人工智能（AI）技术提供商主要有四种类型:领先的云服务提供商、企业应用程序套件提供商、数据科学和机器学习(ML)平台提供商以及系统集成商。在这里，我们将检查每种方法的优缺点，以指导使用AI原型化解决方案的应用程序领导者。
对于企业来说：
➤ 超过一半的Gartner终端用户采用基于云开发服务的人工智能(AI)技术。
➤ 人工智能的功能和特性正越来越多地通过企业应用套件集成到客户关系、供应链、资源规划和知识管理软件中。
➤ 数据科学和机器学习平台供应商提供的一系列人工智能产品推动人工智能成为分析和BI市场增长第二快的细分市场。
➤ 现在，更多的IT领导者转向咨询合作伙伴，寻求外部支持，以增强其企业在整个数据和分析价值链中的人工智能能力。
对于企业的建议:
➤ 利用您首选的云供应商的专业知识和您自己的内部技能，研究快速构建和部署AI产品。 检查数据源、计算和基础设施框架的接近程度。
➤ 采用和推广企业业务应用程序中员工易于理解的基于AI的功能，包括启用AI的应用程序功能和会话代理。
➤ 选择与企业的人工智能人才和技能基础相匹配的数据科学平台，以改进定制和精细控制。
➤ 为平台、预培训的人工智能模型和服务的“一站式商店”记录当前系统集成商（SIS）的技能集、领域专业知识和人工智能解决方案跟踪记录。
预见企业AI未来：
➤ 到2021年，85%已经部署并投入运行的人工智能应用程序将利用领先的公共云平台。
➤ 到2021年，所有主要的企业应用软件平台都将具备人工智能功能。
➤ 到2021年，与人工智能相关的项目服务将进入主流，30%将被大公司采用。
➤ 到2021年，包括数据管理在内的50%以上的数据科学任务将实现自动化，从而提高生产率，使公民数据科学家得到更广泛的使用。
➤ 到2021年，人工智能技术将渗透到每一个新的软件产品和服务中。
当开始使用数据科学和机器学习时，许多企业的软件管理者将面临大量可用的工具和技术，常常很难理解它们之间的差异。虽然在做出购买决定之前，应用程序领导者应该运行试点项目和POC，以便在供应商选项上获得更好的位置。但是大多数分析团队几乎没有人工智能经验，并且他们的概念验证(POC)预算通常是有限的。
本报告研究了四个主要的AI技术提供者，讨论了它们的优劣势，以及它们的潜在演变和未来的潜在发展。
企业首选的云提供商来源
过去几年中，基于人工智能的托管服务，甚至来自亚马逊、谷歌、IBM和微软等领先云服务提供商的解决方案都发生了巨大变化，主要支持三个基于云的应用程序和服务：机器学习、语言处理和计算机视觉。
基于云的人工智能服务是专门构建的、多承租人的、按次付费的、有弹性的，包装在轻量级API或易用UI中。这些特性使应用程序领导者更容易使用这些服务，并将它们与他们正在使用的其他云服务（如物联网和设备管理）集成。此外，那些急于与企业建立联系（并鼓励采用人工智能软件、服务和其他基础设施）的云供应商往往会提供定价诱人的“测试方案”，包括一些基本支持、工具包和模板，甚至可能有助于收集和管理“馈送”AI应用程序所需的数据。
在许多情况下，应用程序领导者可以使用这些云服务来执行高级分析，或者可以使用AI进行最少的数据科学或算法开发，这些服务通过消除构建ML系统的复杂性和提供专门针对特定用例的预培训系统来帮助简化AI工作。 在大多数人工智能服务中，预训练算法是一种基于云服务提供商收集的数据进行广泛训练的共享资源。但要在人工智能驱动的业务流程的实验或POC之外发挥作用，企业仍然必须提供一些收集的数据、对数据的托管或数据集结构。
云服务提供商提供的大多数AI品牌服务都属于以下三类之一:机器学习、语言处理、计算机视觉。在这些分类中，云服务提供商提供了一系列功能。 根据提供程序的不同，这些功能被划分为不同的服务、不同的API或单个API中的选项。
