图灵汇官网

在经历了多年的研究与开发后，人工智能与机器学习正逐步渗透至企业的各个角落，触及从日常办公自动化到高端科研应用的广泛领域。然而，当企业试图将这些技术从局部应用推广至整个公司的全面整合时，往往会遇到一系列挑战，包括数据质量的不足、专业人才的短缺、清晰目标的缺失以及对风险与责任的顾虑。

一份由摩根大通委托并共同编制的MIT Technology Review Insights报告揭示了这一转型过程中的关键动因与阻碍。该报告基于对三百名高层管理人员的调研与七位来自金融、医疗保健、学术与技术领域的专家访谈，详细阐述了人工智能与机器学习部署的复杂性。

报告指出，大多数企业（93%）已启动或实施了人工智能与机器学习项目，并且大型企业在这一领域更为积极。未来一年内，超过八成（82%）的企业预计会加大对机器学习的投资，并将其视为实现目标的重要工具。然而，如何有效扩展应用范围成为一大难题，涉及到吸引具备技术背景的员工、寻找合适的应用场景以及展示技术价值。

为了成功推进部署，企业需构建多元化人才体系，不仅限于招募数据科学家，还需培养能够指导人工智能与机器学习设计、测试与管理的复合型人才，并制定策略确保所有员工都能参与技术创新。提升员工技能与参与度，对于推动人工智能与机器学习的创新至关重要。

卓越中心（CoE）作为技术支持的基础，平衡了技术共享与定制解决方案的需求，特别是在大型企业中，内部系统开发较为普遍。CoE采用“轮辐模型”（hub-and-spoke model），通过跨部门协作，开发通用解决方案与个性化工具，促进技术普及。

在人工智能与机器学习的治理层面，企业应建立一套完善的操作机制，确保数据透明、遵守法规、负责任地运用AI。随着多系统集成，自动化工具的使用可能引发网络安全、歧视与市场波动等问题，相关监管机构与社会团体对此进行了深入审视，尤其关注可能产生系统性影响的领域。

综上所述，企业需要构建一个全面的数据来源、风险评估、监控与控制体系，以负责任的方式推进人工智能战略。这不仅需要技术手段，如自动识别AI模型故障或风险，还要求企业层面的社会、文化和业务层面的变革。