為什么當今的企業都需要人工智能戰略？
人工智能（AI）從根本上改變了所有行業的企業的運營（包括制造業，醫療健康，信息技術和運輸業）。
在過去的十年中，AI的進步為企業提供了自動化的業務流程，改變客戶體驗和產品差異化的機會。
Google和亞馬遜這樣的AI先行者已經采用這些新技術來創造日益增長的競爭優勢，我們看到了他們的AI戰略帶來的的好處。
雖然企業級AI的采用仍處于初級階段，但把握住AI帶來的機會需要管理層進行更多的討論，機器人維修，增加對AI及其生態系統的理解，了解行業巨頭如何采取措施，從而獲得差異化的競爭優勢。
理解AI
AI是計算機科學的一個分支，旨在創造能夠實現智能行為的機器。AI內有多種技術和細分，機器學習（ML）是其中規模最大，增長最快的領域之一。
機器學習算法從實例和經驗中學習，而不是依賴于預定義的規則或算法。在機器學習中，還有其他細分，如深度學習，其重點是深度神經網絡結構。
今天，AI準備從幾項技術創新和更廣泛的專業知識的融合中受益，特別是：可負擔的云計算基礎設施，可用的大型數據集和算法優化的飛躍。
這些進步，加上人工智能研究的投入增加，庫卡機器人何服電機維修，為人類發展創造了一個可持續發展的環境，并將繼續影響到未來的企業和社會。
機器學習有何特別之處？
最近AI的興起主要是由于機器學習的進步。這些進展導致了自然語言處理（蘋果的Siri，GoogleTranslate），推薦系統（亞馬遜的推薦引擎，音樂推薦服務Pandora）和圖像識別（診斷工具，自動駕駛汽車）的突破。
機器學習大致分為兩種學習方法：
監督學習，其使用已知數據集基于標記的輸入和輸出數據進行推理。
無監督學習，從包含沒有標記輸出的數據的數據集中得出推論。
今天工作中最流行的方法是監督學習，無監督學習對于更廣泛的應用來說具有巨大的前景。
在每種學習方法中，有多種算法類型可供選擇。根據問題的類型或所需的結果進行不同的選擇。
在機器學習工作流程中，流程的每個部分都需要特定類型的專業知識和資源。雖然領域專業知識對工作流程的預處理/功能部分工作很重要，但訓練階段需要獨立的AI專業知識，領域知識較少。
從基礎設施的角度來看，資源最密集的階段是數據處理時的模型訓練階段。然后是構建ML模型時，理解和權衡各種方法和正在解決的問題的類型變得很重要。
掌握AI需要的技術棧
AI技術棧是運行AI模型所需的基礎架構，包括優化組件，存儲，數據處理和分析工具。
組件：CPU，GPU，FPGA和專用ASIC是AI技術棧的基礎組件。雖然CPU是普遍存在的，但在機器學習的資源密集型訓練階段中使用的GPU和FPGA已經在深度學習中取得了巨大進步。對于需要較少資源的推理部分，傳統的CPU或超低功耗FPGA或ASIC是最常見的選項。
計算：公共云供應商現在正在為AI提供量身定制的解決方案。云計算服務商的選擇很多，可使任何企業，中小企業或小團隊都能夠以合理的價格運行AI模型。
存儲：隨著機器學習所需的大量數據，特別是在特征工程階段，數據存儲至關重要。Hadoop集群和云對象存儲的出現顯著提高了數據存儲容量，以支持AI使用案例。
AI技術棧依賴于公有云供應商和開源項目提供的服務。云計算巨頭（如谷歌，亞馬遜，Facebook，微軟和百度）投入AI服務已經有助于從擁有技術棧的專有廠商轉移。
總而言之，將開放源碼作為公認標準在整個AI生態系統中引起了更快的發展。谷歌的開放源碼TensorFlow庫體現了這一觀念，TensorFlow可以讓任何對機器學習感興趣的人開發模型，而不必從頭開始構建庫和算法。
AI生態系統
過去十年，AI從研究機構中脫穎而出，成為世界上最先進的技術公司。這些公司將AI嵌入其核心產品和服務，加速了人工智能生態系統的技術進步，人才開發和投資。例如：
亞馬遜正在使用AI來改善個性化推薦并優化庫存管理。在亞馬遜向股東提交的年度股東信中，CEOJeffBezos討論了通過其云計算部門采用AI快速交付產品，增強現有產品和創建新工具的重要性。
Google使用自己的DeepMind技術來管理數據中心的電力，將冷卻成本降低了40％。該公司的AI優先策略專注于利用AI進行搜索優化，自動駕駛汽車以及投資了眾多其他的解決方案。
Facebook致力于打造AI的基礎技術。其研究小組FAIR是神經網絡突破的頂尖人工智能實驗室之一。
微軟已經創建了一個AI業務部門，擁有超過5000名計算機科學家和工程師，www.twshmhelmet.com，專注于將AI推向公司的產品。
英特爾正在更新其服務器以應對處理和訓練AI系統所需增加的計算量。為了做到這一點，該公司已經在CEONaveenRao（前深度學習公司NervanaCEO，2016年被英特爾收購）的領導下，組建了一個統一的AI的機構。
百度正在大力投入人工智能，建立圖像識別技術，推進自主駕駛，推出數字助理，開發增強現實工具。
AI人才的短缺仍然是一個問題。據麥肯錫稱，AI投資的70％來自最大的技術公司的內部研發投入。我們繼續看到，云端巨人從學術界聘請了關鍵的AI人才領導AI的工作。80％到90%的AI人才都在最大的幾家科技公司。
人才競爭激烈，AI公司收購大幅增長。據CBInsights的數據，僅在2017年就有不同行業使用AI的55家公司被收購。Google，蘋果，Facebook，英特爾，微軟和亞馬遜一直是AI中最活躍的收購者，大部分收購都落在核心AI技術中，如圖像識別和自然語言處理。
在這些技術供應商的帶領下，AI已經出現一些早期的獲利者，并在此過程中創造了一個積極的技術和工具生態系統。2017年，美國共有650多筆AI融資并購事件，總金額6.5億美元，已經超過了2016年全年近1000筆交易的5.7億美元。
AI公司的范圍從那些專注于開發核心AI技術到構建AI工具來解決行業特定問題。在投資方面，AI的最大細分部門是網絡安全和通用解決方案，其次是商業智能和物聯網初創公司。
企業如何利用人工智能
在評估如何部署或構建AI工具時，公司應分析最高價值用例，并計劃建立強大的支持和人才基礎。
任何AI都將依靠三個主要的部分：數據，基礎設施和人才。
數據驅動洞察力需要訪問大型數據集。機器學習的有效性通常與可用數據量相關。在這個階段，訪問大量數據是推動ML工具價值的一個要求。
技術設施，軟件和硬件的基礎設施必須有效運行機器學習模型。云服務提供商有能力將其產品擴展到AI基礎設施，并提供可與開源軟件結合使用的解決方案。對于一些公司來說，由于監管或其他商業原因，將訓練數據移至云端太貴或不可行。對于這些公司，將需要大量的計算能力，有時需要使用GPU，FPGA或ASIC的硬件加速。
AI人才在有效利用機器學習方面至關重要。雖然并不是每家公司都將尋求建立一個內部的AI組織，但是經驗豐富的數據科學家是從AI推動價值的關鍵。機器學習是一個需要專業知識的難題。
將AI推向核心產品和服務創造競爭優勢。公司必須在內部建立一個能夠處理AI開發的強大的基礎設施。