组织利用最新人工智能算法帮助其成长和发展的方式之一，是采用私有人工智能模型来调整其业务战略。
在这种情况下，私有和公共人工智能之间的区别很重要 - 大多数组织都非常警惕允许公共人工智能访问敏感数据集，如人力资源信息、财务数据和运营历史详情。
很合理的是，如果人工智能获得了特定的数据作为其响应的基础，其输出将更加相关，因此在帮助决策者判断如何制定策略方面更加有效。使用私有推理引擎是公司获得人工智能最佳结果并保护其知识产权的逻辑方法。
特定于企业的数据和微调本地人工智能模型的能力，使组织能够提供更贴近公司日常工作现实的定制预测和运营调整。德勤战略洞察论文将私有人工智能称为"定制指南针"，并将内部数据的使用视为竞争优势，埃森哲则描述人工智能为"即将提供自农业和工业革命以来最重大的经济提升和工作变革"。
然而，存在这样一种可能性，就像传统的商业智能一样，使用跨企业多年运营的历史数据，可能会使决策陷入过去的模式。麦肯锡表示，公司正处于"将其机构过去镜像在算法琥珀中"的危险之中。哈佛商业评论指出了一些技术复杂性，称使模型的活动更加与公司相关的定制过程很困难，因此可能不是除了最精通人工智能的数据科学和编程人员之外的人能完成的任务。
麻省理工学院斯隆学院在私有人工智能商业战略制定的狂热倡导者和保守声音之间取得了平衡。它建议将人工智能视为副驾驶，并敦促持续质疑和验证人工智能输出，尤其是在风险很高的情况下。
相信革命
然而，考虑追求这种行动方案（搭上人工智能浪潮，但以私密、安全的方式）的决策者，可能希望考虑那些强烈倡导这种人工智能赋能方式的建议来源的动机。
例如，德勤使用定制基础设施（如其即服务工厂产品）为客户构建和管理人工智能解决方案，而埃森哲有专门致力于客户人工智能战略的实践，如埃森哲应用智能。它与AWS和Azure合作，为财富500强公司等构建定制人工智能系统，而德勤则与甲骨文和英伟达合作。
有"利害关系"，诸如"自农业和工业革命以来最重大的变革"和"定制指南针"等措辞听起来很鼓舞人心，但供应商的动机可能并不完全是出于利他主义。
人工智能的倡导者理所当然地指出，模型能够比人类更有效地识别趋势和统计潜流。考虑到现代企业可用的海量数据，包括内部和外部可用信息，能够大规模解析数据的软件是一个令人难以置信的优势。与手动分析海量数据仓库（耗时且容易出错）不同，人工智能可以穿透表面，提炼出真正可操作的洞察。
提出正确的问题
此外，人工智能模型可以解释用普通语言提出的查询，并基于经验信息做出预测，在私有人工智能的背景下，这与组织高度相关。相对缺乏技能的人员可以查询数据，无需具备统计分析或数据库查询语言技能，就能获得原本需要跨企业的多个团队和技能集才能得到的答案。这种时间节省本身就很可观，使组织能够专注于战略，而不是形成必要的数据点并手动查询他们收集到的信息。
然而，麦肯锡和Gartner都警告了过度自信和数据过时的风险。在后一种情况下，历史数据可能不适合制定战略，尤其是如果记录可以追溯到几年前。过度自信在人工智能背景下可能最好理解为操作者未经质疑就信任人工智能的响应，不深入研究响应的细节，或在某些情况下，将对措辞不当的查询的响应视为事实。
对于任何软件算法，人类短语如"基于我们的历史数据得出结论"是开放解释的，不像例如"基于过去十二个月的销售数据得出结论，忽略与平均值相差超过30%的异常值，但要为我列出这些实例"这样的说法。
经验软件
组织可能会在成熟的现有商业智能平台旁追求私有人工智能解决方案。SAP商业组织已经接近30年历史，但与早在1990年代互联网主流化之前就已存在的SAS商业智能相比还是个后来者。即使是相对较新的微软Power BI，也代表了至少十年的开发、迭代、客户反馈和商业分析的实际应用。因此，将私有人工智能部署在商业数据上，似乎应该被视为战略制定者工具箱的补充，而不是取代"传统"工具的灵丹妙药。
对于具有审核和调整模型输入和内部算法能力的私有人工智能用户来说，保留人类控制和监督很重要 - 就像使用甲骨文商业智能套件一样。在某些场景中，对实时数据的智能处理和行动（例如在线零售定价机制）确实使人工智能分析比现有的商业智能平台具有竞争优势。但人工智能尚未发展成为商业战略的万能瑞士军刀。
在为商业数据分析而设的人工智能像市场上一些主流商业智能平台那样经过充分开发、迭代、经受考验和成熟之前，早期采用者可能需要用实际经验和批判性眼光来平衡人工智能和人工智能服务供应商的热情。人工智能是一个新工具，具有巨大潜力。然而，在其当前形态下，无论是公共还是私有，它仍处于第一代阶段。
（图片来源："关于规则和策略"由pshutterbug根据CC BY 2.0许可）
本文最初发表于人工智能商业智能：买家谨慎，来自人工智能新闻。
