準備和實施AI項目可能需要多年的時間。根據最新數據，只有28%的受訪者表示第一年已經超過了AI計劃階段。這是由于多種因素造成的，包括技術的相對成熟度（至少在不斷擴展的行業用例中），涉及的復雜程度，例如廣泛的集成要求，有限的企業經驗和缺乏內部技能集，關注點以及AI偏見，治理，風險和合規性問題，廣泛的變更管理要求等等。

無論是作為企業創新計劃的一部分，還是作為數字轉型計劃的一部分，都非常注重證明快速獲勝，長期的AI項目可能會影響比其本身更大的計劃的聲譽。隨著CIO在產品管理方法中從“項目到產品”的轉變，這些冗長的AI項目也可能會延遲創新的內部或外部新產品發布。

為了迅速贏得這項重要的使能技術的勝利，并進一步推動在更廣泛的數字化轉型和創新計劃中投入更多資金的商業案例，CIO可以通過以下五種方式快速跟蹤其AI實施：

首先要做出的決定之一是建造還是購買。雖然我們聽到了很多有關自行構建AI的平臺，基礎架構和框架的信息，但無名英雄通常是較為專業的專業AI供應商，他們提供基于云的AI服務，可以針對您的特定需求對其進行快速培訓和部署用例。建造或購買的決定實際上是基于AI對您的組織作為未來核心能力的重要性。

例如，盡管每個金融服務公司都應關注AI“擁有”與“沒有”之間日益顯現的數字和財務鴻溝（請參閱“ 對業務戰略和技術部署采用與直覺相反的方法 ”），但并不是每個公司需要在內部構建自己的算法。較小的商店可以非常有效地將更多精力放在將第三方AI技術納入其核心工作流程（例如貸款承銷）中的業務收益和結果上，而無需建立自己的內部AI / ML專業知識。

簡單來說，這意味著ML行算法比每行具有100個屬性的1，000行數據的10，000行數據每行具有1，000個屬性。據馬克·斯坦的CEO，Underwrite.AI，公司專注于人工智能應用的進步，提供具有非線性，信用風險的動態模型貸款，但是，它不是很簡單，“越多越好”。數據類型和數量必須與算法類型匹配。深度學習需要大量記錄才能有效，而基于統計的算法則可以更好地處理較小的數據集。

如果您使用AI來建模人類的決策模型，請獲取盡可能多的數據，確保每個數據字段都有其價值，并在數據質量和一致性方面給予高度重視。這可能很耗時，尤其是從多個不同的來源進行繪制時，但是如果盡早進行徹底的設計，則可以避免很多昂貴的返工。

從技術上來說，調用AI API傳遞新數據集并獲得分數很簡單，但更困難的是變更管理和培訓，使業務分析師能夠最好地解釋這些分數并將新流程納入日常工作中工作流程。

盡管某些形式的AI可能會產生自動決策，例如基于信用歷史記錄對新貸款做出“是”或“否”決策，但ML算法通常也會提供更微妙的響應。可能需要將此響應與現有人工流程結合使用，以最好地決定貸款。作為示例，AI“得分”可以是從“ A”到“ D”和“ F”的等級。“ A”和“ F”可能是明確的“是”或“否”決策，可以完全自動化以進行實時決策，但是從“ B”到“ D”的等級可能仍然需要人工核保。

正如您花時間訓練分析師使用新的財務模型以及如何最好地解釋模型的結果一樣，基于AI的結果也是如此。業務分析師可能需要花費幾周甚至一個月的時間來觀察ML算法返回的結果，因此他們在如何最好地解釋分數方面有一個基準。如果您與AI供應商合作，則該供應商可以提供有關如何解釋結果以及如何培訓員工以從新系統中獲得最大收益的指導。

斯坦因認為，至關重要的是要了解AI不是魔術。這只是識別過去行為的模式的過程，可以使將來的預測更加準確。只有在企業存在明確定義的問題和易于理解的成功度量標準時，它才能成功。例如，“我們需要降低按損失率衡量的貸款違約率”或“我們需要從當前的32.5%率提高轉換率”，依此類推。如果您不完全理解問題，那么您也將不會理解解決方案。

由于每個AI實施都是獨特的，因此重要的是要以“假設和測試”的心態進入每個項目，而不是將項目視為徹底的成功或失敗。通過在每個步驟進行假設并將每個步驟的經驗帶入下一個迭代，您可以快速優化您的AI部署，直到它成為可以提供有意義結果的可行解決方案為止。

雖然假設和測試方法會延長項目部署時間，但好處是您會不斷調整解決方案，以吸收實際經驗教訓，以符合客戶和員工的要求，并持續轉向最引人注目的業務使您的解決方案具有可持續性的案例。

當您開始進行初步的AI試驗，概念驗證或MVP時，請記住，您組織在企業范圍內AI方面的未來愿景很可能是多種自動化類型的融合，從完全手動的過程一直到最后，對于那些使用機器人過程自動化（RPA）來開發更復雜AI的人。通常是從頭開始重新發明業務流程，然后在每個新步驟中應用最佳工具完成工作的情況。只是將RPA或AI插入未更改的現有業務流程中，很可能會錯過一切。

另一個重要因素是每個工具之間發生的切換。這可以是人對機器或機器對機器。通過優化切換并使其快速，無縫和可靠，您可以進一步增強未來的業務流程，使其與您的業務目標和市場要求一樣具有成本效益和競爭力。

好消息是，可以快速跟蹤AI的實現，但這并不一定是使AI變得更聰明。這是關于做出正確的選擇，例如構建與購買，對數據質量（以及客戶）著迷，花足夠的時間進行變更管理，及早介入業務，采取“假設和測試”的方法，最終將多種自動化技術結合到您的未來愿景中。

如果您的AI項目花費大量時間，請耐心等待并保持原樣。您也許還可以利用此處的一些建議來幫助您將比賽快速推向終點。當然，就像數字轉換一樣，這場比賽永遠不會結束。