表1. Gartner AI查询中最常提到的云服务提供商
(资料来源:Gartner)
优点: 一是由于以前开发和训练算法的能力积淀，部署速度更快；二是实现硬件优化框架，用于跨构建、训练和推断阶段更快的计算；三是实现端到端产品开发套件，和大型ML用户社区分享经验和教训；四是帮助您利用供应商云中已有的数据或应用程序。
缺点: 一是企业可能必须在某些方面做出妥协，因为云提供商的特定人工智能能力可能不如独立解决方案强大；二是缺乏模型可移植性，例如，一旦使用AWS SageMaker构建了一个基于AI的系统，就很难与另一个云提供商兼容，买家将被锁定；三是对多云生态系统的支持不足，尽管领先的云服务提供商拥有良好的API端点，但利用不同的组件和构建不同的服务并不容易（例如，很难同时使用IBMWatson和Google的翻译服务构建聊天机器人）， 在这种环境下，培育出最好的品种仍然是一个挑战；四是如果企业数据驻留在一个供应商的云上，它通常不能使用来自另一个供应商的算法。未来五年，这些科技巨头将开发一些功能，帮助中小型企业通过开源的ML框架进行创新，瞄准新兴经济体扩展其产品，使人工智能普适化，并参与人工智能伦理、治理、安全等领域的研究。
知名应用软件中的人工智能功能
从办公效率套件到记录系统（如ERP、SCM、HCM和CRM业务应用程序）的企业应用程序越来越多地集成了人工智能支持的增强功能。这些功能中的许多将无法被员工识别为人工智能（因为它们是“隐形嵌入的”）。相反，这些功能将被视为应用程序中的新功能。
这些支持人工智能的功能包括:
● 推荐的电子邮件回复
● 演示文稿中图形元素的自动布局
● 语法和拼写建议
● 来自ERP或CRM应用程序的建议分析洞察力
另一个支持人工智能的功能是用于关键业务应用程序的会话接口（例如聊天机器人）。 无需学习如何通过应用程序接口启动查询或从知识库中提取信息的能力对员工非常有吸引力。聊天机器人比以传统方式使用应用程序容易使用，效率也越来越高。
这些会话代理的示例包括:
● SAPCopilot and Recast.AI
● Salesforce'sEinstein Voice
● Infor'sColeman AI
● Oracle'sDataFox
未来五年，企业应用软件供应商将提供更好的用户界面，并能够通过人工智能支持业务工作流，数据可以轻松地从一个应用程序移动到另一个应用程序。它们将帮助企业自动化日常任务，并在所有企业应用程序中改进个性化和数据驱动的支持功能。
数据科学和机器学习平台提供人工智能技术
数据科学和机器学习平台越来越多地面向广泛的用户，提供用于创建数据科学解决方案的构建块和环境的内聚力软件，并支持将这些解决方案集成到业务流程、基础设施和产品中。
在平台内，专家、数据科学家、数据工程师、应用程序开发人员要有一定的分布比例，并具有构建、部署和维护分析模型的专业能力。当前的数据科学和机器学习平台提供了许多新的功能，其中包括:
● 开源，使供应商能够利用通常作为开源选项首先提供的创新，并以比内部开发更快的速度做出响应。
● 数据访问和管道连接，以应对不断变化的数据需求，包括访问所有类型的数据、适应不断变化的数据量以及在内部和云中托管的地址数据的需求。
● 管理和操作分析空间中的众多模型，将分析洞察力转化为行动，并使模型能够持续重新评估、调整和管理，包括与分析资产模型协作和共享。
● 各种流行的ML和深度学习框架。
● 超越传统专家数据科学家的多重角色，通常是通过增强的分析。越来越需要访问数据科学和ML平台的新角色包括公民数据科学家和应用程序开发人员。
并非每个数据科学和机器学习平台都包含上面列出的所有功能。有些平台侧重于特定的受众或技能集，例如创建可视化工作流或提供一个用于利用开源产品的框架。这些平台具有高度差异化的关键功能，包括数据准备、自动化和增强、交付、性能和可伸缩性。
