本文来自微信公众号“IDC咨询”。
电商拥有海量的SKU及购买信息，若要实时追踪业务，光凭人力是远远不够的，还会使企业面对无法计算的成本压力。当然，类似的业务困境还有很多。对CIO而言，使企业驾驭AI，将大大缓解企业的管理压力。放眼未来，AI无疑是一比划算的投资。
IDC与Georgia-Pacific（GP）副总裁兼企业转型负责人Mike Carroll进行访谈，共同探讨如何利用AI业务助手提高业务绩效的相关话题，并分享了人工智能技术提高业务绩效的最佳实践。该文摘自《IDC PeerScape：未来IT实践：利用AI业务助手提高业务绩效》。
AI提高业务绩效3个实践
1
规划业务设计，业务问题导向
挑战：
如何选择合适的技术？
如何得到高层信任？
如何使AI与业务相融合？
实践反馈：
与业务融合的挑战：挑战不仅仅是如何构建技术解决方案，更重要的是，还要把每个必要的概念和方法整合在一起，以“阅读和理解”并捕捉某个业务领域涉及的所有知识。大的挑战是如何训练引擎询问并回答预先设计好的关键问题，提高它在业务领域内的表现。
AI探索的过程：在2019年，我们组建了小而精的引擎专家团队。团队成立后，他们花了不到一年的时间，组建了人工智能业务助手，训练该人工智能业务助手引擎阅读并理解大量的文档信息，以及其他有关GP业务领域动态的知识。然后，该助手围绕优先级、成本和效益给出了解决方案建议，用于解决或避免这些障碍。这正是企业想要的：训练人工智能模型像个助手一样理解并运营业务。
2
统筹相关团队，打好开发基础
挑战：
如何可以简化未来开发的工作量？
如何使AI更智能？
怎样看待AI的长期效应？
实践反馈：
开发的理念：团队必须后退一步，细细思考如何通过制定更宏大的目标来解决这个具体问题。最终的引擎最好是：一套集合了各种概念和手段，关注如何解决问题的策略，而不只是一个纯粹的技术解决方案。”
模型如何训练：结构化因果模型（SCM）实际上是一种便于训练引擎的概念集合方法，可以积累有关某个业务领域的知识，并可以普遍解决任何问题。该引擎的“知识”围绕业务维度结构框架进行组织，框架在逻辑上与基于原始语言的输入相关联，模型因此可以得到训练，并且可以在以后持续进行监督和无监督学习。
训练过程及成果：建立初始模型后，第一轮训练花了我们几个月的时间；现在我们只需要几周。这就像学习打棒球：击球次数越多，就越能通过学习如何挥拍提高打球技术。引擎也是如此：它学得越多，就越聪明。凭借两年的历史数据，该引擎还建立了业务的数字化孪生，用于持续探索提高性能的方法。对于每个需要解决的问题，该引擎在应用传统数据科学和人工智能方法之前，实际上就已经知道了问题的原因。
3
持续改进助手，创造业务价值
挑战：
AI业务助手如何创造业务价值？
如何做好知识积累？
如何减少“干扰”和偏差创造价值？
实践反馈：
AI专家团队实践：GP项目中涉及的重要专家角色：人工智能引擎专家、引擎训练专家、业务交互专家、科学顾问和行业思想领袖。
如何运用集体知识：基于语言的认知模型的好处是，所需的输入信息可
以是文档、SME或其他格式——只需将这些信息作为集体知识库按关键业务维度（如运营、制造工艺、产品、分销和客户体验）捕获即可。这个知识库变成业务智能模型和数字化孪生，即信息资产后，它可以持续改进和调优，成为企业的一种竞争优势。
如何拓展现有技术，持续改进模型：为实现模型的逻辑和自动化，GP团队必须利用各种技术、概念和工具将所有的部分组合在一起。其中一个关键是Richard在《认知优势》一书中所描述的结构化因果模型（SCM）。主要工具是Judea Pearl的do-calculus，它是一种将系统中的原因和结果提取出来构建结构化因果模型的方法。人工智能在使用诸如do-calculus等方法自动发现因果关系方面发挥了举足轻重的作用。
最后
AI技术凭借自身的优势，不但可使业务变得无处不在，还会显著提高业务绩效。AI有短期的变现能力，更有长期驱动业务的潜力。
分析师观点
IDC中国高级研究经理李鑫表示：
基于以上实践，我有以下进一步思考：
1.“熟练作业”到“业务设计”：作业熟练度有上限，而业务设计没有上限。AI要履行使命需要深度与业务融合，“智能化”就是将战略性业务当做“产品”与AI做设计，这不但可提升业务部门的参与感，还会降低CIO导入技术的难度。
2.“劳动密集”到“知识密集”：智能是数字业务“皇冠上的明珠”，需要CIO制定数字智能战略并得到高层的长期支持；劳动力的堆砌终将被AI知识专家组取代，智能源于知识的积累，而驾驭知识的能力将会是未来企业间的差距。
