“水很深”的智能化转型，如何少走弯路？( 六 ) 转型是大势所趋

文章图片

文章图片
AI的特性之一，就是它可以永续迭代。未来的创新应该是Top-down（自上而下的）的——根据质变的目标，定下北极星指标，拆解成若干个要素，这些确定之后再去执行，继而不断优化。新的组织与传统组织的区别

文章图片

文章图片
所以传统的技术组织和新的技术组织，一个本质的区别，对于传统的技术组织来讲，技术的最高负责人很难做到对业务目标的拆解，他不百分百了解某个业务是怎么做成的。于是，就先规划再实施，借助一些外部的力量或者内部力量，但难点就在于在今天不断变化的情况下，规划很难做到尽善尽美。
另一个问题，传统技术组织研究最大的重点就是这个设计对不对，总是要经历一轮、二轮、三轮等重重论证，但企业内外同时也在一直发展变化。
新的技术组织是什么样的呢？首先，它把整个企业的治理也变成一个机器学习模型。制定具体业务，其实就类似于设置一些参数，而后续迭代的过程，其实也是模型本身迭代优化的过程。所以整个企业的治理也变成了一个自我迭代的模型。
第二，它的核心就是在实施当中不断地进行优化，其中最核心的点就是不断优化目标，所以CEO在顶层设计里面对质变的定义特别重要。
第三，研究的重点是组织迭代的效率够不够高，而非设计的绝对正确。关键是要看进化的速度是不是够快，只要进化的速度比别人快，到最后就能够取得胜利。3）新工具：数据、算力、人才形成合力， AutoML降低门槛
企业智能化转型实施中存在三个瓶颈——数据、算力、人才，在新系统下，让三者形成合力，再通过AutoML技术（Automated Machine Learning 自动机器学习）来降低门槛。

文章图片

文章图片
数据。数据治理过程中，通常关键的问题就是：某环节数据缺失，或者整个过程没有形成一个闭环，一个闭环的过程应该包括行为数据、反馈数据、模型训练和模型应用。行为数据和反馈数据，属于业务的事情，比如在个性化资讯推荐中，不但需要知道哪些新闻推送了哪些用户，还要知道用户的反馈，比如是否点击；模型训练和模型应用，则是技术团队的事情。
数据治理是要有灵魂的，是要跟业务密切相关的。新的架构需要以业务为核心，形成完整的数据闭环，实现持续治理。

文章图片

文章图片
算力。算力是最容易被忽视的，它最核心的特点就是贵。当你真正把人的决策让AI辅助之后，会有海量计算，如果系统架构或者选型设计不好的话，在算力上花的钱可能比招聘一个人还要贵。

文章图片

文章图片
所以，需要注意两个点：一、目标对不对，不要出现花了大量的钱，最后没得到应有的结果。二、就算力本身来讲，架构其实是特别重要的。从算法的认知定义算力系统架构，最后形成软硬结合的软硬一体化结构。
人才。转型过程中处处需要人，比如，算法科学家、CIO、CAIO等各种各样的人才，同时人才也要有业务know-how 。