随着人工智能（AI）逐渐成为企业应用的主流，它也带来了许多企业难以克服的扩展挑战。随着人工智能代理被部署到不同的部门，企业在应对管理这些智能代理的复杂性时，往往会遇到 "扩展墙"。
VentureBeat 的作者 May Habib 认为，传统的软件开发方法在应用于人工智能代理时会出现不足。这是因为在管理人类设计的软件与管理人工智能模型之间存在明显差异，后者会随着时间的推移从用户互动中学习，从而自我完善。
那么，财富 500 强企业是如何解决这一问题的呢？答案在于他们将这些人工智能代理整合到各个部门进行管理的方法。这些大型企业并没有把人工智能模型当作典型的软件，而是采取了更加定制化的方法，因为它们认识到，人工智能的管理需要采取不同的策略。
对于传统软件，开发团队设计、构建、测试，然后部署软件。部署后，如果出现任何问题，就会重复同样的流程，直到问题得到解决。然而，对于人工智能模型来说，这个过程更加动态。这些模型从每次用户交互中学习，根据新数据不断改进和修改算法。因此，大规模管理人工智能模型的质量和性能需要的不仅仅是传统的软件开发工作流程。
人工智能模型的训练目的是模仿人类的决策，这就带来了一系列新的复杂性。根据人工智能模型必须完成的具体任务，组织内不同部门对什么是合适的性能可能有不同的定义和标准。管理这些不同的期望，同时确保人工智能模型随着时间的推移不断学习和改进，对许多企业来说都是一个巨大的挑战。
财富》500 强中的顶尖公司正在通过实施专门的人工智能战略来解决这些问题。它们不严格遵循传统的软件开发方法，而是采用迭代部署和持续监控人工智能模型的方法，以确保所有组织部门都能实现最佳性能。
这些策略包括建立由数据科学家、项目经理、运营团队和领域专家组成的跨职能团队，共同确保人工智能模型得到适当的训练、监控和微调，以满足组织的特定需求。
此外，这些公司还投资于人工智能专用工具，旨在管理人工智能模型从构思到部署和持续改进的生命周期。通过将人工智能视为一个独立的实体，而不是传统软件的延伸，这些公司成功地拆除了许多其他组织遇到的 "扩展墙"。
总之，在不同部门推广人工智能的复杂性要求我们采用不同于传统软件开发的方法。通过认识到这一点并实施适合人工智能的独特管理策略，财富 500 强企业已经证明，在企业内部有效扩展人工智能确实是可能的。
有关此主题的更多信息，请查看 May Habib 的完整文章 这里.
