位于美国弗吉尼亚州亚历山大市的美国专利商标局，正在利用人工智能（AI）项目加快专利分类过程，帮助检测欺诈行为，扩大审查员对类似专利的搜索范围，使他们能够在相同的时间内搜索更多文件，而且他们的每个项目都从试点开始的。美国专利商标局首席信息官Jamie Holcombe表示：“概念证明（PoC）是我们用来了解新技术、测试业务价值假设、降低规模项目交付风险、为全面生产实施决策提供信息的一个关键方法。”他说，一旦试点项目被证明是成功的，那么下一步就是确定是否扩大这些试点项目。然后，就是在实际环境中扩展，以及全面投入生产。
印度电子商务供应商Flipkart也在部署一个项目之前遵循了类似的流程，该项目帮助客户用11种不同语言对数百万件商品进行文本搜索和视觉搜索。现在，Flipkart正在测试对话式机器人，使用深度学习来构建模型，模型中包含了用户意图检测、语言翻译、语音到文本和文本到语音的功能。Flipkart和美国专利商标局都在快速地把计算机视觉、自然语言处理、机器学习和其他人工智能技术扩展运用于业务的其他方面。
尽管人工智能和机器学习令人兴奋，但有很多最初的试点项目和PoC项目未能全面投入生产。那些已经取得成功的项目，需要成为战略计划的一部分，获得高管的支持，能够使用合适的数据，有所需的团队，有合适的技术和业务指标，以及项目里程碑，经历多次迭代，快速试错。“这个过程可能需要一两年的时间才能达到高质量的水平，期间需要你的耐心，”Flipkart公司工程副总裁Ganapathy Krishnan这样说道。
企业正在快速采取行动，开展成功的AI试点项目，投入生产并带来成果。Forrester人工智能、机器学习和数据科学分析师Rowan Curran表示：“我们已经看到AI项目正在步入主流，有57%的企业正在实施或者正在扩展他们的AI项目，有70%到75%的企业正在从这些项目中看到明显价值。”此外，根据安永最近的一项调查显示，有53%的CIO和IT领导者称，AI范畴内的数据和分析将成为未来两年的首要投资领域。
但其中很多试点项目在开始之前就注定要失败，原因有很多，首先就是缺乏自上而下的支持。美国专利商标局的Holcombe说：“你需要来自高管的认可，还必须有所需的资金。”
有IT主管认为，从组织中层或者自下而上的方式启动项目会降低项目成功的机会。最成功的项目，应该获得来自CIO的支持以及高管承诺为项目提供资金，并把AI融合到企业组织整体数字化转型的战略当中。
Flipkart公司的Krishnan表示，设定明确的期望值也很重要。“你不应该期望你部署的项目会从根本上改变业务，这是一个漫长的过程，需要时间。”
PoC也可以是在企业内部磨炼能力的一种练习，也是这是制造公司礼来（Eli Lilly）采取的一种方法。礼来公司信息和数字解决方案副总裁、首席信息官Tim Coleman说：“通过PoC，我们试验并了解了技术和项目交付的规模维度。”这支团队正在将自然语言处理功能应用于业务领域的自然语言发现、生成和翻译，范围覆盖很广，从临床和科学内容创作到产品开发、高级搜索和一般管理功能。
但是不要把这种能力建设练习与需要产生广泛转型价值的试点项目混为一谈，安永全球人工智能咨询负责人Dan Diasio警告说，“你想培养自己的能力来实现目标，但是未来当你需要与颠覆者展开竞争、对投资者产生有意义的影响力时，你就必须采取自上而下的方法。”
这就是医疗企业Atlantic Health System对待人工智能和机器学习项目的方式。Atlantic Health System已经在图像评估方面成功地进行了试点，以协助放射科医师，并在预授权自动化方面进行了试点，这种自动化技术可以接收成像订单并将其通过几个流程步骤进行调度。该公司高级副总裁、首席信息官Sunil Dadlani说：“人工智能应该是数字化转型的一部分，而不是一项孤立的举措。我们正式制定了一个关于人工智能和机器学习的治理结构和投资计划。”在礼来公司，项目提案在推进之前应该要通过三个标准：在投资回报率方面提供商业价值，具有可接受的成功率，并且项目结果必须与业务战略和优先事项保持一致，Coleman介绍说。例如，Mosaic PV是礼来公司首批专注于药物不良反应报告的人工智能项目之一，主要驱动力是“提高生产力并降低处理不良事件的成本，同时保持高标准的质量和合规性”。
