IBM的“精英”数据科学团队已经启动了100多家公司的AI

 
去年，IBM宣布了一个Data Science Elite团队，其唯一工作是帮助大型企业将其首批AI模型推向生产。
现在，在该计划启动一年多之后，负责监督AI SWAT团队的IBM高管Rob Thomas报告说，这是“巨大的成功”。该团队已经从30名数据科学家增加到100名，并计划明年显着增长。托马斯说：“实际上，我们会尽可能地雇用他们。”他指出，这些数据科学家遍布全球。 (作为广泛采访的一部分，托马斯向VentureBeat讲述了这个精英团队的情况。)
哈雷戴维森(Harley Davidson)，汉莎航空(Lufthansa)，益百利(Experian)，斯普林特(Sprint)，家乐福(Carrefour)和西门子(Siemens)等众多公司利用该团队为AI项目提供必要的启动机会。最好的部分是：全部免费-或至少没有合同义务要支付。 IBM押注公司会足够喜欢这些产品，并且对机会感到非常兴奋，以至于他们将保留IBM进行这些项目的开发，即为IBM的云，大型机或其他服务支付真金白银。
团队总共在115家公司中进行了130次此类活动。团队会在四到六周内迅速完成这些项目。这比该小组最初设想的“最多12周”时间表要快得多，部分原因是为了降低成本，也因为IBM意识到可以更快地取得成果。这些结果采用AI模型作为API部署的形式-允许公司将AI集成到其任何应用程序中。
IBM数据和Watson AI总经理Thomas表示：“在这段时间内，您将拥有出色的AI成功故事和生产模型。” “这些是世界上最好的数据科学家之一。”
怎么运行的
IBM数据和AI副总裁，IBM Cloud首席数据官，团队的主要架构师Seth Dobrin认为，这是逐步的方法。
CTO对话：首先，IBM数据团队与公司的首席技术官(CTO)进行对话，以确定他们要解决的真正问题并就适用范围达成一致。
设计研讨会：精英团队随后围绕AI启动了一个设计思考研讨会。最好是连续两天，但可能只是一天。在这里，团队与公司的主题专家会面，讨论AI项目将推动的业务决策的价值。它还可以确保有足够的可用数据和质量数据。制定一个计划，通常包括三个冲刺。
冲刺。这就是平视编码的地方。在第一次冲刺中，工程师提取数据和工程师特征。在第二次冲刺中，他们开发了功能并在模型上进行了第一遍。第三个冲刺调整该模型，并确保它可以交付客户所需的东西。然后，小组将模型部署为API。在大多数情况下，IBM尽力将这些API与公司的应用程序集成在一起，尽管在某些情况下，它确实将API集成到了IBM的白标虚拟助手Watson Assistant中。
可视化：在整个过程中，IBM还邀请另一个团队(数据可视化专家)设计项目输出所需的外观，以便它不仅是API，而且还为业务用户提供了如何使用AI的上下文用过的。
扩展：最后，在上述步骤启动项目之后，客户可以接管或使用IBM的一项服务来接管，或者还有第三个选项，称为Build。这是一项共同投资，IBM同意承担该项目12周延期费用的一半。
成功范例
Dobrin说，该团队已经为几乎每个行业的公司提供了帮助，从体育赛事安排到呼叫中心优化，欺诈检测和图像识别。
Dobrin说，至少从客户的角度来看，几乎所有这些都被认为是成功的，因为对问题的广泛的前期定义以及由此产生的部署客户不愿使用的AI的方法。
银行业务：南非的Nedbank银行就是一个很好的例子，该银行希望找到一种方法来预测哪些ATM机将要发生故障，哪些将首先进行维修。 Dobrin说，当IBM完成时，内德银行高管“第一次感到像，他们真的知道如何以有意义和有价值的方式在企业中实施机器学习和AI。”然后，银行可以借鉴IBM的蓝图。他说，它已经展示并复制到业务的其他领域。
交易：另一个例子是摩根大通，它对人工智能有很深的了解，需要使用银行已经拥有的工具来寻求帮助，但方式却不同：利用GPU作为计分引擎。 Dobrin说，IBM为该项目提供了帮助，该项目旨在防止该银行的交易员进行其复杂模型不建议的交易。
