如何管理 AI 项目：从 POV 到准备执行的解决方案

人工智能是否使公司能够简化流程并帮助他们提供主动解决方案的问题已经得到数字世界的回答和解决。

当今世界上几乎没有哪个行业没有注意到人工智能带来的高收入和价值提供潜力。 从2020 年及以后充满希望的 AI 技术趋势中可以明显看出这一事实。

这种快速采用虽然一方面为企业和最终用户带来了很多好处，但另一方面它还处于非常原生的阶段。 这意味着，企业尚未找到具体的用例和回报效率。 这种新生和利益的结合引发了许多关于如何管理您的 AI 项目的疑问。

了解复杂性如何成为 AI 项目管理解决方案的核心，了解管理 AI 项目的复杂性非常重要。

在本文中，我们回答了围绕 Appinventiv 如何执行AI 项目管理以及我们成功将价值证明 (POV) 转换为高效AI 解决方案和服务所遵循的步骤的所有问题和要素。

表中的内容

1. AI 项目与传统项目有何不同？
2. 将 AI 分为两个不同的类别
3. 稍微绕道：了解人工智能项目成功的支柱
4. 人工智能项目开发的挑战：为什么人工智能项目会失败
5. 回答时间问题：如何管理您的 AI 项目
6. 关于AI项目管理步骤的FAQ

AI 项目与传统项目有何不同？

当AI 项目管理与传统的移动应用程序项目管理有相似之处时，它们需要一种不同的方法。 这意味着，人工智能项目与传统 IT 项目之间的差异是多方面的。

传统的移动应用程序开发过程是指定的解决方案。 每当难以指定解决方案时，结果就会变得不确定和有风险。 这种开发类型属于自上而下的编程。

相反，在 AI 项目的价值证明 (POV)的情况下，遵循自下而上的方法。 在这种情况下，人工智能会从自己处理大量数据集的规则和过程中得出结论。

随着周期的成熟，人工智能的发展格局也往往会带来一些机会。 这意味着，一个项目要被认为是完整的，它必须跨越几个阶段的探索、成功和试验。 虽然这种方法的结果几乎总是对高收入友好，但它通常会导致高昂的开发成本和延长的开发时间。

围绕如何管理 AI 项目的问题的最后一部分在于使变更管理成为敏捷过程中不可或缺的一部分。 AI 项目经理通常遵循的原则是快速失败，其想法是快速探索并在错误方法的开始就失败，而不是在开发过程的后期阶段。

将 AI 分为两个不同的类别

计划您的 AI 项目的第一部分从我们的团队了解它所属的类别开始。 第一类处理本质上常见的项目，例如将一种语言翻译成另一种语言，或将图像转换为文字。 第二类更复杂。 它处理诸如检测心跳或监控睡眠之类的任务。

这两个类别需要两种不同的解决方案——整合现有的人工智能或创建定制的人工智能项目管理解决方案。

现有的人工智能解决方案

在许多事件中，包含人工智能已成为普遍和主流。 这意味着，有现成的工具，我们的工程师只需要将AI 集成到应用程序中。 我们团队通常使用的一些平台包括 Microsoft Azure AI、Google AI Platform 和 Amazon Machine Learning 等。

定制人工智能解决方案

如果手头有一个复杂的项目，比如最近我们制作了一个神经网络驱动的医疗保健应用程序，它可以让用户根据他们的声音了解他们的健康状况，我们必须求助于定制的人工智能解决方案开发。 为了简化该过程，Android 11 将使用其新的神经网络 API 1.3，以使您的机器学习应用程序在设备上顺利运行。

稍微绕道：了解人工智能项目成功的支柱

我们的人工智能之旅始于 2019 年。我们花了更长的交付时间来了解人工智能项目成功的秘诀在于两个支柱——人和数据。 只有在这两个支柱存在的情况下，人工智能才能全面提升客户体验。

我们首先从应用程序所遵循的不同部门引入专家——无论他们是否具有技术专长。 有必要将特定领域的数据输入算法，以使 AI 系统高效且公正。

下一部分——第二个支柱——是数据。 数据在没有正确存储或不完整时是完全没用的。 现在，企业弹出两种类型的数据——结构化数据（如出生日期、地址等）和非结构化数据（发票、录音、电子邮件等）。 在人工智能项目管理过程中，您必须同时考虑这两种数据类型。

数据必须经过某些步骤才能成为可用于深度学习或人工智能的数据。 我们的数据工程师团队在为扩大规模和企业客户开发人工智能 (AI) 解决方案时所从事的工作。

根据马斯洛层次结构的需求，数据在这个金字塔中找到位置的速度越快，你的人工智能项目就会越快开始搅动，工程师从事建模工作而不是专注于数据过滤的可能性就越大。

我们探索之旅的结果是了解了在回答什么创建了有价值的 AI 解决方案时遇到的不同问题。 在引导您以价值证明 (POV)反映到终端系统的方式管理 AI 项目的各个阶段之前，让我们解决这些问题。

人工智能项目开发的挑战：为什么人工智能项目会失败

如果我们坐下来列出公司在实施人工智能时面临的挑战，那么这份清单将会非常广泛。 但是，价值证明失败的所有核心原因在于两个主要原因——期望偏差和数据管理能力不足。 阻碍企业在人工智能领域赚钱的原因。

