什么是扩展人工智能？
扩展人工智能可提高人工智能在组织运营各环节的利用率并扩大范围，从而实现商业价值的最大化。大多数组织最初都从几个专注于解决特定问题的人工智能项目开始。扩展人工智能不仅限于项目层面，还包括将人工智能广泛而深入地集成到组织的核心服务、产品或业务过程中。
该过程需要增强的技术能力，您必须利用多样化的数据集开发和训练不同的人工智能模型，随后系统性地部署这些模型，以进行变更管理和错误修复。除解决技术挑战以外，人工智能扩展还要求转变思维模式和工作流程，从而推动全方位创新。
扩展人工智能有哪些优势？
扩展人工智能意味着从实验性人工智能转向应用型人工智能。它具有广泛的企业应用程序，可以颠覆整个行业。这将彻底改变竞争格局，成就颠覆性变革。组织能够以更低的成本创造更高的价值，从而在各自领域获得竞争优势。我们会在下方概述一些主要优势。
新的收入来源
人工智能系统已为产品和服务的改进做出贡献。例如，生成式人工智能技术已用于加速产品设计，而聊天机器人正在改变客户获取支持和服务的方式。考虑到这一点，企业范围内的人工智能采用可能推动创新远超此范围。例如，日本领先的建筑公司 Takenaka Corporation 使用人工智能开发“建筑 4.0 数字平台”。这让工作人员可以轻松获取从建筑行业法律法规到指导方针及最佳实践的各类信息。该平台提高了内部效率，并为组织创造了新的收入来源。
客户满意度提高
在企业范围内采用人工智能，使组织能够在客户旅程的每个环节创造价值。从个性化推荐到更快的交付和实时沟通，组织可以解决客户问题，并满足不断变化的客户需求。例如，大型媒体公司 FOX 正加速推进数据见解，以近乎实时的方式为消费者、广告商和广播公司提供符合情境需求的人工智能驱动型产品。广告商可利用该系统在特定且相关的视频片段中精准投放产品植入广告，这意味着他们与 Fox 的合作关系将创造更大的价值。与此同时，观众还能在恰当的时机收到最符合其需求的产品推荐。
浪费减少
扩展人工智能意味着将人工智能功能从面向客户的领域引入后台和中台任务。它可以减轻行政管理工作量，让员工有更多时间从事创造性工作，并实现更好的工作与生活平衡。同样，人工智能系统也可以监控关键流程，以识别和消除瓶颈或阻塞点。例如，Merck 这家以研究为导向的生物制药公司，已开发出用于知识挖掘和市场调研任务的人工智能应用程序。他们的目标是减少制药价值链中耗时费力的手动流程，从而让员工能专注于更有影响力的工作。
扩展人工智能需要哪些条件？
尝试一两个人工智能模型与让整个企业基于人工智能运行存在显著差异。随着人工智能采用的扩展，其复杂性、成本及其他挑战也随之增加。要成功扩展人工智能，必须在三大关键领域投入资源和时间：人员、技术和过程。
人员
人工智能项目通常是数据科学家和人工智能研究人员的领域。然而，大规模应用人工智能需要广泛的技能，涵盖领域专业知识到 IT 基础设施管理和数据工程。组织应投资组建多学科团队，以协同推进全企业范围内多种人工智能的实施。有两种方法：容器组（pod）和部门。
容器组（pod）
由机器学习专家、数据科学家和软件工程师组成的小型团队，负责特定企业部门的人工智能产品开发工作。容器组（pod）可以加速人工智能开发，但也存在陷阱。它们可能导致知识孤岛现象，以及企业在不同部门中临时性地使用多种人工智能技术和工具。
部门
独立的人工智能部门或分支机构，负责在整个组织内优先推进、监督和管理人工智能的开发工作。这种方法需要更多的前期成本投入，也可能导致采用时间延长。然而，这将实现更可持续且更系统化的人工智能扩展。
技术
扩展人工智能需要在各种环境中构建和部署数百个机器学习模型。组织必须引入能够高效实现模型从实验过渡到生产的技术，同时促进持续维护和生产力提升。该技术应与现有的 IT 基础设施和软件开发实践相融合。它应支持数据科学家与组织内其他利益相关者之间的协作。
过程
人工智能开发是需要不断优化的迭代过程。数据科学家负责数据准备、模型训练和调优，并将其部署至生产环境。他们监控输出和性能，并重复这些步骤，以发布下一版本。整个过程需要标准化才能高效扩展。组织必须实施机器学习运营（MLOps），这套实践方法旨在自动化和标准化人工智能生命周期中的各个过程。整个生命周期的治理对于确保安全、合规且合乎道德的人工智能开发也至关重要。
扩展人工智能的关键技术有哪些？
专业技术和工具是人工智能取得进展的必要条件。以下提供一些示例。
特征存放区
特征存放区有助于在不同机器学习模型之间重复使用特征。特征是从原始数据中提取的个人可量化属性。它们可以是简单的属性，如年龄、收入或点击率，也可以是通过转换和聚合创建的更为复杂的工程特征。
