虽然人工智能是一种强大的技术，有望重塑每个企业的流程，但它并非一种设置后即可忽略的工具。该技术需要定期监控、重新校准、整理和管理。
译自 Set Goals and Measure Progress for Effective AI Deployment，作者 Vidya Shankaran。
人工智能采用周期中最重要的一部分，往往也是最容易被忽视的：确保技术为企业创造价值。
当前的人工智能热潮，即使是最风险厌恶的公司，也正在成为数字先锋，他们决心尽快利用强大的新应用。虽然速度无疑至关重要，但同样重要的是确保人工智能投资能够按预期实现预期的商业价值，而不会进一步加剧公司的风险敞口——无论是声誉风险、财务风险还是安全风险。
随着 IT 优先事项数量的不断增加，管理和跟踪各种定制和 SaaS 应用变得越来越具有挑战性。虽然准确量化 IT 投资的商业价值可能看起来很困难，但并非不可能。与任何技术采用一样，拥抱人工智能也需要同样程度的全面评估和尽职调查，以确保成功实施。
人类进化史表明，任何工具都有可能被变成武器——这取决于谁使用它以及为什么使用它。在当今网络威胁日益增多，恶意行为者利用其人工智能形式制造网络威胁的情况下，这一点尤其如此。如果没有对人工智能采用的充分监督，这种固有的滥用风险会进一步加剧组织的风险敞口。虽然衡量商业成果可能看起来很令人生畏，但建议将每个目标分解成可实现和可量化的字节（双关语）。
在制定这些目标时，领导者还将从以下建议中受益：设定现实的指标、持续监控以及选择能够帮助他们最好地实现这些目标的可靠 IT 合作伙伴。
关键因素 1：明确的目标：为人工智能实施定义具体目标和成果。确定企业希望通过实施人工智能实现的目标是第一步。建议从适合的用例开始，该用例是组织的核心关注点。这有助于将成功衡量为切实的成果，从而更容易将实施扩展到整个组织的更广泛用例。
例如，如本文所述，美国运通的关键业务目标之一是使用人工智能检测欺诈性交易，目标是将财务损失减少 30%。
同样，零售公司可以使用人工智能优化库存管理，目标是将缺货和库存过剩减少 20%。这些提供了衡量“什么”的起点，并以关键决策作为带走的东西，以推动所需的业务成果。
关键因素 2：对高质量数据和持续学习的需求：确保能够访问相关、准确和多样化的数据，用于训练和优化。人工智能部署的成功与用于训练其模型的数据质量一样好。这就是组织必须确保实施了正确的数据源以及必要的访问控制和防护措施的关键所在。此外，组织应确认敏感数据没有被馈送到数据管道中；这将有助于避免任何敏感数据泄露事件。 这一方面至关重要，也是一个难以实现的目标，因为组织现在必须找到合适的平衡，以防止其大型语言模型 (LLM) 成为回声室，同时防范 LLM 中毒、敏感数据泄露、提示注入攻击和潜在的人工智能幻觉风险。
这些风险也催生了各种解决方案，为人工智能 LLM 提供数据防火墙。现在，各种数据防火墙解决方案使 IT 领导者能够根据最适合其用例进行选择。
我们认为，看看 ChatGPT 4.0 认为人工智能 LLM 中毒的最恰当定义是什么会很有趣，以下是它的回应：
人工智能 LLM 中毒是指恶意操纵 LLM 训练数据，故意在模型的输出中引入偏差、错误或有害行为。这可以通过多种方式发生，包括：
数据中毒：篡改训练数据以操纵模型的性能或引入特定偏差。
对抗性示例：制作旨在导致模型产生不正确或误导性输出的输入数据。
模型反转攻击：利用模型之间的关系从训练数据中提取敏感信息。
例如，Airbnb 是一家通过持续提高输入其 LLM 的数据质量来实现价值的企业。该公司利用用户数据来优化定价和可用性，使房东收入增加了 15%。用户数据越准确，它就能为平台用户和订阅者带来越可靠和可预测的收入。
