人工智能来势汹汹，企业们准备好“接招”了

大型保险公司一大臭名昭著的特点就是他们的数据竖井。保险公司倾向于保留几十个独立的保留（老旧）系统，这些系统彼此之间不相连接，也不连接到新的数据平台或者云平台。这对于该行业正在进行的AI和数字化变革是不利的。

像大部分数据密集型行业一样，现今的保险公司要么在对老系统进行现代化改造，要么在将数据转移到数字化系统、数据湖和数据仓库。数据湖和数据仓库都可以存储大数据。数据湖是一种大型的数据池，存储的是不带架构和标签的原始数据；而数据仓库则存储用于特定目的的结构化标签数据。

打破数据竖井不是一蹴而就的事。一般来说，在应用AI技术之前，花大钱在大规模数据变换上不是很好。最好是两者并举，这样数据变换就可以根据AI项目的需求来推进了。AI试点项目在这方面也能提供助力——找出当下的数据缺口。在了解的基础上，企业才能不浪费一针一线，打破数据竖井。

架起业务团队与技术团队沟通的桥梁

前面提到的业务解释人员，正是使AI和数据科学解决方案能够充分考虑业务需求的保障。

业务团队和技术团队的沟通有时是鸡同鸭讲。AI顾客细分工具要满足怎样的需求，这一点可能区域销售经理会很清楚——这个工具要能够将客户按照感兴趣的产品进行划分。但是，销售经理很可能不知道怎么用技术术语，向数据科学家或者机器学习工程师描述这些需求，而后者才是真正开发工具的人。

这种问题在商界并不新鲜。部署内部IT系统的企业，或者部署面向客户的移动app的企业，都会让IT项目的经理和业务分析师来负责这些项目。举个例子，IT项目经理能够理解新IT系统的业务目标。他们对技术有一个基本的了解，同时能够管理好构建系统的技术员工。

而在AI项目里，这些业务解释人员就可以是项目经理、业务分析师甚至是内部顾问。他们要对AI方法和功能有广泛的涉猎，这样才能理解技术团队的工作并提供指导。

业务解释人员能够运用AI意识和商业嗅觉找到AI采用之路上的障碍。项目初期，这些人员可以对终端用户进行调研，研究工作流程，并与业务和技术领域的主要利益相关者进行对话。这样一来，诸如缺乏员工接纳或者终端用户有不合理的期待等问题，就能够被他们诊断出来，进而找到解决方案。

找出有业务解释能力的员工非常重要。这样的角色的需求量很快就会变得非常大——而同时拥有AI意识和业务知识的人并不多。德勤2019年发布的《企业中的AI调查报告》显示，商业人才的价值跟AI人才是几乎持平的，甚至在企业实施了20多个AI系统之后更是如此。

图源：unsplash

为整合与管理转型做好预算

遍及全企业的AI意识，以及员工对AI项目的普遍认可，为AI的融合打下坚实的基础。但是，想要确保AI与业务开发所准备的一样多。

整合AI工具涉及到工作流程的重新设计，培训以及管理转型这些工作。在部署AI解决方法之前，要做好这些支持型工作。这样可以避免一些不愉快的惊吓，让员工能够做好准备运用AI工具来完成工作。同时，这也确保员工能够意识到、参与进并且支持AI改革。

尽早开始改革，业务解释员和终端用户才能在正式实施之前找出运用中可能存在的问题。AI工具可能需要对有些工作流程进行重新设计，这造成的混乱可能远超过了收益。在部署AI技术之前认识到这点，技术团队就可以对AI工具进行调整。

AI不简单。投资回报要花时间，一个公司的AI进化路取决于其自身独特的需求和情况——这意味着跨越完全陌生的领域。

图源：unsplash

企业高管要营造适合AI转型的企业文化，为这段进化路打下基础。上述的这个十步AI转型方案，可以帮助企业管理者了解企业要如何转变才能够适应规模化部署AI的需求。

推广AI之路漫漫，了解要做什么仅仅是第一步。浓郁的文化氛围，强烈的AI意识，以及各级员工的接纳都是至关重要的。

（编辑：辽源站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!