成功的试点应该从定义业务问题开始。“不要变成了通过答案去寻找问题，”全球专业服务公司Genpact的首席数字策略师Sanjay Srivastava这样表示。Genpact主要面向大型企业提供关于AI项目的咨询服务。“那些专注于业务成功，并且是从问题着手、而不是从答案着手的项目，往往会做得很好。”
然后要决定AI是否是最佳的答案。Krishnan表示：“这个项目是否适合复杂到值得使用AI的标准？如果你可以通过简单的、基于规则的方法来做到这一点，那就去做吧。但是，如果你有数十万甚至数百万条规则的时候，使用基于软件的方法是不可行的。”
说回到美国专利商标局，AI项目需要两组指标：如何执行模型的技术指标，以及如何量化AI项目商业价值的指标。
Atlantic Health System则是通过为一小部分业务实施具有明确业务KPI的试点项目来确保取得成功。例如，Atlantic Health System的影像评估系统就从在神经内科进行小型试点开始部署，随后快速扩展到心脏病学和其他领域。这个团队在八周的时间内创建了一个成功的神经病学试点，展示了项目成果，获得了心脏病学和所有其他服务线的支持。
Flipkart和美国专利商标局一样，首先把目光集中在技术模型指标上，然后运行A/B测试，看看对业务会产生怎样的影响。目前，该团队正在开发和测试一个AI辅助的对话式机器人。他们从“可回答性”这一指标开始，也就是机器人在回答问题方面的能力。现在他们正在运行A/B测试，确定这是否会对业务产生可衡量的影响。
AI项目严重依赖大数据，你需要所需的速度、数量和种类，Dadlani说。“如果你的数据质量不佳，你就不会看到预期的结果。”
Genpact公司的Srivastava对此表示认同。“构建AI系统的工作，有90%是围绕数据摄取、协调、工程和治理的。如果你专注于10%而放弃这90%，从一开始就失败了，所以你要构建数据的基础。”
你还要能够在不同的A/B测试之间提供持续的反馈——实时获取数据，以便调整模型。但是你所在的企业组织可能无法自动地快速提供数据。例如，如果你正在研究预测模型，而团队没有自动获取有关客户购买商品的信息，那么你就无法完成这个循环。在完全部署后继续反馈循环也很重要，因为客户的偏好会随着时间推移而改变。如果你的模型没有考虑到这一点，你就不会得到你期望的结果，这种结果被称为“模型漂移”。
虽然在你的初步预期中，试点项目可能是可以全面部署的，但能否扩展取决于这些试点项目。那么，你是否拥有适当的资源可以把试点项目扩展到全面部署。安永的Diasio说：“要进行扩展，你可能需要简化代码、引入新技术、将人工智能和机器学习推向边缘，而不是拥有一个数据存储库、雇用新的团队、建立数据标签工厂。你需要的，是一整套工程技能。”
Flipkart在试点项目中采用了云和MLOps相关功能。“从一开始，试点项目就需要大量的工程支持，必须经常迭代，快速试错，而要做到这一点，你就需要大型云服务提供商提供的MLOps基础设施。”他建议说，试点团队应该定期报告他们距离目标达成还有多远，并且要确保在试点期间正确设定预期值。
他说：“如果你在试点初期设定了3%，那么你做得很好。”不要期望立即能看到收益。复杂的试点项目往往很难在三个月内看到影响。你要做的，就是部署，找到差距，再次部署，逐步改进提升。
试点项目期间出现了失败，并不一定意味着试点项目的终结。美国专利商标局的增强分类系统最初就失败了。Holcombe说：“从一开始，我们就遇到了数据集管理不当的问题。”但是团队重新调整，继续进行试点，直到系统性能大大优于手动过程。“如果你失败了，不要放弃，找出失败的原因。”
