如何管理 AI 項目：從 POV 到準備執行的解決方案

人工智能是否使公司能夠簡化流程並幫助他們提供主動解決方案的問題已經得到數字世界的回答和解決。

當今世界上幾乎沒有哪個行業沒有註意到人工智能帶來的高收入和價值提供潛力。 從2020 年及以後充滿希望的 AI 技術趨勢中可以明顯看出這一事實。

這種快速採用雖然一方面為企業和最終用戶帶來了很多好處，但另一方面它還處於非常原生的階段。 這意味著，企業尚未找到具體的用例和回報效率。 這種新生和利益的結合引發了許多關於如何管理您的 AI 項目的疑問。

了解複雜性如何成為 AI 項目管理解決方案的核心，了解管理 AI 項目的複雜性非常重要。

在本文中，我們回答了圍繞 Appinventiv 如何執行AI 項目管理以及我們成功將價值證明 (POV) 轉換為高效AI 解決方案和服務所遵循的步驟的所有問題和要素。

表中的內容

1. AI 項目與傳統項目有何不同？
2. 將 AI 分為兩個不同的類別
3. 稍微繞道：了解人工智能項目成功的支柱
4. 人工智能項目開發的挑戰：為什麼人工智能項目會失敗
5. 回答時間問題：如何管理您的 AI 項目
6. 關於AI項目管理步驟的FAQ

AI 項目與傳統項目有何不同？

當AI 項目管理與傳統的移動應用程序項目管理有相似之處時，它們需要一種不同的方法。 這意味著，人工智能項目與傳統 IT 項目之間的差異是多方面的。

傳統的移動應用程序開發過程是指定的解決方案。 每當難以指定解決方案時，結果就會變得不確定和有風險。 這種開發類型屬於自上而下的編程。

相反，在 AI 項目的價值證明 (POV)的情況下，遵循自下而上的方法。 在這種情況下，人工智能會從自己處理大量數據集的規則和過程中得出結論。

隨著周期的成熟，人工智能的發展格局也往往會帶來一些機會。 這意味著，一個項目要被認為是完整的，它必須跨越幾個階段的探索、成功和試驗。 雖然這種方法的結果幾乎總是對高收入友好，但它通常會導致高昂的開發成本和延長的開發時間。

圍繞如何管理 AI 項目的問題的最後一部分在於使變更管理成為敏捷過程中不可或缺的一部分。 AI 項目經理通常遵循的原則是快速失敗，其想法是快速探索並在錯誤方法的開始就失敗，而不是在開發過程的後期階段。

將 AI 分為兩個不同的類別

計劃您的 AI 項目的第一部分從我們的團隊了解它所屬的類別開始。 第一類處理本質上常見的項目，例如將一種語言翻譯成另一種語言，或將圖像轉換為文字。 第二類更複雜。 它處理諸如檢測心跳或監控睡眠之類的任務。

這兩個類別需要兩種不同的解決方案——整合現有的人工智能或創建定制的人工智能項目管理解決方案。

現有的人工智能解決方案

在許多事件中，包含人工智能已成為普遍和主流。 這意味著，有現成的工具，我們的工程師只需要將AI 集成到應用程序中。 我們團隊通常使用的一些平台包括 Microsoft Azure AI、Google AI Platform 和 Amazon Machine Learning 等。

定制人工智能解決方案

如果手頭有一個複雜的項目，比如最近我們製作了一個神經網絡驅動的醫療保健應用程序，它可以讓用戶根據他們的聲音了解他們的健康狀況，我們必須求助於定制的人工智能解決方案開發。 為了簡化該過程，Android 11 將使用其新的神經網絡 API 1.3，以使您的機器學習應用程序在設備上順利運行。

稍微繞道：了解人工智能項目成功的支柱

我們的人工智能之旅始於 2019 年。我們花了更長的交付時間來了解人工智能項目成功的秘訣在於兩個支柱——人和數據。 只有在這兩個支柱存在的情況下，人工智能才能全面提升客戶體驗。

我們首先從應用程序所遵循的不同部門引入專家——無論他們是否具有技術專長。 有必要將特定領域的數據輸入算法，以使 AI 系統高效且公正。

下一部分——第二個支柱——是數據。 數據在沒有正確存儲或不完整時是完全沒用的。 現在，企業彈出兩種類型的數據——結構化數據（如出生日期、地址等）和非結構化數據（發票、錄音、電子郵件等）。 在人工智能項目管理過程中，您必須同時考慮這兩種數據類型。

數據必須經過某些步驟才能成為可用於深度學習或人工智能的數據。 我們的數據工程師團隊在為擴大規模和企業客戶開發人工智能 (AI) 解決方案時所從事的工作。

根據馬斯洛層次結構的需求，數據在這個金字塔中找到位置的速度越快，你的人工智能項目就會越快開始攪動，工程師從事建模工作而不是專注於數據過濾的可能性就越大。

我們探索之旅的結果是了解了在回答什麼創建了有價值的 AI 解決方案時遇到的不同問題。 在引導您以價值證明 (POV)反映到終端系統的方式管理 AI 項目的各個階段之前，讓我們解決這些問題。

人工智能項目開發的挑戰：為什麼人工智能項目會失敗

如果我們坐下來列出公司在實施人工智能時面臨的挑戰，那麼這份清單將會非常廣泛。 但是，價值證明失敗的所有核心原因在於兩個主要原因——期望偏差和數據管理能力不足。 阻礙企業在人工智能領域賺錢的原因。

