人工智能项目建设的成败关键是什么

AI项目建设规划的起点是“界定应用场景”，简单地说，如何将传统的做法用AI来解决。从企业运营管理层面来讲，企业关注的无非是“增加收益、减少成本、提高效率、规避风险”等四大诉求，所以AI项目对应的应用场景也不会脱离这四大诉求，只不过需要懂业务的人员与AI咨询顾问一起在这四大诉求范畴内，梳理出容易实现的应用需求点，而后予以清晰界定。AI项目应用场景界定过程就项目界定目标、界定要解决什么问题的过程，同时关乎对AI技术的选型问题，即如何选择相应的算法或AI实现技术方法。

AI项目面临的挑战就是算法的问题，广义来讲就是选择哪种AI实现的方法。AI实现的方法有三种：知识图谱、深度学习、增强学习。大家通常所说的“算法”是指“深度学习”和“增强学习”。所以采用“AI实现方法”不会引起歧义。

之所以“AI实现方法”的选择，是AI项目建设的挑战，是因为，许多企业在建设AI项目时候使用了不合适的方法而造成项目失败，比如过去两年银行业采用深度学习的方法，来建设“金融风控”系统，其效果并没有得到很好的体现，现在才意识到构建“智能风控系统”，知识图谱才是最为合适的。再比如，实现无人驾驶，必须选择“增强学习算法”为核心的方法。

一般来讲深度学习在处理基于特征感知、识别和判断等方面表现突出，能帮助构建聪明的AI，如人脸识别、语音识别、故障分析、客户画像、时序预测等；而知识图谱在模拟人的思考过程、处理常识知识和推理，以及理解人的语言方面表现的更加突出，如智能推荐、智能解释、智能搜索、智能推理分析等。

“AI实现的方法”没有选好，整个项目就可能面临的失败风险，而且方法的选择是以业务场景界定为前提，同时还需要借助高水平的AI咨询顾问，还要考虑到实现难以程度、成本预算承受能力等等，所以AI实现方法也算是一种大挑战。

目前有一种一劳永逸的方法，就是在企业部署“算法平台”（也叫“智能中台”或企业大脑），犹如传统信息化时代ERP一样，成为大企业的基础标配，其中包括了实现人工智能的三种方法。比如公安系统，按照“数据本地化、算法本地化、应用本地化”的原则，部署了“公安大脑”，其中揽括了AI实现的三大方法。

才是数据问题。所有的AI项目都是以“数据”为基础的，人工智能之所以能够在近几年得以重生，就是由于“大数据”的爆发。这不难理解，就当机器人是人类的一个特殊种族，“知识就是力量”同样可以适合于机器人，人之所以要读书、要学习，就是为了获取知识以便能够应付各种各样的问题。

对应到机器人，只有当机器人吸收了大量的样本化、结构化的数据，再借助AI实现方法（深度学习、知识图谱、增强学习），才能模仿人脑思维和判断，如人脸识别、语音识别、智能推荐、无人驾驶等等。

而且不同的AI实现方法，采用的数据策略是不一样，包括数据存储类型、数据表示方式、数据处理方式则完全不一样。比如，如果使用知识图谱，那么必须将关系型数据进行抽取加工、融合，以图形/图谱形式存储、表示和计算，也就是我们经常说的“图计算”。

一般来讲，企业如果要启动AI项目，就要做好三种数据库的准备，即“传统的关系型数据库”、“时序数据库”和“图谱数据库”，而且对数据的收集、处理、加工、规范则是与时俱进，不能停顿。要说人工智能成本花在哪里，至少70%以上在数据方面。不但要求数据有量，还有质量和表示形式的要求，这跟做菜一样，需要有足够的食材原料，而且原料质量要够好，原料加工成食材要符合烹饪等等，再配合大厨的煎炸焖炒炖等手法（算法）和火力（算力），才能搞出一桌好菜。