要将 AI 集成到企业中，首先要确定如何将 AI 平台、基础模型、生成式 AI 和机器学习 (ML) 与关键目标保持一致。企业往往会高估 AI 功能的影响、低估其复杂性——需要数据和分析领导者管理预期，否则项目将面临损失惨重的失败风险。²

IBM 组合产品管理总监 Ann Leach 表示：“如果您是数据领导者，请思考一下您的团队做得最多的事情有哪些，以及 AI 可以如何简化这些工作。团队可以在哪里引入 AI 来帮助决策、创建更好的工作流程和流程，或为企业提供具有前瞻性思维的信息？”

要充分利用您的 AI 应用程序，请记住以下建议：

与业务成果挂钩

与领导层齐心协力，为企业的整体业务目标服务。IBM 首席分析官 Tim Humphrey 建议，无论您是否正在考虑让营销、人力资源、供应链、销售或资产管理领域的领导者使用 AI 用例，您都应该询问领导者希望带领职能部门或企业走向何处。您需要了解现在所处的位置以及期望的发展方向。Humphrey 补充道：“如果不能按现在和未来的规划来持续应用 AI ，就没必要开始。”

先进行测试

借助 AI 进行概念验证，直到找到正确的解决方案。然后进行优化。Carruthers and Jackson 首席执行官、Playbook 首席数据官 Caroline Carruthers 表示：“我不想花大量时间让一切变得完美，我只是热衷于进行大量的概念验证，直到找到真正站得住脚的方案。”

设定并跟踪目标

定义 KPI，用于衡量每个用例的成功。假设是关于识别信用卡欺诈的项目，您希望 AI 能够捕获 95% 的欺诈案件。通过利用指标来跟踪进度，您可以描绘和监控 AI 性能水平，并向利益相关者展示 AI 的价值。

数据领导者最难的工作之一是，建立快速、可信的方法将数据转化为洞察。您需要使用正确的数据来运行模型，但并非所有数据都适用于 AI。

IBM Data Fabric 软件开发副总裁 Remus Lazar 表示：“一切的根源都在于针对特定用例的恰当数据集，没有这样的数据集就没有 AI。就这么简单。”他举了一个例子，一家航空公司希望利用预测性 AI 来预测乘客是否可以赶上转机的航班。“如果只收集没赶上转机航班的乘客的数据，而不收集赶上了转机航班的乘客的数据，那么这个数据就不太恰当。没有恰当的数据集，永远也解决不了这个用例的问题。”

检查数据架构

超过一半的企业认为数据是 AI 项目停滞的罪魁祸首。Data Fabric 等现代数据架构内嵌了数据质量和数据治理功能。让数据科学家能够自助提供数据，无论数据位于何处，并自动应用所有治理和隐私要求。这种方法可随时为用户提供可靠的数据，实时访问不同来源的数据，并让数据受到全面治理，为敏捷性和速度奠定了基础。

可信数据为模型助力

当今时代，有关 AI 的法规和伦理不断变化，且越来越复杂，因此您应该多问：与这些数据有关的治理手段包括哪些？这些数据可以用于此目的吗？数据质量和数据治理对于成功扩展 AI 解决方案至关重要。在让企业依赖算法进行决策之前，请思考并回答以下问题。

• 例如，您需要的是外部数据还是内部数据？
• 您使用的是历史数据吗？
• 如果是，这合乎今天的伦理标准吗？

作为数据领导者，您可以自行决定由谁控制数据、谁有权访问 AI 软件和应用程序，以及谁需要拥有访问权限来确保 AI 计划的实用性。

承诺构建合乎伦理的 AI

负责任的 AI 指南包括安全性、可解释性和偏见等考量因素。如果使用历史数据来构建模型，请确保它符合今天的社会伦理和敏感性。例如，今天人们对性别、种族、性、阶级和年龄的态度与 20 世纪 70 年代是不一样的。使用过时的数据集可能会使 AI 延续偏见，从一开始就扭曲结果。企业需要考虑周全，战略性、有针对性地面对伦理问题，才能脱颖而出。

