和公司内部数据来源的价值和可用性。
- 技能。研究表明，只有一小部分公司了解未来人工智能所需要的知识和技能。而那些拥有先进人工智能能力的公司往往很难雇佣和留住那些精明的数据科学家。随着大学和网络教育提供商扩大他们的人工智能产品提供，这种迫切的需求将逐渐消失。长期而言，更有价值的可能是数据科学家的管理，以及将AI洞见和能力与已有流程、产品和服务相结合的商业执行能力。
- 组织。根据研究，企业对于一个集中式、分散的或混合的组织模式是否最有利于发展人工智能存在分歧。更关键的问题是，随着机构的人员和机器越来越紧密地合作，具有人工智能和业务专长的人需要机构内灵活的、跨职能的团队合作。
除了整体的组织设计，越来越明显的是，人工智能作为一种技术，在强调分散行为的结构中比集中结构中效果更好。无论是自动驾驶汽车、实时营销、预测维护，还是全球性企业的支持功能，都是如此。一个中心实体收集和处理所有分散代理的数据，以最大化学习集，然后它部署新的模型，并在聚合数据池的集中学习的基础上对这些代理进行微调。
- 未来的工作。人工智能无疑会影响未来工作的结构。但是，尽管担心人工智能将导致大规模的失业，研究表明，在可预见的未来，会发生的影响还是有限的。大多数受访者并不认为人工智能将在未来五年内导致公司裁员。超过三分之二的受访者并不担心人工智能会使他们的工作自动化;相反，他们希望人工智能能够接管他们目前所从事的不愉快的任务。但同时,几乎所有的受访者都承认,AI将要求员工学习新的技能,就像汽车力学使得他们不得不扩充技能一样。不同之处在于,他们将没有几十年的适应时间,所以他们可能需要利用新的教育产品和AI本身加快再训练的过程。机构需要灵活，但员工和高管也是如此。对长远成功的最好准备是建立改变的能力。
AI将会从根本上改变商业。你成功的最好机会就是不去加入大肆炒作，去做必要的工作。行动是不可替代的。
本文作者：嫣然
本文转自雷锋网禁止二次转载，原文链接