准备和实施AI项目可能需要多年的时间。根据最新数据，只有28%的受访者表示第一年已经超过了AI计划阶段。这是由于多种因素造成的，包括技术的相对成熟度(至少在不断扩展的行业用例中)，涉及的复杂程度，例如广泛的集成要求，有限的企业经验和缺乏内部技能集，关注点以及AI偏见，治理，风险和合规性问题，广泛的变更管理要求等等。
无论是作为企业创新计划的一部分，还是作为数字转型计划的一部分，都非常注重证明快速获胜，长期的AI项目可能会影响比其本身更大的计划的声誉。随着CIO在产品管理方法中从“项目到产品”的转变，这些冗长的AI项目也可能会延迟创新的内部或外部新产品发布。
为了迅速赢得这项重要的使能技术的胜利，并进一步推动在更广泛的数字化转型和创新计划中投入更多资金的商业案例，CIO可以通过以下五种方式快速跟踪其AI实施：
首先要做出的决定之一是建造还是购买。虽然我们听到了很多有关自行构建AI的平台，基础架构和框架的信息，但无名英雄通常是较为专业的专业AI供应商，他们提供基于云的AI服务，可以针对您的特定需求对其进行快速培训和部署用例。建造或购买的决定实际上是基于AI对您的组织作为未来核心能力的重要性。
例如，尽管每个金融服务公司都应关注AI“拥有”与“没有”之间日益显现的数字和财务鸿沟(请参阅“ 对业务战略和技术部署采用与直觉相反的方法 ”)，但并不是每个公司需要在内部构建自己的算法。较小的商店可以非常有效地将更多精力放在将第三方AI技术纳入其核心工作流程(例如贷款承销)中的业务收益和结果上，而无需建立自己的内部AI / ML专业知识。
简单来说，这意味着ML行算法比每行具有100个属性的1,000行数据的10,000行数据每行具有1,000个属性。据马克·斯坦的CEO，Underwrite.AI，公司专注于人工智能应用的进步，提供具有非线性，信用风险的动态模型贷款，但是，它不是很简单，“越多越好”。数据类型和数量必须与算法类型匹配。深度学习需要大量记录才能有效，而基于统计的算法则可以更好地处理较小的数据集。
如果您使用AI来建模人类的决策模型，请获取尽可能多的数据，确保每个数据字段都有其价值，并在数据质量和一致性方面给予高度重视。这可能很耗时，尤其是从多个不同的来源进行绘制时，但是如果尽早进行彻底的设计，则可以避免很多昂贵的返工。
从技术上来说，调用AI API传递新数据集并获得分数很简单，但更困难的是变更管理和培训，使业务分析师能够最好地解释这些分数并将新流程纳入日常工作中工作流程。
尽管某些形式的AI可能会产生自动决策，例如基于信用历史记录对新贷款做出“是”或“否”决策，但ML算法通常也会提供更微妙的响应。可能需要将此响应与现有人工流程结合使用，以最好地决定贷款。作为示例，AI“得分”可以是从“ A”到“ D”和“ F”的等级。“ A”和“ F”可能是明确的“是”或“否”决策，可以完全自动化以进行实时决策，但是从“ B”到“ D”的等级可能仍然需要人工核保。
正如您花时间训练分析师使用新的财务模型以及如何最好地解释模型的结果一样，基于AI的结果也是如此。业务分析师可能需要花费几周甚至一个月的时间来观察ML算法返回的结果，因此他们在如何最好地解释分数方面有一个基准。如果您与AI供应商合作，则该供应商可以提供有关如何解释结果以及如何培训员工以从新系统中获得最大收益的指导。
斯坦因认为，至关重要的是要了解AI不是魔术。这只是识别过去行为的模式的过程，可以使将来的预测更加准确。只有在企业存在明确定义的问题和易于理解的成功度量标准时，它才能成功。例如，“我们需要降低按损失率衡量的贷款违约率”或“我们需要从当前的32.5%率提高转换率”，依此类推。如果您不完全理解问题，那么您也将不会理解解决方案。
由于每个AI实施都是独特的，因此重要的是要以“假设和测试”的心态进入每个项目，而不是将项目视为彻底的成功或失败。通过在每个步骤进行假设并将每个步骤的经验带入下一个迭代，您可以快速优化您的AI部署，直到它成为可以提供有意义结果的可行解决方案为止。
虽然假设和测试方法会延长项目部署时间，但好处是您会不断调整解决方案，以吸收实际经验教训，以符合客户和员工的要求，并持续转向最引人注目的业务使您的解决方案具有可持续性的案例。
当您开始进行初步的AI试验，概念验证或MVP时，请记住，您组织在企业范围内AI方面的未来愿景很可能是多种自动化类型的融合，从完全手动的过程一直到最后，对于那些使用机器人过程自动化(RPA)来开发更复杂AI的人。通常是从头开始重新发明业务流程，然后在每个新步骤中应用最佳工具完成工作的情况。只是将RPA或AI插入未更改的现有业务流程中，很可能会错过一切。
另一个重要因素是每个工具之间发生的切换。这可以是人对机器或机器对机器。通过优化切换并使其快速，无缝和可靠，您可以进一步增强未来的业务流程，使其与您的业务目标和市场要求一样具有成本效益和竞争力。
好消息是，可以快速跟踪AI的实现，但这并不一定是使AI变得更聪明。这是关于做出正确的选择，例如构建与购买，对数据质量(以及客户)着迷，花足够的时间进行变更管理，及早介入业务，采取“假设和测试”的方法，最终将多种自动化技术结合到您的未来愿景中。
如果您的AI项目花费大量时间，请耐心等待并保持原样。您也许还可以利用此处的一些建议来帮助您将比赛快速推向终点。当然，就像数字转换一样，这场比赛永远不会结束。