本文最初由麦肯锡公司发表。版权所有 (c) 2021。保留所有权利。经许可转载。
麦肯锡最近发布的人工智能现状调查强调了最佳实践、风险管理的重要性，以及企业如何最大限度地发挥人工智能的潜力。
三位人工智能专家深入解读调查结果，并回答关键问题。
内容包括重要发现、高绩效企业以及推动变革的关键因素。
麦肯锡最近发布的人工智能现状调查结果已经出炉。该调查在疫情之年开展，涵盖了全球各行业约1,800名受访者。
调查结果显示，人工智能的采用持续扩大；全面践行最佳实践对实现高绩效至关重要；风险管理仍然复杂且充满挑战。这是我们开展该调查的第4年，也是MLOpsMLOps（机器学习运营的简称，指人工智能商业应用的最佳实践）和云技术首次成为关键的差异化因素。
下文中，我们的三位专家将深入分享研究见解：Michael Chui 谈最新人工智能趋势，Liz Grennan 带我们了解人工智能与风险的复杂领域，Kia Javanmardian 则探讨 MLOps——业内最热门的话题之一。
Michael Chui
调查结果中，哪些发现最让您印象深刻？
从人工智能中获益最多的企业，正在推动自身能力专业化或产业化。这些高绩效企业的利润中，归因于人工智能应用的比例最高。它们未必花费更多，但项目成本往往能控制在预算之内。相比之下，其他企业的人工智能项目更容易出现成本超支。
调查发现，人工智能领域的高绩效企业遵循了许多最佳实践。这是否意味着必须全盘采用，否则就毫无成效？
不是，但这些实践带来的效益会相互叠加；最佳实践之间确实能相互配合、彼此增益。
高绩效企业已采用 MLOps。这是一套实践方法和组件工具，类似于软件开发和部署中的 DevOps，过去几年逐渐兴起。将这些方法和工具结合起来后，训练、部署和测试模型的速度可以比把人工智能当作手艺活来做快许多倍。将这些流程自动化、产业化，就能反复且稳定地从人工智能投资中获得可观回报。
研究显示，云是推动 MLOps 的关键因素。原因是什么？
首先，云环境原生提供现成的工具、库和框架，可加快人工智能模型开发的整个生命周期。云还能够灵活地按需增减计算资源，在必要时重新训练模型时尤其有用。
综合来看，这些调查结果表明，MLOps、云以及其他最佳实践的结合，为大规模实现人工智能价值奠定了良好基础。
Liz Grennan，专家副合伙人
在最新调查结果中，风险和人工智能是如何相互关联的？
绩效最高的企业也在积极应对人工智能风险管理问题。一个令人担忧的发现是，网络安全在各项关注事项中的排名持续下滑。各组织之间没有统一的网络安全标准。在我看来，这凸显了每个组织都需要制定自己的框架，而这并非易事。我们看到三类风险：网络安全、数据和人工智能。三者完全相互依存，需要采用一体化的风险模型。
人工智能风险管理不善会造成哪些后果？
最严重的后果之一，是让系统性歧视和不公持续存在。具体来说，训练数据存在偏见，可能导致女性无法获得工作机会；有色人种可能因此被拒绝就业、贷款申请、住房及其他福利。疫情期间曾有这样一个例子：一些学生无法参加考试，尽管他们个人成绩记录优异，却仅因就读于一所历来成绩欠佳的高中而被大学拒之门外。用于生成替代考试成绩的算法本身就带有偏见。
如果缺乏人工智能风险管理，不公可能在组织中根深蒂固，还可能被系统的复杂性进一步掩盖。
企业该如何着手建立人工智能风险管理计划？
最简单、也许也是最有力且最适合的起点，是先确立希望企业秉持的一系列道德价值观，然后梳理如何将这些价值观落实为一套框架，并确定据以开始评估风险的视角。
总体而言，公平和隐私是两项非常重要的价值观，此外还包括安全、可解释性与透明度、模型性能以及安全保障。了解适用于所在行业和地区的法规也很重要。
人工智能风险与网络风险有什么关系？
复杂的人工智能系统是理想的攻击目标。人工智能应用规模越大，威胁也越大。恶意行为者如果破坏模型并植入有害、有缺陷或错误的数据，就可能造成损害，以非常直接而深远的方式影响大量人群。
什么让您对未来保持乐观？
我与一个组织合作，它立志成为人权议题上的全球领导者，因为他们“以良知为先”。他们会先提出以价值观为驱动的愿景，然后衡量其可行性、成本及其他相关业务因素。他们希望让自身价值观成为市场差异化优势；正是这种立场让我感到乐观。
Kia Javanmardian，高级合伙人
为什么 MLOps 对人工智能的落地应用越来越重要？
我们一直用汽车工厂作类比，而且这个类比相当贴切：MLOps 就是你为扩大分析能力而建造的工厂。这里有几个重要的总体概念。
第一步是将部分原本用于研发和试点的资金转投基础设施建设，以便大规模生产并扩展人工智能项目。你还需要监控模型使用的数据——沿用汽车的比喻，就像油量表或仪表盘——以跟踪进出模型的数据质量以及模型的性能水平。
第三，如果每辆车都从零开始造，连门把手也不例外，那么造好每辆车都要耗费大量时间和精力。
那么，MLOps 如何发挥作用？
它基于这样一个理念：建立标准零部件或代码库。数据科学家将不再只负责创建模型，而会把相当一部分时间用于将模型沉淀为资产，把它们转化成可重复使用的乐高式组件。
最后，你不会让设计汽车的人员，也就是最优秀的工程师，去负责组装和维护汽车。相反，他们会专注于如何在今天把发动机马力从400提升到800。
MLOps 的普及程度如何？
Google 和 Amazon 这样的数字原生企业多年来一直在实践 MLOps，以构建自己的产品。大规模采用 MLOps 的非数字原生企业寥寥无几。
人们听到 MLOps 时会怎么想？
管理者理解问题所在，但可能会被解决方案的复杂性压得喘不过气。这项工作技术性很强，涉及数据基础设施、治理、风险实践和系统，也关系到组织变革、人才结构和角色演变。
这确实令人望而生畏。但采用 MLOps 的企业，在人工智能投资相对相同的情况下，获得的回报会高出几个数量级。
