论文部分内容阅读
你是否乐观地认为人工智能（AI）将会影响转型？你是否认为企业正在从以数据驱动决策为基础的辅助型智能向下一代的增强型智能过渡？对于后者，企业需要设计能够强化人类智能与交互的机器。一切皆有可能，但是前提是人，没有人就一切皆无可能。文化是由人来推动的。
我们需要设定愿景、启用跨功能的协作、设计企业文化，因为愿景、合作和文化是创建世界一流人工智能“卓越中心”的三大支柱。无论你是对标准化与集成，利用数据资产还是对评估业务价值感兴趣，卓越中心（COE）都可以提供企业成功所需的治理或资源平衡。
为了真正掌握卓越中心背后的愿景，让我们回溯一下它们的根源。卓越中心是建立在权力集中化理念之上的，其具有系统性和一致性。这种集中化的优势包括直接的责任和职责、清晰的决策，以及当权者相信权力集中化可更好地为他们带来利益。紧随这些优点之后的是缺点，如决策并非由了解问题的人所做出的，由于信息传播速度慢而导致执行延迟，以及将可能有助于做出更好决策的某些资源排除在外。
在工業革命期间，我们开始看到了新的制造理念，特别是从家庭生产制（散工制）到工厂生产制的转变。家庭生产制将材料运送到农村生产者手中。以这种分散的方法提供的产品不仅价格相对较高且质量也良莠不齐。工厂生产制则使用机器大规模集中生产商品。这种新方法降低了成本并提高了工人效率。工厂生产制的采用提出了一个新的问题：我们应该在哪里生产商品？
人工智能卓越中心的组织架构设计直接影响到了人工智能卓越中心与企业其他部门之间的协作程度。区位理论专注于预测经济活动的理想地理位置。简而言之就是企业应位于何处？我们是否关注差异成本？生产与配送之间的距离矛盾是否是一个问题？这些概念似乎已深深植根于传统制造业，当今的企业高管很少谈论或考虑这些。
有趣的是，我们可以在具有试验性质的卓越中心架构设计和区位理论之间找到相似之处。以下三个主要的区位理论有助于我们理解设置人工智能卓越中心时需要注意的一些组织架构设计注意事项。
·德国经济学家阿尔弗雷德·韦伯（Alfred Weber）建议，制造工厂应设在成本最低的地方（最低成本理论）。韦伯理论考虑了运输、劳动力和集聚等成本。
·美国数学统计学家、经济理论家哈罗德·霍特林（Harold Hotelling）提出了霍特林理论。该理论提出了以下原则：不参考其他同类行业就无法理解行业的位置，他建议位置选在客户（集群）附近。位置相互依存的观点将企业的地理位置与其经营和创造利润的能力联系在了起来。
·专注于区域和城市经济学的德国经济学家奥古斯特·廖什（August L?sch）研究了区位经济学。廖什的理论认为，制造厂应位于能够实现最大利润（利润区）的地方。
韦伯理论、霍特林理论和廖什理论都认为，企业应该将利润转移到净利润最大的地方。从表面上看，这似乎是常识，但是在将这一概念应用于卓越中心时，我们较少关注利润，而更关注持续的价值交付（这可能会，也可能不会立即涉及利润）。现在我们要思考企业中的哪个地方产生了最大价值？
历史并不能成为预测未来成功的依据，但是了解它们并借鉴过去的错误没有什么坏处，至少企业不会再犯一模一样的错误。
我们得出以下观察结论：
·集中化技术可以有效地分发通信，能够最大限度降低信息出现偏差的可能性。
·由于具有定制性和分布性，去中心化的方式有助于招聘工人。
·区位理论引入了一个概念，即企业应该位于能够实现价值最大化的地方。
我们需要将这些概念应用到人工智能卓越中心当中。纵观卓越中心的发展历史，我们找到了一些有用的经验：
·在传递企业愿景的过程中，卓越中心的集中管理可最为有效地防止发生偏差。
·去中心化的员工参与模式有助于提高参与度和加速卓越中心在企业中的采用。
·卓越中心应该让功能报告实现集中化（强制性），在操作上必须内置在能够产生最大价值的地方（在公司内部）。
当我们针对持久性、弹性和加速部署而设计建造人工智能卓越中心时，这些概念提供了一些富有远见的原则。具体而言，优秀的设计对于支持企业价值观、信念和行为的发展至关重要，这样有助于以数据为中心的文化获得认可，进而让“人工智能优先”的思维模式获得支持。
建立“人工智能优先”思维模式只与文化和人有关，而与技术和数据无关。有了“人工智能优先”、人和人工智能文化，那么能否衡量人工智能卓越中心的价值呢？
