世界各地的公司正出于充分的理由在人工智能(AI)和机器学习(ML)上投资数百亿美元。这些技术具有真正的业务改变潜力，这就是为什么Gartner的“进入分析时代”报告预测，到2023年，人工智能和深度学习技术将成为数据科学新应用的两种最常见方法。
在业务生产用例中有效使用AI和ML可以帮助使用AI和ML的企业远远领先于其所在行业的竞争对手，因为这些技术消除了困扰流程的摩擦。但是，尽管做出了这样的承诺，但很少有公司能够成功地实施和部署该技术，并将其作为整体数据和分析策略的一部分。根据Gartner的说法，46%的CIO制定了部署AI的计划，但只有4%的人将该概念变为现实。
事实是，要让许多组织意识到AI和ML的真正潜力还需要很多年，但是现在为AI驱动的未来奠定基础永远不会太早。实际上，如果组织尚未考虑AI战略的样子，那么它的竞争可能就向前迈了一步。没有时间可以浪费，因此在开始使用AI和ML时，有五个要点要考虑。
此eWEEK数据点文章的行业信息由Alteryx产品高级副总裁Ashley Kramer提供。Alteryx声称其产品套件是市场上同时满足数据分析师，数据科学家和公民数据科学家需求的唯一平台。
数据点1：提出正确的问题
当涉及到面向未来的数据策略时，组织需要考虑四件事。我的组织内部有哪些可用数据?我们需要从外部获取哪些数据来推动差异化?我们的数据是否可用机器学习和AI随时可用的方式提供?也许是最重要的一点：我们在哪里可以提高业务线的技能，什么需要纯数据科学和AI知识以及IT部门可以管理什么?这些问题的答案应作为您策略的基础。
数据点2：采用多年方法
成功的AI / ML实施并非一overnight而就。最聪明的组织对数据获取和策略采用了多年的方法，重点是编译来自不同来源和孤岛的数据(通常围绕卓越中心(CoE)建立)，并投资适当的技术和人员来奠定基础。同时，这些组织希望借助Amazon，Microsoft等公司的基于云的产品来创建中间数据存储，以随着策略的发展而支持各种用例。
数据点3：始终将人才放在战略的中心
ZipRecruiter最近的一项研究发现，“人工智能最成功的应用是与人类合作使用，而不是替代人类。”这就是为什么这项研究表明，人工智能创造的就业机会是上一次被杀死的三倍年—尽管自动化技术不断进步，但公司仍在继续投资具有数据技能的人才。世界经济论坛(World Economic Forum)预测，在未来四到五年内，与数据相关的工作以及AI和ML专家将成为最需要的工作。
数据点第4号：建立一个多学科团队
由AI专家，数据科学家和业务线分析师组成的多元化团队为AI / ML提供了更全面的方法，因为整个项目涵盖了从数据收集过程一直到数据挖掘活动，机器学习和自动化的整个过程。那些能够进行数据收集，处理和培训的人员将能够优化其对组织的贡献，并严重增强其个人或公司实现目标的能力。
数据点5：弥合技能差距
不论技术水平如何，对任何数据工作者的需求都越来越大，他们需要更多地处理数据，并且组织需要寻找提高技能组的方法，以可理解和透明的方式构建模型，并通常弥合整个组织的技能差距。由于AI数据设计需要“数据说”来帮助构建工作流，因此组织必须实施诸如增强分析之类的技术，以使数据准备，见解发现和数据科学(即autoML)全部自动化，同时以较少的AI知识向角色传达动作。
数据点6：展望未来
毫无疑问，人工智能和机器学习将在未来几年内改变商业世界和生活，而组织需要授权其业务的每个人类成员都在思考如何利用该技术。无论AI和ML如何发展，数据始终处于最前沿，是成功和真正的数字破坏的最重要驱动力之一。现在，一种明智的数据处理方法将为成功实现AI驱动的未来提供指导。