错位的期望

大多数情况下，大多数 AI 项目都没有看到曙光，因为附加的预期错位。 商业人工智能面临挑战的根本原因往往是由于对一项固有地以长期模式运作的技术的短期期望提高而出现的。

假设他们的基于人工智能的解决方案将足够准确以满足不同的用户感知，则可以在企业中看到下一个期望不一致的例子。 例如，在音乐流媒体应用程序的情况下，假设您的 AI 建议的“下一首歌曲”正是用户认为属于该流派的歌曲，这是一个问题区域。 这就是为什么企业在接下来展示用户可能感兴趣的产品或服务时经常使用“可能”这个词的原因。

低效的数据管理

人工智能倾向于根据错误的数据集做出错误的决定。 当数据不正确或不完整时，人工智能项目管理解决方案中的问题就会出现——简而言之，没有准备好适应人工智能模型。

要使 AI 系统按预期工作，必须有系统可以用来学习和分析模式的精炼数据。 当我们构建一个 AI 就绪的数据集时，我们的重点主要是按照现代数据收集策略划分结构化和非结构化信息。

回答时间问题：如何管理您的 AI 项目

1. 识别问题

对我们来说，管理 AI 项目的第一步是识别问题。 我们首先问我们的合作伙伴两个问题：“您愿意解决什么问题？” 和“你想要的结果是什么？”

在确定问题陈述时，重要的是要了解 AI 本身不是解决方案，而是满足需求的手段/工具。 请注意，我们选择了多种解决方案，这些解决方案可以在 AI 的帮助下构建，而不是依赖于它。

2. 测试问题解决方案的契合度

这个阶段，理想地回答了如何开始一个人工智能项目。 在我们启动 AI 项目开发流程之前，首先要测试并确保人们愿意为您正在构建的东西付费。

我们通过传统精益方法和产品设计冲刺等多种技术来测试问题解决方案的契合度。

人工智能技术最好的一点是，使用真人或 MVP 创建解决方案的基础版本非常容易。 这样做的好处不仅是对解决方案的轻松分析，而且在时间上保证产品确实需要人工智能解决方案。

3. 准备和管理数据

在我们知道您的解决方案存在客户群并且您对可以构建 AI 有信心之后，我们开始通过收集数据和处理其管理来管理机器学习项目。

我们首先将可用数据划分为结构化和非结构化形式。 虽然当我们与初创公司或没有多个数据的公司合作时，这个阶段相当容易，但为企业构建多个应用 AI 解决方案却是棘手的。 一般来说，大公司拥有庞大的专有数据库数据，这些数据可能已经为人工智能做好了准备，而让这一切变得更加困难的是数据可能存储在孤岛中的事实。

我们的数据工程师从组织和清理数据开始，原则上，他们定义时间顺序并在需要的地方添加标签。

4. 选择正确的算法

虽然，为了保持文章的精髓，我们不会在这里提及 AI 算法的技术细节，但重要的是要知道有不同类型的算法，这些算法会根据你所进行的学习而有所不同。

• 监督学习

归根结底，分类预测标签，回归预测数量。 当我们想要了解事件发生的可能性时，我们通常会选择分类算法，例如明天下雨的可能性。

另一方面，当我们必须量化场景时，我们会使用回归算法，例如，当我们想知道某个区域溺水的可能性时。

我们的工程师还可以根据项目要求选择其他几种算法——朴素贝叶斯分类、随机森林、逻辑回归和支持向量机。

• 无监督学习

由于数据没有组织或遵循某种类型，因此这里的算法选择会非常不同。 我们可能会使用聚类算法将对象分组在一起，或者在查找不同对象之间的链接时使用关联算法等。

5. 训练算法

一旦我们选择了算法，我们就会继续训练模型，其中我们将数据输入模型，同时考虑模型准确性的重要性。

我们的工程师团队明白，设置可接受的最低阈值和应用统计规则是加速 AI 发展的关键步骤，在某种程度上它需要在以后进行最少的微调。

为了训练算法和采取下一个开发步骤，我们聘请了 Python、R、Java 和 C++ 方面的技术专家。 根据项目需求，我们还邀请了解Julia（机器学习应用程序开发的顶级语言）的专家参与。

6. 项目部署

我们通常建议我们的合作伙伴使用现成的平台，例如机器学习即服务，以满足他们的产品发布和部署需求。 这些平台的开发是为了简化和促进人工智能，并帮助人工智能项目的部署阶段。 他们还提供基于云的高级分析，可用于添加不同的语言和算法。

[另请阅读：考虑编写出色项目计划的重要步骤]

关于AI项目管理步骤的FAQ

问：如何开始使用人工智能和机器学习

人工智能项目管理过程包括六个步骤：识别问题、测试问题解决方案的拟合度、数据管理、选择正确的算法、训练算法以及在正确的平台上部署产品。

问：人工智能项目有什么好主意？

人工智能已经在许多行业中得到应用。 有必要找到一个用例，该用例以一种将生成的数据组织起来并转换为可操作分析的方式结合了该技术。 在将 AI 解决方案视为有助于提升服务的工具而不是将其变成服务本身时，请务必现实地看待您对 AI 解决方案的期望。

Q. AI 项目比传统的 IT 项目更好吗？

这取决于具体情况。 确实有一些项目在包含人工智能方面做得更好，而其他应用程序则随着技术的集成而变得不必要地复杂。 最终，这取决于用例以及人工智能对它的价值。