广告素材代理商：WPP旗下的广告素材代理商Wunderman Thompson，在利用其数据和17,000个功能为客户量身定制营销活动方面遇到了挑战。它被迫一遍又一遍地使用相同的过程模板。 Dobrin说，该机构与IBM团队完成了为期八周的合作，“第二天实际上将其转变为他们向客户销售的产品”。他说，现在每个客户项目都是根据数据科学定制的。
得到教训
Dobrin说，IBM及其客户在此过程中已经学到了一些宝贵的经验教训：
主题专家的重要性：在Nedbank案中，IBM忠实地提供了一个模型，该模型将根据最有价值的ATM安排ATM维修。这个方向来自与IBM合作的三位Nedbank经理。但是后来其他银行团体争辩说，优化另一个指标更为重要。约翰内斯堡的交通实在太糟糕了，付钱给卡车司机的钱远远超过了首先维修最有价值的自动取款机所能获得的一切。多布林总结说：“您真的需要在房间里工作的人，而您不需要二线或三线经理。”
最简单的解决方案是最好的：在Nedbank案中，该银行基于规则的欺诈检测系统正在制造大量误报。因此，银行停止了原本合法的交易，打乱了客户。当Nedbank的高管要求IBM用AI代替银行的欺诈检测引擎时，Dobrin说他的团队大声地想知道为什么他们要替换有效的东西。他说：“为什么我们不只专注于减少误报?” Dobrin说，IBM的项目将误报率降低了几个数量级。 “如果有什么需要改进的地方，那就从您拥有的地方开始。”
尽早引入可视化：IBM学会了较早引入数据可视化专家，以建立最终用户可以理解的界面。 Dobrin说，数据科学项目有时不能很好地解释它们为何有用的原因，因此将它们集成到应用程序或仪表板中很重要。当精英团队开始工作时，由于IBM几乎没有数据可视化专家，因此在项目结束时将这些仪表板一起砍掉了。但是IBM学会了将它们引入早期。 Dobrin表示，在一个案例中，石油和天然气公司James Fisher发现了IBM团队创建的用于预测传输线故障的“美丽”可视化工具，这是八周合同中最有价值的部分之一。
需要一个具有设计思想的讲习班：IBM认为除了可视化之外，还需要对项目设计进行总体同步，包括需要什么数据以及数据在哪里。在介绍研讨会之前，IBM将与客户一起进行项目，并在他们说准备好数据时信任他们。但通常他们没有。更糟糕的是，客户无法确保其数据的质量，有时还无法正确标记数据。十二周的活动将扩展为24周的活动。 “当客户确实应该这样做时，我们必须首先将数据排序。”
人工智能要领：Python，Spark，Tensorflow和Kubernetes
通过精英团队的部署，Dobrin已经发现与AI合作的公司需要掌握一些必不可少的工具和框架。
首先，与IBM团队合作的客户使用三个关键工具：Watson Studio，它使公司可以构建和训练AI和机器学习模型，并在混合云中准备和分析数据; Watson Machine Learning，Watson Studio的部署引擎;和OpenScale，随着时间的推移适应和控制AI模型。
但是除此之外，成功的团队需要成为Python专家，并且知道如何利用市场领先的工具（例如Spark和Kubernetes）来加速和分发带有容器的数据处理，Dobrin说。分发很重要，因为成功的公司需要能够在每个云上进行部署。 “他们在IBM，Google，Azure，Amazon，Salesforce，Workday，Concur上，” Dobrin说。 “而且，如果没有以某种方式对其进行容器化，它将变得站不住脚。”如果客户想进行深度学习，他们还需要Tensorflow之类的框架。随着时间的流逝，IBM的精英团队扩大了项目，以包括Watson Discovery（一种用于AI特征识别的工具）。此外，多布林说，与该团队合作的多家公司将其模型输出插入了Watson Assistant。
扩张
数据科学精英小组计划明年发展，并将模型扩展到其他领域，包括数据运营。 “我们建议相当大地发展团队。我还不知道确切的数字。但是有一个增长计划。”多布林说。