为什么当今的企业都需要人工智能战略？

人工智能（AI）从根本上改变了所有行业的企业的运营（包括制造业，医疗健康，信息技术和运输业）。

在过去的十年中，AI的进步为企业提供了自动化的业务流程，改变客户体验和产品差异化的机会。

Google和亚马逊这样的AI先行者已经采用这些新技术来创造日益增长的竞争优势，我们看到了他们的AI战略带来的的好处。

虽然企业级AI的采用仍处于初级阶段，但把握住AI带来的机会需要管理层进行更多的讨论，机器人维修，增加对AI及其生态系统的理解，了解行业巨头如何采取措施，从而获得差异化的竞争优势。

理解AI

AI是计算机科学的一个分支，旨在创造能够实现智能行为的机器。AI内有多种技术和细分，机器学习（ML）是其中规模最大，增长最快的领域之一。

机器学习算法从实例和经验中学习，而不是依赖于预定义的规则或算法。在机器学习中，还有其他细分，如深度学习，其重点是深度神经网络结构。

今天，AI准备从几项技术创新和更广泛的专业知识的融合中受益，特别是：可负担的云计算基础设施，可用的大型数据集和算法优化的飞跃。

这些进步，加上人工智能研究的投入增加，库卡机器人何服电机维修，为人类发展创造了一个可持续发展的环境，并将继续影响到未来的企业和社会。

机器学习有何特别之处？

最近AI的兴起主要是由于机器学习的进步。这些进展导致了自然语言处理（苹果的Siri，GoogleTranslate），推荐系统（亚马逊的推荐引擎，音乐推荐服务Pandora）和图像识别（诊断工具，自动驾驶汽车）的突破。

机器学习大致分为两种学习方法：

监督学习，其使用已知数据集基于标记的输入和输出数据进行推理。

无监督学习，从包含没有标记输出的数据的数据集中得出推论。

今天工作中最流行的方法是监督学习，无监督学习对于更广泛的应用来说具有巨大的前景。

在每种学习方法中，有多种算法类型可供选择。根据问题的类型或所需的结果进行不同的选择。

在机器学习工作流程中，流程的每个部分都需要特定类型的专业知识和资源。虽然领域专业知识对工作流程的预处理/功能部分工作很重要，但训练阶段需要独立的AI专业知识，领域知识较少。

从基础设施的角度来看，资源最密集的阶段是数据处理时的模型训练阶段。然后是构建ML模型时，理解和权衡各种方法和正在解决的问题的类型变得很重要。

掌握AI需要的技术栈

AI技术栈是运行AI模型所需的基础架构，包括优化组件，存储，数据处理和分析工具。

组件：CPU，GPU，FPGA和专用ASIC是AI技术栈的基础组件。虽然CPU是普遍存在的，但在机器学习的资源密集型训练阶段中使用的GPU和FPGA已经在深度学习中取得了巨大进步。对于需要较少资源的推理部分，传统的CPU或超低功耗FPGA或ASIC是最常见的选项。

计算：公共云供应商现在正在为AI提供量身定制的解决方案。云计算服务商的选择很多，可使任何企业，中小企业或小团队都能够以合理的价格运行AI模型。

存储：随着机器学习所需的大量数据，特别是在特征工程阶段，数据存储至关重要。Hadoop集群和云对象存储的出现显着提高了数据存储容量，以支持AI使用案例。

AI技术栈依赖于公有云供应商和开源项目提供的服务。云计算巨头（如谷歌，亚马逊，Facebook，微软和百度）投入AI服务已经有助于从拥有技术栈的专有厂商转移。

总而言之，将开放源码作为公认标准在整个AI生态系统中引起了更快的发展。谷歌的开放源码TensorFlow库体现了这一观念，TensorFlow可以让任何对机器学习感兴趣的人开发模型，而不必从头开始构建库和算法。

AI生态系统

过去十年，AI从研究机构中脱颖而出，成为世界上最先进的技术公司。这些公司将AI嵌入其核心产品和服务，加速了人工智能生态系统的技术进步，人才开发和投资。例如：

亚马逊正在使用AI来改善个性化推荐并优化库存管理。在亚马逊向股东提交的年度股东信中，CEOJeffBezos讨论了通过其云计算部门采用AI快速交付产品，增强现有产品和创建新工具的重要性。

Google使用自己的DeepMind技术来管理数据中心的电力，将冷却成本降低了40％。该公司的AI优先策略专注于利用AI进行搜索优化，自动驾驶汽车以及投资了众多其他的解决方案。

Facebook致力于打造AI的基础技术。其研究小组FAIR是神经网络突破的顶尖人工智能实验室之一。

微软已经创建了一个AI业务部门，拥有超过5000名计算机科学家和工程师，www.zr-kuka.com，专注于将AI推向公司的产品。

英特尔正在更新其服务器以应对处理和训练AI系统所需增加的计算量。为了做到这一点，该公司已经在CEONaveenRao（前深度学习公司NervanaCEO，2016年被英特尔收购）的领导下，组建了一个统一的AI的机构。

百度正在大力投入人工智能，建立图像识别技术，推进自主驾驶，推出数字助理，开发增强现实工具。

AI人才的短缺仍然是一个问题。据麦肯锡称，AI投资的70％来自最大的技术公司的内部研发投入。我们继续看到，云端巨人从学术界聘请了关键的AI人才领导AI的工作。80％到90%的AI人才都在最大的几家科技公司。

人才竞争激烈，AI公司收购大幅增长。据CBInsights的数据，仅在2017年就有不同行业使用AI的55家公司被收购。Google，苹果，Facebook，英特尔，微软和亚马逊一直是AI中最活跃的收购者，大部分收购都落在核心AI技术中，如图像识别和自然语言处理。

在这些技术供应商的带领下，AI已经出现一些早期的获利者，并在此过程中创造了一个积极的技术和工具生态系统。2017年，美国共有650多笔AI融资并购事件，总金额6.5亿美元，已经超过了2016年全年近1000笔交易的5.7亿美元。

AI公司的范围从那些专注于开发核心AI技术到构建AI工具来解决行业特定问题。在投资方面，AI的最大细分部门是网络安全和通用解决方案，其次是商业智能和物联网初创公司。

企业如何利用人工智能

在评估如何部署或构建AI工具时，公司应分析最高价值用例，并计划建立强大的支持和人才基础。

任何AI都将依靠三个主要的部分：数据，基础设施和人才。

数据驱动洞察力需要访问大型数据集。机器学习的有效性通常与可用数据量相关。在这个阶段，访问大量数据是推动ML工具价值的一个要求。

技术设施，软件和硬件的基础设施必须有效运行机器学习模型。云服务提供商有能力将其产品扩展到AI基础设施，并提供可与开源软件结合使用的解决方案。对于一些公司来说，由于监管或其他商业原因，将训练数据移至云端太贵或不可行。对于这些公司，将需要大量的计算能力，有时需要使用GPU，FPGA或ASIC的硬件加速。

AI人才在有效利用机器学习方面至关重要。虽然并不是每家公司都将寻求建立一个内部的AI组织，但是经验丰富的数据科学家是从AI推动价值的关键。机器学习是一个需要专业知识的难题。

将AI推向核心产品和服务创造竞争优势。公司必须在内部建立一个能够处理AI开发的强大的基础设施。