围绕人工智能这一重要支持技术的快速成功，可以进一步增加对更广泛的数字转型和创新举措进行更多投资的商业案例。  准备和实施人工智能项目可能是一个多年的旅程。根据最新的调查数据，只有28%的受访者表示，其第一年就通过了人工智能规划阶段。这是由于一些因素造成的，其中包括技术的相对成熟度(至少在不断扩展的一系列行业用例中是这样)、所涉及的复杂程度(例如广泛的集成需求、有限的企业经验和缺乏内部技能集)、对人工智能的偏见准则以及治理、风险和合规问题、广泛的变更管理要求等。  无论是作为企业创新计划的一部分，还是作为数字转型计划的一部分，长期的人工智能项目都非常重视展示快速的成功，因此它可能会影响比自身更大计划的声誉。随着首席信息官在产品管理方法上从“项目到产品”的转变，这些冗长的人工智能项目也会推迟得以创新的内部产品或外部产品发布。  为了使人工智能技术迅速取得成功，并进一步推动对更广泛的数字转型和创新计划进行更多投资的商业案例，以下是首席信息官快速跟踪其人工智能实施的五种方法：  虽然人们专注于人工智能和机器学习(ML)计划以及与金融服务贷款决策相关的示例，但这些建议适用于许多其他人工智能计划和行业。  1.根据人工智能是否将成为组织的核心竞争力来构建或购买  组织首先要做的决定之一是构建还是购买。虽然人们听到很多关于构建自己的人工智能的各种平台、基础设施和框架，但是无名英雄通常是更具特色的专业人工智能供应商，他们提供基于云计算的人工智能服务，可以为组织的特定服务快速培训和部署用例。构建或购买的决定实际上是基于人工智能作为未来核心能力对组织的重要性。  例如，虽然每家金融服务公司都应该关注人工智能采用和没有采用之间即将出现的数字和金融鸿沟，但不是每家公司都需要在内部构建自己的算法。规模较小的组织可以更有效地关注将第三方人工智能技术纳入其核心工作流程(如贷款承保)的业务收益和成果，而无需构建自己的内部人工智能/机器学习的专业知识。  2.在数据方面“越多越好”，质量是关键  曾经有人说，成功是10%的灵感和90%的汗水。在人工智能方面，成功实施通常是10%的人工智能和90%的数据。用于训练人工智能/机器学习算法以反映人类决策的任何数据集都需要尽可能大，并尽可能地干净。  致力于应用人工智能的进步的Underwrite.AI公司首席执行官Marc Stein表示，简单来说，这意味着每行1,000个属性的10,000行数据对于机器学习算法比对每行100个属性的1,000行数据更有用。为贷款者提供非线性、动态的信用风险模型，但它并不像“越多越好”那么简单。数据类型和数量必须与算法类型匹配。深度学习需要大量记录才能有效，而基于统计的算法可以更好地处理较小的数据集。  如果组织使用人工智能来模拟人类的决策，尽可能多地获取数据，确保每个数据字段都有价值，并重视数据质量和一致性。这可能非常耗时，尤其是从多个不同的源中提取数据时，但如果在早期彻底完成，则可以避免大量代价高昂的返工。  3.花费时间进行变革管理和培训，了解如何最好地解释结果  虽然在技术上直接调用人工智能API来传递新的数据集并获得分数，但更难以进行变更管理和培训，以使业务分析师能够最好地解释这些分数，并将新流程纳入其日常工作中。  虽然某些形式的人工智能可能会产生自动决策，例如基于信用记录的新贷款的“是”或“否”决策，但机器学习算法通常也会提供更微妙的响应。这种反应可能需要与现有的人工流程结合使用，才能最好地决定贷款。作为示例，人工智能“得分”可以是从“A”到“D”和“F”的等级。“A”和“F&rdqu