特征存放区用于组织和管理这些特征及其元数据，例如定义、计算逻辑、依赖关系及其使用历史记录。数据科学家和机器学习工程师可以高效地重复使用、共享和发现特征，从而减少重复工作。
代码资产
可重复使用的代码资产（如库、框架和自定义代码库）能提高效率。通过标准化某些库和框架，组织可以确保其人工智能解决方案采用最佳实践进行开发，并随着时间推移更具可维护性。可重复使用的代码资产也有助于在不同项目间保持一致性。它们可减少重复工作，并为创新提供框架。
操作自动化
自动化测试和持续集成/持续部署（CI/CD）等自动化操作在人工智能扩展过程中极为有用。它们使组织能够快速迭代人工智能模型，并提高其人工智能实施的灵活性。诸如 RAG 等技术可用于增强生成式人工智能中大型语言模型的现有训练，而非从头开始训练新模型。流式处理数据技术是自动化数据处理任务的必备条件，例如机器学习操作所需的实时数据处理准备与分析工作。
云计算
云计算和可扩展的基础设施提供灵活、可扩展的资源，能够动态分配以满足人工智能工作负载的需求。根据需求灵活扩展或缩减资源的能力，确保组织在满足人工智能模型性能要求的同时高效管理成本。例如，您可以使用高性能计算（HPC）实例以训练复杂模型，并采用可扩展的存储解决方案以管理大型数据集。AWS 云服务还包含专业的人工智能和机器学习工具，可进一步加速开发和部署。
扩展人工智能面临哪些挑战？
成功实现人工智能扩展需要组织克服以下挑战。
模型运营
已开发的模型未能充分发挥其作为运营工具的全部潜力，部分原因如下：
- 开发模型基本上是一次性过程，与实际业务成果无关。
- 团队之间的模型交接缺乏文档、流程规范和结构框架。
- 模型开发过程处于孤岛状态，缺乏最终用户、更广泛组织或主题专家的意见。
- 模型在遗留系统上单独部署。
基于静态一次性数据提取的模型会迅速过时且失准。如果缺乏持续改进实践，模型性能终将下降，或面临过时的风险。
文化抵抗
大规模采用人工智能需要对组织文化和工作流程进行重大变革。对变革的抵触情绪以及对人工智能功能的认知不足会阻碍这一进程。将人工智能集成到现有的业务流程和 IT 系统中也可能因兼容性问题或遗留系统而变得复杂。数据团队可能因日益增长的复杂性、跨团队协作不足以及缺乏标准化流程和工具而难以维持生产力。
复杂性增加
在不断变化的环境中，运营人工智能模型必须保持准确性和有效性。持续监测与维护（例如定期更新和使用新数据进行再训练）必不可少。然而，随着人工智能模型日益复杂，其训练和推理过程所需的计算资源也随之增加。在后期迭代中，进行更改或修复错误会变得更加耗时耗力。
监管问题
确保数据和人工智能模型的安全性与隐私性是一项挑战。实验性人工智能项目在使用组织的数据方面具有更大的灵活性。然而，要实现运营成功，必须满足适用于该企业的所有监管框架要求。人工智能开发需要谨慎管理，以确保在每个环节都获得授权的数据访问权限。例如，如果未经授权的用户向人工智能聊天机器人提出机密问题，其回答中不应透露任何机密信息。
AWS 如何支持您的扩展人工智能工作？
AWS 可以提供全面的人工智能（AI）服务、基础设施和实施资源，在人工智能采用之旅的各个阶段为您提供帮助。您可以在整个企业范围内更快、更高效地扩展人工智能。例如，您可以使用：
- Amazon Bedrock，选择、自定义、训练和部署业界领先的基础模型，以处理专有数据。
- Amazon Q 开发者版，通过在 IDE 或 AWS 管理控制台中使用自然语言交互，以加速软件开发进程，包括生成代码、分析代码库、调试问题以及提供基于 AWS 最佳实践的架构指导。
- Amazon Q，快速获取紧迫问题的相关答案、解决问题并生成内容。您还可以利用公司信息存储库、代码和企业系统中的数据与专业知识，以采取行动。
- Amazon SageMaker Jumpstart，通过在机器学习中心构建、训练和部署基础模型，以加速人工智能开发。
您还可以使用适用于 MLOps 的 Sagemaker 工具，以简化人工智能开发流程。例如：
- 使用 SageMaker Experiments 跟踪与模型训练作业相关的构件，例如参数、指标和数据集。
- 将 SageMaker Pipelines 配置为定期或在触发某些事件时自动运行。
- 使用 SageMaker 模型注册表，在中央存储库中跟踪模型版本和元数据，例如使用案例分组和模型性能指标基准。可以使用此信息根据自身业务需求选择最佳模型。
立即创建免费账户，开始使用 AWS 上的人工智能。