人工智能在企业内部运用往往起步缓慢，从概念阶段到试点选择，再到测试、最后部署，但伴随这些开创性项目成熟，以及更多人工智能应用发现、尝试，企业必需连续重新评估其战略，并寻求加快其人工智能部署，以跟上步伐，瞄准更大意向，
这是摩根大通〔JPMorgan Chase〕商业银行人工智能、机器学习部门掌门人Daniel Wu主张，
近年来，由于计算本事、开放灵活软件、无敌算法及人工智能相关应用发展，人工智能在各個行业火速雄起、扩张，但企业不应固守人工智能早期成功，相反，伴随更多经验积累，现在是加速这些奋勉、进一步普及人工智能独创好时机，这能够协助企业运用这些仍在开发工具来推动他们商业意向、战略，
为进一步推动人工智能应用落地，企业须要从他们已经晓得基石开始，涵盖数据、硬件、IT人员、治理、运作，
咱们应该如何构建人工智能本事是一個十分棘手难题，任凭对于任何规模组织、其持有资源类型来说，显然，数据是最引人注意，对于数据科学家、机器学习从业者来说，最大痛点是“脏数据”〔深度阅读—〕，
“大约60%开发者员感觉‘脏数据’是他们最先选难题，大约30%数据科学家说数据可用性是他们最先选障碍，
这样数据挑战并非新鲜，况且已经存在很长时间，你可以看到到处都是数据竖井，跨职能领域，每個团队开发自己搞定方案，创建自己数据资产，而不探究数据资产如何在整個组织中运用，对于很多多年前开发IT系统来说，并未在创建之初就探究到正确数据模型要紧性，在当时，功能、性能需求是最要紧，很少探究到数据后世用于其他需求，
DanielWu说：“就使在今天，很多公司都在经历数字转型，他们正在将自己当地数据腹地引入云计算，在这個过渡期间，会发生一种混合、尴尬状态，一一部分数据在云端，另一一部分数据在你自己私人数据腹地，大多数时候，这会造成无需需重复，”
为搞定这個难题，并更好地为今天人工智能运用准备数据，一种策略是投资于数据清理，这是仅此一次前期本钱，清理、整合数据，他说，为确保在后世更好地发挥作用，企业应该实践以数据为腹地设计，数据应该从一开始就放在最先席，作为每個流程、技术一一部分，数据不应该是“二等公民”，咱们应该使数据搞定自动化，很多组织依旧有很多手动步骤来执行某些步骤或脚本，以完成他们ETL〔提取、转换、加载〕，自动化一一部分是确保在过程中纳入数据治理、编目，使其变成一個完整过程，
必需让数据更容易获取，以进一步推动人工智能运用，
可以经由为组织、数据就业者奠定一些自助工具来实行这一点，这样他们可以更容易地获得数据，同时也应该着重可重用性，这些步骤还将协助企业在模型开发过程中节省大量时间，从功能集角度探究，这是一個非常流行势头，这些可重用功能，你可以运用它来构建多個搞定方案，
在创建更多语言模型方面，Daniel Wu也有新想法，
“没有必需让每個组织都开发各异大型语言模型，”Wu说，“咱们应该利用已经开发东西，只须要对模型实行一些改进、调整，使其服务于各异业务用例，”
企业可以探究利用分层人工智能模型架构，这种架构在大多数情况下更通用，同时允许创建更具体模型，以满足特定业务情况，反正，要推动人工智能加速，须要不光是数据、计算、建模，还须要技术熟练、训练有素、富有想象力IT就业者，他们可以将自己独创带入人工智能，协助推动公司使命，
“咱们都晓得全球人工智能人才短缺，”他说，但人才分布不平衡也加剧这個难题，为搞定这個难题，企业必需找到减轻AI团队负担方法，确保他们专注于开发模型，而不是搞定组织中琐事，
38%组织把数据科学家50%以上时间花在操作上，极具是部署他们模型，只有11%公司能在一周内将模型投入生产，大约64%人须要一個月或更长时间来完成生产集成，并对模型实行百分之百培训、验证、测试，对于大多数组织来说，最后完成须要一個多月时间，
咱们须要奠定机器学习操作本事，从以模型为腹地想法转变为以数据为腹地想法，想想你可以经由获得更非常好数据来训练模型，而不是专注于发明另一個更无敌模型架构自身，于是轻松获得多大提升，
控制这些难题一個要紧步骤是认识到变更管理要紧性，同时还要维持从数据到模型清晰逻辑，这样您就可以持有或增加复制模型本事，
最后，就使一個组织模型被开发、部署，部署搞定方案并将其带给客户什么风险?这是事后才想到，这往往是最后最大障碍，阻止搞定方案应用落地、普及，
企业面对挑战是别只探究产品上线时间，还须要探究做正确事情，这样你就不会回到起点，只好去重新开发整個搞定方案，那要贵得多，同时也要满足监管要求——在人工智能开发方面有很多道德规范，组织必需尽早搞定，以降低这些风险。