企业 AI 需要具有企业中其他更成熟的领域所共有的沟通方式、结构和严谨性。但模型开发通常是在数据科学家的笔记本电脑上进行，编排是使用自定义代码和脚本手动或临时完成的。这就是您需要机器学习运维 (MLOps) 的原因。MLOps 即应用自然语言处理 (NLP) 和机器学习模型等 AI 功能来自动执行和简化运营工作流程。同时，不要忽视灵活且可重复使用的 AI 模型（例如基础模型）可以提高效率。

有效加快工作流程

如果拥有一套适用于企业 AI 平台的最佳实践，可以加速和同步数据科学团队和 IT 部门之间的协作，会非常有帮助。

AI 与治理副总裁、IBM 全球首席数据官 Steven Eliuk 表示：“您希望能够将安全模型自动部署到边缘、Web 服务、大型机以及适当类型的硬件上，并证明其正当性。”Eliuk 又补充道：“在 IBM，我们一直在寻找方法，让团队能够以安全可控的方式更快地将模型投入生产。”

解决人为错误

MLOps 可将手动流程自动化，帮助消除成本高昂的人为错误，降低风险，提高公司的敏捷性。除简化生产外，MLOps 还可以帮助模型按预期目的执行，整个 AI 生命周期都是可信的。它可以帮助您回答关键问题，例如：这些数据最初存在偏见吗？数据集中是否包含足够多有代表性的样本？进入开发阶段后，是否使用了正确的算法，或这些算法是否会延续数据中已经存在的偏见？

以下是一位数据领导者的 MLOps 实施方式。Outra 首席数据和运营官 Peter Jackson 解释道：“我们不断使用 MLOps 检查质量，测试我们的预测质量和机器学习质量。我们通过一系列仪表板向高级管理团队报告，我们可以通过仪表板看到这些模型的质量和预测能力。如果我们看到一个月内质量下降了，我们将分析我们的机器学习程序，查看数据源，寻找质量下降的原因。”

如果 AI 模型存在偏见或无法解释，企业的品牌声誉将面临严重风险。他们还可能因不符合复杂且不断变化的监管要求而面临政府审查，甚至数百万美元的罚款。所有这些问题都会对股东和客户关系产生毁灭性影响。

了解并信任您的 AI 模型

缺乏透明流程的黑匣子模型是 AI 利益相关者越来越关注的问题。这些模型已完成构建和部署，但缺乏透明性。即使对数据科学家来说，跟踪模型如何决策以及为何这样决策也并非总是易事。随着监管法规的增多，例如纽约市出台了关于如何在招聘中使用 AI 的法律、欧盟提出了《人工智能法案》，公司必须要及时了解并快速执行。

AI 治理是一个全面的流程，包括指导、管理和监督各业务流程中的 AI 活动。数据领导者应在 AI 项目一开始时就与首席风险官、首席合规官和其他主要利益相关者合作，制定 AI 治理框架。该框架应概述公司开发、部署和管理 AI 模型并最终消除黑匣子的最佳实践。

从始至终跟踪模型

AI 治理是在 AI 和 ML 生命周期的每个阶段（包括数据收集、模型构建、部署、管理和监督）构建安全护栏。这些安全护栏增加了流程的透明性，确保向主要利益相关者和客户提供可解释的结果。从始至终实施 AI 治理可以帮助您更好地管理风险和声誉，遵守伦理原则，并根据政府法规进行防护和扩展。

美国一家大型零售商向 IBM 求助，希望寻找筛选候选人的工具，并解决招聘系统的公平性问题。对这家招聘单位来说，嵌入公平和信任至关重要，包括能够发现招聘所用的 AI 和 ML 模型中存在的偏见，以及解释其决策。该公司统一使用 IBM Cloud Pak® for Data 来管理 AI 驱动的模型，以确保准确性和公平性。现在，该公司正在积极监测并减少招聘流程中的偏见。

展示成果

IBM 在内部也应用了这一方法。Eliuk 表示：“如果有某项法规要求透明性或可解释性，我们会确保算法或影响评估显示这些细节，以便我们能够快速纠正，持续遵守新的法规要求，不会对企业造成影响。”

随着 AI 从试验型转向业务关键型，企业意识到需要主动实施 AI 治理，实现透明且可解释的 AI。如果没有安全护栏，AI 项目可能失败，并减缓创新速度。