全世界的IT领导者和业务主管都认识到了AI实施的战略重要性，但令人惊讶的是，很少有人超越了实验。凯捷(Capgemini)最近的一项调查发现，只有13%的公司已经从概念验证(POC)转向了在整个企业范围内扩展AI。

使AI投入运营的努力很痛苦，因为它代表着时间和资源的浪费以及未实现的潜力。文章中充满了建议，框架和宣言，其目的是缩小AI概念与企业交付之间的差距(包括一项彻底消除POC的建议)。其中许多都是聪明的，值得的。但是，在任何一个案例中我们很少看到的是对人类进行投资的违反直觉的建议。

我们已经看到多个组织创建了将AI投入运营的明确意图的数据科学团队，并且我们已经取得了一些成功。我们了解到，要使AI投入运营，通常需要增加人员的参与度。这里有一些建议：

1.扩展团队的技能。

数据科学家花费一小部分时间来构建AI模型。他们花费大部分时间来了解业务问题，收集和清理数据，从业务环境解释数据，探索利益相关者提出的假设以及更多内容。尽管很复杂，但是建立模型-预测或推荐引擎-是最简单的步骤之一。

通常最困难的部分是建立必要的支持系统以实现AI的运行。组织不能仅仅雇用一组数据科学家并期望他们能够成功。除数据科学家外，组织还需要软件开发人员(越来越多的数据和机器学习工程专家)和程序经理。专长于效力，泛滥于效率。建立正确的实践社区，并在效率和有效性之间进行适当的权衡。

2.发展团队能力。

保持人脉是成功的必要条件。设计最出色的模型远非万无一失。型号坏了。未检测到的错误会迅速加剧。您将需要知识渊博的人员来监视您的AI系统并在出现问题时做出响应。此外，您将需要团队不断发展自己的能力。

考虑完成四年大学，四年医学院和多年居住权的医生。然而，他们的教育从未停止。随着新发现的出现和最新技术的发展，医生不断发展。您的团队也必须如此。您的团队需要具备必要的技能，以利用技术和算法的进步。

3.为业务翻译。

业务洞察功能对于任何可操作的解决方案都是至关重要的。无论流程多么自动化，它仍在解决业务问题。向业务部门报告有效的方法和原因，这对于AI的成功至关重要。例如，如果AI模型是推荐引擎，那么它达到目标的效果如何?什么有效，什么无效?谁根据建议采取行动?根据到目前为止的经验，我们应该重新设计产品还是提供产品?这些以及许多其他以业务为导向的问题应被提出，回答和传达。