优点:
● 实现最大程度的自定义和控制粒度。
● 为利用内部资源或通过服务提供商开发预测性、规范性和确定性解决方案奠定坚实的基础。
● 促进传统和公民数据科学家、工程师、开发人员和更多新兴角色之间的协作。
● 为分析领导者提供数据科学团队操作的可见性。
● 支持公民数据科学家能够参与积极的数据科学项目，同时学习和贡献的环境。
● 提供最高质量的数据科学解决方案，为人工智能计划提供真正的差异化，而不是商品化的预先培训的模型。
缺点:
● 需要更多的实践方法（即数据科学家和开发人员）来创建、部署和维护模型。
● 在一些领域需要补充人工智能高端人才。
● 核心功能超出了许多分析专业人员的技能范围。
● 从购买到操作，成本高、耗时长。
● 平台许可证费用很高。
● 平台提供商有可能倒闭或被收购的风险，可能需要数据管理。
未来五年，这些数据科学平台供应商将继续完善产品特性，通过统一的数据准备、ML以及模型部署和操作平台，使数据科学团队更高效。
智库机构提供人工智能解决方案设计
德勤、埃森哲、IBM全球业务服务、普华永道、毕马威、安永和凯捷等主要SI除了提供熟练的顾问外，还为客户提供人工智能工具和技术。许多服务提供商将其投资集中在目标行业用例上，或者从过去的业务中获取知识资产，以创建预培训解决方案。但是，与任何客户可能正在寻找的无限数量的可能的人工智能用例相比，SI开发的解决方案数量很少。因此，在特定用例中使用资产和预培训解决方案检查SI的应用领导者可能很难找到完美的匹配。但是，许多SIS都有可重复的方法来帮助客户在他们的平台上构思、确定优先级和构建人工智能解决方案，即使他们没有经过预培训的解决方案。SI创建的人工智能平台功能包括：
● 自然语言分析
● 图像识别
● ML和深度学习
● 工作流自动化，包括机器人流程自动化（RPA）模式识别和预测分析
● 访问外部数据源
优势：
● SI为平台、预培训的人工智能模型和服务提供一站式服务。通常作为一个合同提供，简化了交易并提高了执行速度。
● 使用一个既提供平台又提供服务的单一SI，将问责制直接置于该SIS，这为成功的结果增加了保障。
● SIS通常拥有方法、工具和以前参与的用例库，以帮助理清正确的人工智能用例并确定其优先级。这有助于确保原型开发针对的是人工智能可以在传统技术之外增加价值的业务痛点。
缺点：对任何平台来说，都存在锁定风险，但由于软件不是SIS的主要业务，因此锁定到SI平台的风险更大。很少有SI与相关渠道合作伙伴和批量销售商成功地开展了软件业务。如果人工智能平台没有取得财务上的成功，那么客户就会面临很高的“孤儿”产品风险。信任SI来维护、运行和持续改进平台是有问题的，因为SI在其主要服务业务中有着竞争性的需求。在SSI同时提供平台和服务的情况下，客户应通过协商扩大数据集的所有权、改进结果和模型，最大限度地降低SI使用其关键知识产权（IP）的风险。
未来五年，SI将指定更多纵向市场举措，集中他们的专业知识。这也有助于他们了解他们所处的每个垂直领域所面临的独特挑战，以及如何使用ML解决这些挑战。
建议：
● 评估SI的技能集、领域专业知识及其人工智能解决方案记录，同时审查其人工智能知识产权（IP）、平台和资产的相关性。
● 同时评估服务和平台选项，以确定合适的匹配。确保服务提供商提供平台和经过培训的模型的正确组合，以及具有相关经验的跨学科顾问，包括技术、领域和行业/流程知识。
● 确定哪些数据和IP必须受到保护，包括IP所有权和重用限制，并确保在合同中明确指出这些内容，以避免SI为其他客户端重用它们。
转自：三思派（Science-Pie）
作者：孟海华，上海市科学学研究所产业创新研究室副研究员
回顶部