他说，“从创建的用例中提取价值更加困难，但这是可以做到的。”例如，他引用了最近在Nedbank进行的项目。

在一个反欺诈项目中，仅在六个月内就阻止了价值1.37亿兰特的欺诈交易。另一个是试点项目，过去四个月收入超过2.5亿兰特。

如果算法不支持业务流程，它只是一个智力练习。

泰勒坚持认为，确保ML/AI项目价值交付的唯一方法是“自下而上”方法的结果，这需要数据科学团队与业务部门密切合作，而不是“自下而上”。自上而下的方法。

“你想通过AI项目实现的所有工作都必须与业务保持一致——业务实际上是在地面上，而不是在高层管理中。战略可能来自高层，但痛苦是根深蒂固的，这是你可以找到实际用例的地方，”他说。

对于数据科学家来说，重要的是要认识到AI在业务范围之外并不重要。“如果算法不支持业务流程，它只不过是一种智力活动。这就是商业和技术之间真正的差距，”他补充道。

第一步

由于ML/AI项目旨在帮助自动化决策，因此有必要准确确定哪些决策需要自动化，以实现三个关键目标：

赚钱

防止金钱损失；和

帮助管理风险。

“数据科学团队无法知道这些问题的答案，至少在细节上与业务人员不同。数据科学团队可以帮助业务人员回答问题，但业务人员必须负责管理自己的痛点，”泰勒说。

记住ML/AI与软件开发无关也很重要。

我们必须记住，机器学习衡量的是行为，所以模型总是在变化的。

“你不能只把模型投入生产就走开。我们用于机器学习的工具与我们一直使用的工具不同——我们必须以新的方式构建这些工具，更深入地研究它们，并为系统创造更多能力。我们必须记住，机器学习衡量的是行为，因此模型总是在变化的。”他说。

成功的另一个关键因素是为项目配备适当的人员和技能。然而，这说起来容易做起来难，因为在过去几年中，对AI/ML技能的需求增长了650%以上(基于LinkedIn职位)。

此外，许多申请这些工作的人不具备必要的技能，不管他们的简历上写了什么。

因此，泰勒开始根据团队成员的智力，尤其是他们学习和探索数据的好奇心和欲望来招募团队成员。一旦被招募，这些聪明的年轻人将受到高级数据科学家、BI和数据分析师的密切管理和指导。

“重要的是要记住，AI/ML与模型无关，而是与人有关。最大的成功来自于这样一个事实，即人工智能使地面上的人们的生活变得更容易，因此他们不会阻碍变革管理过程，并且该项目可以提供其旨在实现的价值，”他总结道。