以上几位CIO、IT主管和顾问，会使用各种方法来评估他们的试点项目。在Atlantic Health System，一旦初步试点完成，就到了评估结果的时候，这决定了是否要延长试点、推进生产、还是减少损失。Dadlani说：“试点项目必须提供可感知的成功衡量标准，只有当我们看到有希望的结果时，我们才会说，扩大规模需要什么，需要多少时间，实现价值需要多长时间，技术基础设施资源需要哪些投资，以及我们如何付诸实施。”
礼来公司的Coleman表示，试点项目失败的原因有很多：AI技能不足、标记数据不足、项目愿景或价值主张不明、缺乏敏捷性、缺乏快速试错的心态、缺乏来自高管的支持、以及缺乏组织变革管理来推动业务采用。
你要向上汇报了对财报至关重要的指标。例如，如果定价算法预计可以节省5000万美元，那么迄今为止已经实现的目标与预期的目标之间可能存在差距，Diasio：“当你谈论大型耗资项目的时候，试点项目往往缺乏创造如此大价值的可信度，所以要尽可能努力记录那些已经实现的价值。”
这也是重新评估试点是否需要扩大规模的一个机会。Genpact公司的Srivastava说：“很多PoC在技术上非常成功，但在扩展时并不具有经济效益，”其他考虑因素还包括扩展项目需要多长时间，以及需要哪些资源。
但是，当你放眼长远时，情况可能会发生变化。Coleman说：“即使在短期内可能无法实现规模化的情况下，具有高交付成功概率的较小项目范围仍可能带来短期业务价值，与此同时，技术能力和技能也会发展成熟到可以克服规模化障碍的程度。”
然后是基础设施。你应该确保在扩展的时候检查了所有假设条件，包括配置、网络带宽、存储和计算。Krishnan表示：“你需要大量的工程支持来扩展试点项目，而这时候基于云的MLOps基础设施可以提供帮助。”
最后，你应该确保可以把AI集成到上游和下游工作流程中。例如，如果你没有把故障预测整合到上游供应链系统中，确保你在所需的时间和地点有所需的备件，那么预测故障功能就无法派上用场。同样地，这些信息也可以用于下游调整维护计划。
成功的人工智能/机器学习试点项目，关键在于初始规划，你要在继续推进之前就获得高管的支持和财务上的支持。Holcombe说：“你必须要有高管支持，”从一开始就让所有利益相关者参与进来。
人工智能/机器学习试点项目应该作为整体数字化转型战略的一部分进行，并具有令人信服的业务场景，Dadlani说，达到预期结果是需要耐心的。制定技术和业务影响力指标，并且这些指标可以定义成功与否。确保你拥有所需的资源，组建团队并且做好快速试错的准备。因此，在团队中拥有具备所需的技能和领域专业知识组合，是AI试点项目成功的关键。他说：“即使是在试点阶段，你也需要一个跨职能的团队。我们要确保每个人都参与到试点项目中，因为这将成为实际工作流程的一部分，他们必须从一开始就参与进来。”
那些不具备所有所需人才的组织，应该考虑与外部合作伙伴建立一个混合团队，而中小型公司则可能需要把更多的职责角色进行外包——如果他们能找到合适人才的话。Srivastava说：“如果你没有合适的人工智能/机器学习工程师和数据工程师的话，外包是非常困难的。”更重要的是，你的团队中既需要有了解机器学习又了解所在行业（例如制造业）的人员。这不是一个容易找到的技能组合，因此交叉培训是至关重要的。
最后，你要考虑到一个可以产生实际业务成果的目标项目，然后扩展到业务的其他领域，就像Atlantic Health System做的基于机器学习的成像评估系统项目一样。
一旦试点进入全面生产阶段，就在你已经完成的工作基础上再接再厉。让业务部门及时了解试点进展，展示项目在完全部署后具备哪些功能，并开发出一个平台让其他业务部门可在该平台上使用他们自己的应用。Srivastava说：“如今，变化速度是有史以来最慢的，那些想要实现颠覆和发展的企业，必须改变他们推动价值的方式，如果没有人工智能，你就无法做到这一点。如果你不投资人工智能的话，你就会显得束手束脚。”
