吨除非组织重新构想如何完成工作，否则技术无法带来变革性的成果。今天的大多数领导者都在理智上理解这一点。然而，德勤的人工智能现状企业4th版本调查结果显示，在将其付诸行动方面存在脱节：在业务方面以及IT或数据科学团队内部的各种运营活动中，
只有约三分之一的受访者表示他们已采用领先的人工智能运营实践.这包括遵守经过良好校准的MLOps框架、记录AI生命周期发布策略以及更新整个业务的工作流程、角色和团队结构。为确保高质量的AI解决方案开发、企业采用和最成功的结果，组织应从两个关键角度重新考虑其运营：在整个业务工作流程中，以及在其IT和数据科学团队流程中。
一个成功的人工智能解决方案应该被构思和设计以适应为改善价值交付而创建的新工作流程。为了有效地做到这一点，业务利益相关者应该起主导作用，但不幸的是，许多人误解了如何有效地做到这一点。这导致他们分配的时间太少，无法重新考虑支持成功采用创造价值的解决方案。
很多时候，AI和ML开发团队在没有清楚地了解他们负责转型的业务流程的情况下负责。发生这种情况时，亚马逊机器学习解决方案实验室副总裁MichelleLee观察到，“然后他们会体验到组织惯性，因为要么解决的用例不够重要，要么不愿意采用新的未经证实的方法。
”谷歌云AI和行业解决方案副总裁RajenSheth强调说：“我们已经看到很多AI项目，人们在其中实施了令人惊叹的模型，但他们从未见过曙光，因为业务拒绝了沿着这个走。”只有业务与AI和ML开发团队之间建立密切的合作伙伴关系，才能出现一种新的工作方式。即使业务领导者了解他们的角色，缺乏AI流畅性也会抑制他们与AI和ML开发团队有效协作的能力。
一些组织在创建新角色以帮助业务利益相关者和模型开发团队之间进行转换方面取得了成功。在这种情况下，精通业务和分析的个人可以充当总体业务战略目标和AI技术要求之间的桥梁。1我们的调查表明，创造这样的新角色的努力可以获得回报。被调查的高成就组织（变形金刚和探路者）明显更有可能创造新的角色和职能，以最大限度地提高人工智能的进步。
我在企业AI的早期阶段，计划发生在本地化团队中，并包含在业务部门中。模型经常建立在数据科学家的桌面上，需要相对简单和流畅的流程来维护。2如今，模型正在云中部署并运行关键任务工作负载。作为组织达到这个规模，持续开发、培训、测试、部署、监控和维护模型所涉及的水平和复杂性让许多组织感到惊讶：只有 33% 的受访者完全同意他们有MLOps 流程。
并非所有数据科学家都擅长采用工程或运营思维方式来大规模管理这一点。这就是为什么数据科学家、工程、应用程序开发人员和运营经理之间的强大合作对于协调人工智能和机器学习的必要流程非常重要。虽然开发这些流程通常是IT和数据科学领导层的责任，但所有利益相关者和高级领导者都应该关注这些流程和标准在整个组织中是否到位并得到遵守。
它们是确保推动关键业务的模型的持续质量的关键过程。我们调查的数据证明了它的重要性：与其他组织相比，强烈同意遵循MLOps流程的组织实现目标的可能性是其他组织的两倍。此外，这些接受调查的组织表示为与人工智能相关的风险做好充分准备的可能性也大约高出两倍，并且对他们能够以合乎道德、值得信赖的方式部署人工智能计划的信心几乎是两倍。
