在追趕AI浪潮時髦之前，要先問自己三個問題

稍微有點想法的公司不是已經部署了AI項目就是在部署AI項目的路上。確實，在全面商業化的今天，這種激情促進了人工智慧的普及，也在一定程度上降低了企業的成本，提高效率。

尤其，有些自動化工具的出現，例如谷歌的Auto系列，使得那些非技術專家也能採用AI的解決方案。

但是，在趕AI浪潮時髦之前，還是要問問自己以下三個問題：

• 任務是否屬於資料驅動型？
• 是否有足夠的資料來支持AI驅動的解決方案？
• 是否瞭解AI的工作原理？

如果對於上面的三個問題，沒辦法做到心中有數，那麼就要掂量掂量所做的AI專案是否能夠成功。

如果你能夠對這三個基本問題說YES，那麼，恭喜你，你可以嘗試構建AI解決方案了。

通常來說，啟動AI解決方案有三個基本選項可供參考：

• 用AI-aaS解決方案，例如Amazon AI（Rekognition），Google Cloud Vision或IBM Watson。它們提供一定的AI功能，主要透過API實現文本和圖像辨識。
• 與第三方應用的AI公司合作，這些公司專注於更廣泛，更個性化的垂直AI服務。
• 使用內部團隊和資料從頭開始創建屬於自己的機器學習系統。這主要適用於跨國公司以及AI對其核心價值和收入至關重要的組織。 

採用第二種方案是大多數企業的選擇，因為對比收益和風險，第二種方案帶來的回報合算。第三種方案風險最大，當然帶來的收益也是最大的，畢竟風險和收益成正比。 

那麼，如何正確認識一個AI專案，如何為AI專案選擇最高效的解決方案，讀讀下面幾條經驗，相信你會找到答案。 

重整傳統業務流程徹底向AI轉型聽起來確實很有魄力。但是，從機率上來講，這種方式失敗的機率也是最大的。

實際上，最明智的做法是從小專案中獲得經驗，然後厚積薄發，為更大，更複雜人工智慧專案奠定堅實的基礎。此外，強烈建議關注一些成功和成熟的專案，畢竟，他們大多數具有可靠的投資回報率。

儘量避免使用有過多變量和潛在結果的任務。在專案中，先把注意力集中在流程的一小部分，而不是整個流程。即使在今天，用單一的AI解決方案替換完整的流程仍然是非常困難的，更何況是設計一套這樣的系統。最好的辦法是採用化整為零：將完整的流程分解，然後逐個擊破。 

此外，在開展此任務的時候，要想想自動化的任務是否允許重複以及容忍低成本的錯誤。 

每個人可以對同一問題以及如何解決問題有不同的看法。但是，缺乏明確的願景可能會阻礙成果的充分實現。建議多花時間定義目標。明確你想要實現什麼以及為什麼？ 

讓合適的人員參與過程的定義。這些人員必須是業務決策者和資料科學家之，因為只有他們才能真正瞭解業務案例。 

如果開發人員不是機器學習專家，如果開發人員和資料科學家之間存在差異。這時候作為企業的領導，就需要確保AI易於使用並有一套長期解決方案。 

機器學習可以用很多不同的方法來進行，但是正確的解決方案將取決於對問題的良好理解。如果缺乏必要的人力資源，強烈建議採用外包服務。實際上，確定不同過程需要什麼樣的人工智慧，以及這些過程是以內部，外包還是合作實施的方式實現，是制定戰略的重要一步。 

如果在組織內部開發AI解決方案，不要忘記學習曲線的陡峭性，因為實施方案所需資源的成本可能非常高。例如，一個簡單的辨識模型解決方案的開發成本可能非常高。但是在市場上，這些方案依賴於現有軟件服務或平台。