通过设定愿景可以明确人工智能卓越中心的目标。与此同时，人工智能卓越中心用于决策的原则也需要被明确。那么人工智能卓越中心的期望是什么？人工智能卓越中心的基本价值主张是什么？如何共同创造价值以深化共享所有权？
愿景确定后，如何实现协作将成为重点。人工智能卓越中心团队将如何与现有的内部组织架构（团队，部门和部门）进行协作？何时选出和确定人工智能精英？如何激励人工智能社区积极参与？
现在开始针对文化转型进行设计。如何定义“数据即资产”文化的临界点？哪些基准可以展示行为上的文化转变？个人绩效计划如何与人工智能优先思维方式联系在一起？哪些传媒形式将用于教育和宣传？
规划人工智能车间、确定人工智能试验项目、开办人工智能系列讲座都可以促进部署，让企业获得真正的人工智能。但是难点在于我们不知道何时能够取得进展。以下问题可以帮助大家评估自己的人工智能计划是否正在对价值实现产生积极影响：
·企业领导者是否能够将人工智能项目与业务成就联系起来？
·现有的业务精英是否是人工智能社区的一部分？
·人工智能试点项目是否对价值实现进行了量化？
·企业资源能否阐明它是如何为人工智能社区的知识做出贡献的？
·资源是否可以进入企业并根据人工智能优先思想解释其角色是如何发生变化的？
·随机抽取的企业资源是否能够阐明企业人工智能卓越中心的价值主张？
·人工智能卓越中心是否已集成到现有业务流程中，还是作为企业价值创造的局外人袖手旁观？
技术合作伙伴会建议你通过收集数据资产清单、检查技术堆栈和探索跨孤立区域的技术共享等方式开始人工智能卓越中心之旅。虽然这些措施在某些时候是必需的，但是人工智能卓越中心的成功在于人，而不是数据。我们需要设定愿景、 启用跨功能的协作和设计文化。
本文作者Peter B. Nichol为业务和技术主管，其在数字创新方面获得了CIO.com、麻省理工学院斯隆管理学院、计算机世界、Computerworld、BRM学院和项目管理学院的认可。
原文网址
https：//www.cio.com/article/3452583/designing-an-artificial-intelligence-center-of-excellence-for-disciplined-transformation.html
我们需要设定愿景、启用跨功能的协作、设计企业文化，因为愿景、合作和文化是创建世界一流人工智能“卓越中心”的三大支柱。无论你是对标准化与集成，利用数据资产还是对评估业务价值感兴趣，卓越中心（COE）都可以提供企业成功所需的治理或资源平衡。
愿景：学习集中化的价值
为了真正掌握卓越中心背后的愿景，让我们回溯一下它们的根源。卓越中心是建立在权力集中化理念之上的，其具有系统性和一致性。这种集中化的优势包括直接的责任和职责、清晰的决策，以及当权者相信权力集中化可更好地为他们带来利益。紧随这些优点之后的是缺点，如决策并非由了解问题的人所做出的，由于信息传播速度慢而导致执行延迟，以及将可能有助于做出更好决策的某些资源排除在外。
在工業革命期间，我们开始看到了新的制造理念，特别是从家庭生产制（散工制）到工厂生产制的转变。家庭生产制将材料运送到农村生产者手中。以这种分散的方法提供的产品不仅价格相对较高且质量也良莠不齐。工厂生产制则使用机器大规模集中生产商品。这种新方法降低了成本并提高了工人效率。工厂生产制的采用提出了一个新的问题：我们应该在哪里生产商品？
协作：人工智能卓越中心架构与区位理论之间的相似之处
人工智能卓越中心的组织架构设计直接影响到了人工智能卓越中心与企业其他部门之间的协作程度。区位理论专注于预测经济活动的理想地理位置。简而言之就是企业应位于何处？我们是否关注差异成本？生产与配送之间的距离矛盾是否是一个问题？这些概念似乎已深深植根于传统制造业，当今的企业高管很少谈论或考虑这些。
有趣的是，我们可以在具有试验性质的卓越中心架构设计和区位理论之间找到相似之处。以下三个主要的区位理论有助于我们理解设置人工智能卓越中心时需要注意的一些组织架构设计注意事项。
·德国经济学家阿尔弗雷德·韦伯（Alfred Weber）建议，制造工厂应设在成本最低的地方（最低成本理论）。韦伯理论考虑了运输、劳动力和集聚等成本。
