在進行任何AI／ML部署之前，組織需要將其數據科學的研究工作與項目管理的最佳實踐相結合。

在2019年1月，Gartner發布了一項調查，37％的受訪者表示他們已經在某種程度上使用了人工智能（AI），但54％的受訪者表示，他們所在組織的技能短缺阻礙了他們積極推進使用人工智能的進程。

這里指的并不是數據科學家，他們仍然供不應求，并且正在積極地被雇傭，而是指許多組織沒有使用IT項目的方法來實施他們的AI工作，以確保項目滿足他們的業務目標。

“我們看到很多數據科學團隊正在研究許多并行的ML和AI計劃，但是很少有人將模型部署到實際的生產應用程序當中，”專攻機器學習（ML）訓練數據的Alegion首席執行官Nathaniel Gates表示。

Gates補充說，高技能的數據科學家可能缺乏數據準備和項目管理方面的實際業務經驗�！八麄兩瞄L概念化、構建和測試AI和ML算法，”他繼續說道�！暗�是我們通常不會在這些數據科學團隊當中發現太多的人工智能項目專家。所以他們往往缺乏為人工智能和機器學習準備數據的實際經驗�！�

在進行任何的AI／ML部署之前，組織需要將其數據科學的研究工作與其項目管理的最佳實踐相結合。

如何改進部署

以下是組織改進人工智能部署的五種方法。

1．開發一個內部切換流程，將初始數據科學算法和早期數據工作轉換到IT項目管理當中

這種切換將確保數據質量和數量準備，并將項目置于熟練的項目經理的管理之下。

2．將人工數據評估和機器學習自動化與您的數據結合使用

了解數據的技術人員在數據質量評估中是非常寶貴的，但是他們可能缺乏審查所有數據算法流程的能力。因此，采用機器學習形式的數據評估自動化是至關重要的，機器學習可以由人類專家進行訓練，以評估數據的質量。

3．為您的ML使用敏捷開發方法

人工智能項目應該在可管理的sprint中進行，允許快速迭代地規劃、構建和測試人工智能應用程序的各個部分。

“對于成功的ML開發來說，關注持續迭代改進的敏捷開發方法是必不可少的，”Gates說。

4．集中您的AI和ML數據

“我們合作過的最成熟的公司已經將他們對人工智能的ML訓練數據需求合并到了一個集中的共享服務當中，該服務可以在企業內的眾多數據科學項目中被使用，”Gates說。

5．使用熟練的項目經理

AI和ML團隊應該由能夠執行項目管理方法和最佳實踐的項目經理來擴充。

“AI和ML團隊常常沒有懂得如何在團隊之外的組織中進行運作的成員，”Gates表示�！拔覀円恢痹谂c數據科學家交談，他們知道自己需要大量的ML訓練數據，完全理解為什么他們無法用現有的團隊來生成這些數據，但是卻對組織的預算、采購和項目管理流程一無所知�！