錯位的期望

大多數情況下，大多數 AI 項目都沒有看到曙光，因為附加的預期錯位。 商業人工智能面臨挑戰的根本原因往往是由於對一項固有地以長期模式運作的技術的短期期望提高而出現的。

假設他們的基於人工智能的解決方案將足夠準確以滿足不同的用戶感知，則可以在企業中看到下一個期望不一致的例子。 例如，在音樂流媒體應用程序的情況下，假設您的 AI 建議的“下一首歌曲”正是用戶認為屬於該流派的歌曲，這是一個問題區域。 這就是為什麼企業在接下來展示用戶可能感興趣的產品或服務時經常使用“可能”這個詞的原因。

低效的數據管理

人工智能傾向於根據錯誤的數據集做出錯誤的決定。 當數據不正確或不完整時，人工智能項目管理解決方案中的問題就會出現——簡而言之，沒有準備好適應人工智能模型。

要使 AI 系統按預期工作，必須有系統可以用來學習和分析模式的精煉數據。 當我們構建一個 AI 就緒的數據集時，我們的重點主要是按照現代數據收集策略劃分結構化和非結構化信息。

回答時間問題：如何管理您的 AI 項目

1. 識別問題

對我們來說，管理 AI 項目的第一步是識別問題。 我們首先問我們的合作夥伴兩個問題：“您願意解決什麼問題？” 和“你想要的結果是什麼？”

在確定問題陳述時，重要的是要了解 AI 本身不是解決方案，而是滿足需求的手段/工具。 請注意，我們選擇了多種解決方案，這些解決方案可以在 AI 的幫助下構建，而不是依賴於它。

2. 測試問題解決方案的契合度

這個階段，理想地回答瞭如何開始一個人工智能項目。 在我們啟動 AI 項目開發流程之前，首先要測試並確保人們願意為您正在構建的東西付費。

我們通過傳統精益方法和產品設計衝刺等多種技術來測試問題解決方案的契合度。

人工智能技術最好的一點是，使用真人或 MVP 創建解決方案的基礎版本非常容易。 這樣做的好處不僅是對解決方案的輕鬆分析，而且在時間上保證產品確實需要人工智能解決方案。

3. 準備和管理數據

在我們知道您的解決方案存在客戶群並且您對可以構建 AI 有信心之後，我們開始通過收集數據和處理其管理來管理機器學習項目。

我們首先將可用數據劃分為結構化和非結構化形式。 雖然當我們與初創公司或沒有多個數據的公司合作時，這個階段相當容易，但為企業構建多個應用 AI 解決方案卻是棘手的。 一般來說，大公司擁有龐大的專有數據庫數據，這些數據可能已經為人工智能做好了準備，而讓這一切變得更加困難的是數據可能存儲在孤島中的事實。

我們的數據工程師從組織和清理數據開始，原則上，他們定義時間順序並在需要的地方添加標籤。

4. 選擇正確的算法

雖然，為了保持文章的精髓，我們不會在這裡提及 AI 算法的技術細節，但重要的是要知道有不同類型的算法，這些算法會根據你所進行的學習而有所不同。

• 監督學習

歸根結底，分類預測標籤，回歸預測數量。 當我們想要了解事件發生的可能性時，我們通常會選擇分類算法，例如明天下雨的可能性。

另一方面，當我們必須量化場景時，我們會使用回歸算法，例如，當我們想知道某個區域溺水的可能性時。

我們的工程師還可以根據項目要求選擇其他幾種算法——樸素貝葉斯分類、隨機森林、邏輯回歸和支持向量機。

• 無監督學習

由於數據沒有組織或遵循某種類型，因此這裡的算法選擇會非常不同。 我們可能會使用聚類算法將對象分組在一起，或者在查找不同對象之間的鏈接時使用關聯算法等。

5. 訓練算法

一旦我們選擇了算法，我們就會繼續訓練模型，其中我們將數據輸入模型，同時考慮模型準確性的重要性。

我們的工程師團隊明白，設置可接受的最低閾值和應用統計規則是加速 AI 發展的關鍵步驟，在某種程度上它需要在以後進行最少的微調。

為了訓練算法和採取下一個開發步驟，我們聘請了 Python、R、Java 和 C++ 方面的技術專家。 根據項目需求，我們還邀請了解Julia（機器學習應用程序開發的頂級語言）的專家參與。

6. 項目部署

我們通常建議我們的合作夥伴使用現成的平台，例如機器學習即服務，以滿足他們的產品發布和部署需求。 這些平台的開發是為了簡化和促進人工智能，並幫助人工智能項目的部署階段。 他們還提供基於雲的高級分析，可用於添加不同的語言和算法。

[另請閱讀：考慮編寫出色項目計劃的重要步驟]

關於AI項目管理步驟的FAQ

問：如何開始使用人工智能和機器學習

人工智能項目管理過程包括六個步驟：識別問題、測試問題解決方案的擬合度、數據管理、選擇正確的算法、訓練算法以及在正確的平台上部署產品。

問：人工智能項目有什麼好主意？

人工智能已經在許多行業中得到應用。 有必要找到一個用例，該用例以一種將生成的數據組織起來並轉換為可操作分析的方式結合了該技術。 重要的是要對您對 AI 解決方案的期望保持現實，將其視為有助於提升服務的工具，而不是成為服務本身。

Q. AI 項目比傳統的 IT 項目更好嗎？

這取決於具體情況。 確實有一些項目在包含人工智能方面做得更好，而其他應用程序則隨著技術的集成而變得不必要地複雜。 最終，這取決於用例以及人工智能對它的價值。