·美国数学统计学家、经济理论家哈罗德·霍特林（Harold Hotelling）提出了霍特林理论。该理论提出了以下原则：不参考其他同类行业就无法理解行业的位置，他建议位置选在客户（集群）附近。位置相互依存的观点将企业的地理位置与其经营和创造利润的能力联系在了起来。
·专注于区域和城市经济学的德国经济学家奥古斯特·廖什（August L?sch）研究了区位经济学。廖什的理论认为，制造厂应位于能够实现最大利润（利润区）的地方。
韦伯理论、霍特林理论和廖什理论都认为，企业应该将利润转移到净利润最大的地方。从表面上看，这似乎是常识，但是在将这一概念应用于卓越中心时，我们较少关注利润，而更关注持续的价值交付（这可能会，也可能不会立即涉及利润）。现在我们要思考企业中的哪个地方产生了最大价值？
文化：为人工智能卓越中心找到家
历史并不能成为预测未来成功的依据，但是了解它们并借鉴过去的错误没有什么坏处，至少企业不会再犯一模一样的错误。
我们得出以下观察结论：
·集中化技术可以有效地分发通信，能够最大限度降低信息出现偏差的可能性。
·由于具有定制性和分布性，去中心化的方式有助于招聘工人。
·区位理论引入了一个概念，即企业应该位于能够实现价值最大化的地方。
我们需要将这些概念应用到人工智能卓越中心当中。纵观卓越中心的发展历史，我们找到了一些有用的经验：
·在传递企业愿景的过程中，卓越中心的集中管理可最为有效地防止发生偏差。
·去中心化的员工参与模式有助于提高参与度和加速卓越中心在企业中的采用。
·卓越中心应该让功能报告实现集中化（强制性），在操作上必须内置在能够产生最大价值的地方（在公司内部）。
当我们针对持久性、弹性和加速部署而设计建造人工智能卓越中心时，这些概念提供了一些富有远见的原则。具体而言，优秀的设计对于支持企业价值观、信念和行为的发展至关重要，这样有助于以数据为中心的文化获得认可，进而让“人工智能优先”的思维模式获得支持。
建立“人工智能优先”思维模式只与文化和人有关，而与技术和数据无关。有了“人工智能优先”、人和人工智能文化，那么能否衡量人工智能卓越中心的价值呢？
衡量人工智能卓越中心的价值
通过设定愿景可以明确人工智能卓越中心的目标。与此同时，人工智能卓越中心用于决策的原则也需要被明确。那么人工智能卓越中心的期望是什么？人工智能卓越中心的基本价值主张是什么？如何共同创造价值以深化共享所有权？
愿景确定后，如何实现协作将成为重点。人工智能卓越中心团队将如何与现有的内部组织架构（团队，部门和部门）进行协作？何时选出和确定人工智能精英？如何激励人工智能社区积极参与？
现在开始针对文化转型进行设计。如何定义“数据即资产”文化的临界点？哪些基准可以展示行为上的文化转变？个人绩效计划如何与人工智能优先思维方式联系在一起？哪些传媒形式将用于教育和宣传？
规划人工智能车间、确定人工智能试验项目、开办人工智能系列讲座都可以促进部署，让企业获得真正的人工智能。但是难点在于我们不知道何时能够取得进展。以下问题可以帮助大家评估自己的人工智能计划是否正在对价值实现产生积极影响：
·企业领导者是否能够将人工智能项目与业务成就联系起来？
·现有的业务精英是否是人工智能社区的一部分？
·人工智能试点项目是否对价值实现进行了量化？
·企业资源能否阐明它是如何为人工智能社区的知识做出贡献的？
·资源是否可以进入企业并根据人工智能优先思想解释其角色是如何发生变化的？
·随机抽取的企业资源是否能够阐明企业人工智能卓越中心的价值主张？
·人工智能卓越中心是否已集成到现有业务流程中，还是作为企业价值创造的局外人袖手旁观？
技术合作伙伴会建议你通过收集数据资产清单、检查技术堆栈和探索跨孤立区域的技术共享等方式开始人工智能卓越中心之旅。虽然这些措施在某些时候是必需的，但是人工智能卓越中心的成功在于人，而不是数据。我们需要设定愿景、 启用跨功能的协作和设计文化。
本文作者Peter B. Nichol为业务和技术主管，其在数字创新方面获得了CIO.com、麻省理工学院斯隆管理学院、计算机世界、Computerworld、BRM学院和项目管理学院的认可。
原文网址
https：//www.cio.com/article/3452583/designing-an-artificial-intelligence-center-of-excellence-for-disciplined-transformation.html