根據普華永道發(fā)布的一份調查報告，到2030年，AI對全球經濟的潛在貢獻將達到15.7萬億美元。IBM最近的一項調查確定了推動AI采用的主要因素，包括降低成本和自動化關鍵流程的需求、不斷上升的競爭壓力和不斷變化的客戶期望。

　　為了成功地從AI投資中獲益，企業(yè)管理者需要了解AI領域的發(fā)展趨勢和方向。

　　2023年AI發(fā)展趨勢預測

　　隨著全球AI投資的持續(xù)增加，人們需要了解AI在2023年的發(fā)展趨勢及其對企業(yè)的潛在影響：

　　1、低代碼AI在行業(yè)應用中取得長足進步

　　AI模型的開發(fā)過程是復雜、費力和迭代的，建立一套良好的模型需要數天的時間和數千次的實驗。低代碼AI/數據科學平臺改變了這一切，其提供的拖放界面有助于更快地創(chuàng)建實驗。直觀的圖形用戶界面（GUI）、視覺可重復性和協(xié)作是低代碼平臺的最大優(yōu)勢，這使得數據科學團隊能夠快速地執(zhí)行大量實驗。低代碼AI平臺也非常適合將數據工程師和業(yè)務分析師提升為公民數據科學家，減少對各行業(yè)領域中稀缺的專家數據科學家的依賴。

　　2、分布式模型訓練是AI建模的核心

　　數據科學團隊需要對數千個模型進行實驗。AI模型如今變得相當復雜，有數百萬個參數。而在低代碼的控制下，同時進行多個實驗的能力增加了很多倍。但要實現這數千個實驗，數據科學團隊需要一個符合成本效益的計算系統(tǒng)，根據需求進行擴展。采用傳統(tǒng)方法訓練這些復雜的、記憶密集的實驗是一個巨大的挑戰(zhàn)，以分布式計算為主導的模型訓練可以幫助解決這一挑戰(zhàn)，并且是實現可擴展的企業(yè)AI的核心。

　　3、機器學習運營（MLOps）的應用快速增長

　　麥肯錫在其2021年發(fā)布的調查報告中指出，MLOps的使用是企業(yè)從AI獲得成功回報的決定性因素。MLOps在AI領導者和數據科學家中越來越受歡迎，因為它將機器學習從實驗階段帶入生產階段，并涵蓋了企業(yè)數據科學過程的主要部分。當數據科學主管必須在生產環(huán)境中使用版本控制、快速擴展等功能管理和刪減生產環(huán)境中的數百個模型時，這確保了更好的治理。

　　4、AI的信任和可解釋性

　　AI不再被視為一個黑盒。越來越多的人開始投資AI，以做出關鍵的業(yè)務決策。因此，克服信任AI自動化敏感流程的挑戰(zhàn)變得至關重要。整個場景導致了可解釋的AI的出現，它有助于理解做出決策的因素�？山忉尩腁I的透明度是建立對AI的信任并提高其采用率的關鍵。

　　5、AI在網絡安全中的應用

　　隨著網絡威脅的復雜性增加，企業(yè)正在將AI融入到他們的安全解決方案中。AI現在正在處理日常存儲和保護敏感數據，以作為自動化網絡威脅預防和保護的下一步。它正被用來進一步增強情報分析能力，以檢測潛在威脅或模式，識別網絡攻擊者的潛在意圖。

　　成功采用AI的秘訣

　　埃森哲的一項研究表明，與追求單一概念證明的企業(yè)相比，戰(zhàn)略性地擴大AI規(guī)模的企業(yè)的成功率和回報分別是前者的兩倍和三倍。

　　事實表明，處于AI采用初期階段的企業(yè)的投資回報率可能并不高。AI必須在整個組織中進行擴展，以確保該技術能夠為企業(yè)做出巨大貢獻。

　　通過將AI集成到核心業(yè)務流程、工作流和客戶旅程中，可以優(yōu)化其日常運營和決策任務。麥肯錫在研究報告中預測，采用這種方法的企業(yè)很可能實現價值和規(guī)模的增長，其中一些企業(yè)甚至增加了約20%的收入。

　　成功擴展AI

　　成功擴展AI的關鍵驅動取決于特定的因素，例如人員、AI軟件和計算基礎設施。為了提升AI成熟度，企業(yè)需要了解數據洞察的來龍去脈，并將其納入業(yè)務流程。

　　其中一個重要的需求是采用能夠有效且高效地支持日常業(yè)務的AI系統(tǒng)，例如支付、交易量、銷售額，甚至生成季度報告。企業(yè)各部門的人員采用AI可以輕松地訪問數據洞察，而不會受到任何部門的制約。隨著企業(yè)規(guī)模的擴張，AI可以幫助其為現有產品探索新的領域或開發(fā)新產品。

　　結語

　　企業(yè)需要探索AI好處和可能性，并對其AI投資采取戰(zhàn)略方法。而采用AI，企業(yè)可以做的不僅僅是加速或自動化現有流程，還可以充分利用新的機會，提高AI在員工、客戶和利益相關者中的影響力。