定期更新和改进 AI 系统以适应不断变化的环境至关重要。这可以通过确保输入 LLM 的数据保持最新和相关来实现；在某些情况下，甚至使用实时数据。
有趣的是，Spotify 不断更新其音乐推荐算法以适应不断变化的用户偏好和聆听习惯。同样，流媒体平台不断更新其推荐 算法以适应不断变化的观众偏好和购买行为。这些平台利用用户数据创建个性化推荐，根据观众的兴趣推动观看量，从而提高用户参与度。
关键因素 3：高级算法：为正在考虑的业务用例选择合适的算法和模型。AI 并不符合“一刀切”。每个用例都需要相关的算法和模型来参与。
例如，特斯拉用于其自动驾驶系统中的高级计算机视觉算法的 AI 模型有助于提高安全性和驾驶辅助。这是特斯拉用例的独特之处，与之前 AI 为其他企业带来的益处的例子截然不同。
关键因素 4：人机协作：将人类专业知识和 AI 功能相结合以增强决策是负责任的 AI 原则中的一个基本原则。当前的 AI 采用时代应被视为“人类与技术的融合”。人类将继续成为数据的守护者和管理者，这与关键因素 2 关于需要高质量数据的观点相呼应，因为人类可以帮助整理相关数据集来训练 LLM。
这一点至关重要，“人机协同”方面应嵌入所有 AI 实现中，以避免完全自主的实现。除了数据整理之外，这还允许人类在获得相关见解时采取更有意义的行动，从而实现更好的业务成果。
值得注意的是，西门子医疗 将 AI 与人类专业知识相结合 以更准确、更高效地诊断疾病。
同样的理念也适用于 Commvault 的网络弹性。我们的 AI/ML 引擎帮助客户在响应网络恢复需求时做出更明智的决策。Commvault 的异常检测功能提供的丰富上下文信息得到了人类的进一步增强，他们可以有效地对事件进行分类并做出适当的响应。
关键因素 5：道德考量：解决 AI 开发和部署中的偏差、隐私和透明度是衡量其成功的关键指标。与任何技术一样，制定护栏和参与规则是该因素的核心。
像埃森哲这样的企业 实施措施来检测和防止偏差 在其 AI 招聘工具中，帮助确保公平的招聘实践。同样，微软 实施措施来检测和减轻偏差 在其 AI 语言模型中，以确保公平性和包容性。
关键因素 6：监控和评估：定期评估 AI 性能和影响以确保预期结果，这有助于组织在实现成功 AI 的使命方面保持正轨。这是一个滑坡，因为人们普遍倾向于使用无法追溯到规范性可量化指标的定性假设。
大多数组织部署基于 AI 的网络防御工具，并期望永远不会再发生安全漏洞。鉴于当今世界的网络犯罪现实，这充其量是幻想。
然而，像耐克这样的公司已经使用 AI 分析客户数据并衡量其个性化营销活动的有效性，导致销售额增长 20%——一个切实的指标。
人工智能的显著进步催生了新一代解决方案，争夺着企业买家的关注。市场上人工智能解决方案的突然涌现和稳定增长，夹杂着AI 洗白的解决方案，使得企业必须投入时间进行技术评估和匹配。
此外，随着安全成为所有企业的核心关注点，了解人工智能/机器学习解决方案的供应链参与者及其对安全的承诺也成为关键的选择标准。就像网络安全的供应链影响一样，选择合适的技术合作伙伴至关重要。
虽然人工智能是一项强大的技术，有望重塑每个企业的流程，但它不是一种设置后就可忽略的工具。该技术需要定期监控、重新校准、管理和维护。领导者将从愿意在他们的 IT 旅程中进行路线修正中获益。定期进行中期评估有助于尽早发现改进领域或将运作良好的方面模板化，以扩展成功。
实施持续评估方法有助于长期优化运营和所有权的总成本，并能够识别最有影响力和可行的项目。这种识别有助于制定标准化协议，这些协议可以在其他业务领域复制和扩展。
成功的人工智能实施需要多学科方法、持续改进以及对负责任的人工智能实践的承诺。这些因素是发展成为以人工智能为中心的企业的基石。
