今天的首席信息官必须确保他们的组织拥有能够支持与人工智能相关的数据和应用程序的“人工智能就绪”基础设施。
挑战不在于是否拥抱 AI，而是如何让组织做好准备，以增加业务价值和降低风险的方式采用 AI。 CIO 还必须考虑如何围绕 AI 建立一套独特的企业能力。 所有这一切都要求 CIO 对其企业基础架构以及它应如何发展以支持与 AI 和数据相关的当前和未来功能建立一个整体视图。
在 CXOTalk 的第 706 集中，著名作家兼投资者 Ash Fontana 解释了首席信息官如何开发“AI 优先”的运营模型作为 IT 作为业务能力的框架，而不仅仅是技术提供商。 Ash 是这本书的作者：AI-First Company：如何通过人工智能竞争和取胜
观看我们完整的深入对话并阅读完整的文字记录。 以下是我们对话中经过编辑的评论：
为人工智能和机器学习的“黄金时代”做准备
什么是 AI-first 公司？
它可以是一家现有公司，它开始将 AI 放在每次对话的开始，在每次会议的议程中放在首位，或者它可以是一家专注于收集正确数据并具有战略意义的新公司，将其输入到 正确的系统，构建具有预测价值的产品。
这就是 AI-first 公司的本质：一家公司必须构建这些系统，并且从第一天起就需要专注于此，这样您就可以在正确的位置将正确的数据输入正确的模型。 而不是稍后尝试将 AI 散布在您意外收集的数据上。
其含义是在考虑预算时关注数据管理、数据收集和数据人才或具有数据能力的人才，将注意力集中在哪里。
关于投资数据基础设施
当你真正专注于收集数据时，你收集数据的所有奇怪而美妙的方式是什么？ 例如，您如何管理数据标签操作？ 这是一个全新的挑战。 这不是过去存在的功能。
在招聘人员时，产品经理和数据产品经理有什么区别？ 软件工程师和数据工程师有什么区别？ 项目经理和数据项目经理有什么区别？ 他们是您从不同背景雇用的不同角色。
还有一系列组织问题要问。 您如何在您的组织中选择合适的集中度和分散度？ 您如何充分集中以便拥有良好的数据基础架构，您拥有一套良好的工具供人们在整个组织中使用来构建模型？
此外，您如何保持一定程度的权力下放，以便数据科学和机器学习人才能够在现场了解您的业务所面临的预测问题？ 在野外与拿着剪贴板的人一起核对安全清单上的东西或仓库中的库存或诸如此类的东西。 他们了解哪些数据可用、人们试图做什么、人们试图自动化什么等等。 这是一个组织问题。
最后还有指标和测量。 人工智能优先公司与普通软件公司的指标有何不同？ 您如何真正衡量 AI 项目的投资回报率？ 您如何理解这些模型是否有效？ 那么，您如何确保他们受到控制？
关于 CIO 在企业 AI 中的角色
当您考虑对数据基础设施、数据收集和数据人才的资本分配时，CIO 的角色会发生相当大的变化。 它会随着您管理或构建组织的方式而变化，也会随着您的指标和测量内容而变化。
您对此的关注程度有很多细微差别，具体取决于您在旅途中所处的位置。 例如，取决于您是否只是试验一些模型进行测试，我们是否真的可以预测对我们正在销售的产品的需求，对我们下一季销售的服装的需求？ 我们能否与我们的消费者一起预测这个行业的趋势，他们是否会在下一季购买这种或那种颜色？ 我们能否围绕供应链中的交货时间做出预测？
您是否处于这个阶段，您正在试验并尝试从您拥有的数据中学习？ 你在数据收集、数据基础设施和机器学习不同模型上的投资程度与你完成这些实验后的程度非常不同，你确信你可以做出这些预测，并且你想加倍努力。
什么是“精益人工智能”？
精益创业就是为了限制我的问题和我的实验，以了解客户是否想要产品的某个功能，并了解是否真的有这种需求。
精益 AI 将实验限制为测试客户是否想要，或者他们是否重视预测或一点自动化。
有一系列问题可以帮助您弄清楚：
例如，我需要哪一个数据集才能让实验不需要从许多不同的地方获取大量数据？
我可以使用的单一模型是什么？ 通常，它是一个非常简单的统计模型，而不是拥有以复杂方式相互关联的机器学习模型网络。
我可以在哪台机器上运行它？ 只需首先在某人的笔记本电脑上运行它，而不是分布在整个计算基础设施中。
我可以获得的对人们有用的输出是什么，无论是图表、单页报告还是信息数据表？
