更好地理解人工智能和不确定性

人工智能（AI）和机器学习（ML）已成为各行各业讨论的两大话题。为了满足这一不断增长的需求，IBM 和红帽分别宣布推出 IBM watsonx 和红帽 OpenShift AI等创新产品。本文概述了一种简单的策略，可以帮助管理与部署 AI/ML 产品相关的变化，这些产品正在重塑世界的运作方式。

本文从红帽技术客户经理（TAM）的角度撰写。TAM 的独特角色 作为客户在红帽技术主题方面的主要联系人，结合我们倡导的最佳实践，使我们能够深入了解客户需求，并确保红帽的内部策略与这些需求保持一致。但是，这并不能解决 AI/ML 普遍存在的不确定性。

红帽、IBM 和 AI 生态系统

IBM watsonx 和 OpenShift AI 都支持 AI/ML 工作流。IBM 的 watsonx 增强了 AI 开发和部署，而 OpenShift AI 使用云技术来部署和管理 AI/ML 工作负载。

AI/ML，与之前的颠覆性创新一样，是最近的一项在展现巨大潜力的同时又引发人们焦虑的技术。上一代人，互联网让数据随时随地触手可及，但也引发了许多行业的担忧。如今，潜在的担忧是 AI/ML 将通过自动化数千个手动任务来破坏工作。

颠覆式或转型式变革

AI/ML 可能会使许多工作岗位变得过时，但如果它能追随早期颠覆性技术所设定的趋势，它也会创造许多新的工作岗位，同时带来根本性的全球性变化。这些变化大致可分为两类：颠覆式/转型式和渐进式/适应式。

颠覆式是指根本性或根本性的改变；新技术大幅取代现有技术、系统或流程的根本性转变。例如，Netflix 等流媒体平台取代了光盘（CD）/数字通用光盘（DVD）等物理媒体，有效淘汰了像百视达这样的物理视频租赁行业中的许多公司。另一个例子是在线预订服务取代了航空公司、汽车租赁和酒店的旅行社。

颠覆式变革是一种大规模、快速的转变，而渐进式变革则更加迭代和渐进，但对我们开展业务的方式的颠覆性同样不减。

渐进式或适应性变化

渐进式或适应式改变是利用趋势技术来增强现有流程或系统，提高效率和生产力，同时仍然保持整体结构和目标。例如，电信公司在 21 世纪初开始提供互联网语音协议（VoIP），这些服务的成本只是旧技术的一小部分。同样，数字银行彻底改变了人们的财务管理方式。Venmo、Zelle 等应用和在线/移动银行系统取代了现金转账和支票存款等日常任务，减少了为主要是专业服务而前往银行和金融机构的情况。

作为一名为电信和企业部门提供支持的 TAM，我经常思考电信公司将如何部署红帽的 AI 产品和解决方案。行业将经历变革，是通过转型、适应，还是两者兼而有之？

一方面，红帽 OpenShift AI 和红帽企业 Linux（RHEL）AI 正在迅速蓄势待发，提供可显着提高运维效率和服务交付的高级功能。另一方面，一些电信公司更愿意以更加谨慎的方式继续使用现有技术。

为了支持这种更加谨慎的方法，红帽正在将延长生命周期支持（ELS） 阶段扩展到许多传统 IT 产品，包括 RHEL 和 OpenStack。比较谨慎的电信公司似乎会维持当前基于这些 ELS 产品的部署，同时密切关注竞争对手如何实施支持 AI 的技术，然后再做出战略决策。

就像早期的技术革命一样，要想成功驾驭 AI 时代，我们需要应对这些新的变化。

下一节介绍了随着 AI 部署和采用的增长而管理转型和适应性变化的技术，提供了实用的步骤来驾驭 AI 时代的复杂性和机遇。

通过 ADKAR 管理变更

ADKAR 是一种流行的变革管理模型，可用于指导个人和企业的变革。这是一种以目标为导向的结构化方法，强调促进个人转变的重要性，认识到组织的成功取决于每个人适应变化的能力。ADKAR 由 Prosci 创始人 Jeff Hiatt 提出，代表：

• A - 认知
• D - 意愿
• K - 知识
• A - 能力
• R - 强化

模型中的每个组件代表个人必须达到的阶段或里程碑，才能成功实施变革。ADKAR 的优势在于其连续的流程，可以从一个阶段平稳过渡到下一阶段。例如，只有先提高“认知”，“意愿”才能提高。类似地，“知识”的成长离不开“意愿”，而“能力”只有在获得“知识”后才能发展，以此类推。

以下是 ADKAR 模型各个组成部分的全面细分，以及有关个人和组织在采用 AI 时如何应对变化的建议。

1.认知

目标：提高认知的目标是通过认识技术和市场动态的变化，并确定这些变化如何影响您的角色和企业，了解在 AI 时代取得成功所需的变革。

行动：

• 通过回答以下关键问题，了解 AI/ML 的相关性：
  • 目前的红帽产品部署情况如何？支持 AI/ML 的产品如何适应该工作流？
  • AI 部署是否会提高运维效率？
  • 当前的 AI 产品能否满足业务目标、技术挑战和客户需求？如果没有，还有哪些差距需要弥补？
• 通过查看管理层通信、保持对红帽 OpenShift AI 和红帽企业 Linux（RHEL）AI 的好奇心，以及探索新的功能和应用，随时了解最新动态
• 参与网络培训课堂和会议。阅读白皮书和文章，及时了解云计算领域的 AI/ML 趋势和发展。查阅权威期刊（如美国电气和电子工程师协会）和行业网站（如TechCrunch ）会特别有帮助
• 研究行业趋势，如 AI/ML 对电信和其他行业的影响，并通过将用例与自动化和资源管理等运维改进联系起来，评估业务影响

2.意愿

对 AI 的强烈认知自然会增加学习和应用 AI/ML 技术的动力。

增强支持变革的意愿有助于使个人或团队目标与业务战略保持一致，从而提高流程和工作流的效率，并有助于收入增长和个人职业发展。

行动：

• 制定明确的 AI/ML 学习目标，例如成为主题专家（SME）或利用 AI/ML 优化 OpenStack/OpenShift 部署
• 确定职业发展、技术好奇心或客户满意度等激励因素
• 与热衷于 AI/ML 的同行和行业专家交流，保持积极性
• 使学习与长期职业目标保持一致，例如专注于 AI/ML 或领导未来的 AI/ML 项目
• 通过 AI/ML 社区和用户组建立联系
• 寻求专家指导，为您的旅程保驾护航

3.知识

ADKAR 流程中的知识涉及获取信息和接受培训以适应变化，强烈的变革愿望推动了这一过程。

行动：

• 学习专为 OpenStack/OpenShift 和云计算定制的 AI/ML 基础知识和高级主题技术文档
• 报名参加相关的培训课程、网络研讨会和教育活动
• 学习相关课程（如RHOAI / AI267），加深对 AI/ML 的理解
• 评估高管、培训和学习团队的见解，以确定知识差距
• 参加研习班和训练营，专注于使用红帽产品开发实用的 AI/ML 应用

4.能力

能力是指实际应用所获得的知识来执行与变更相关的任务并实施新的要求。

行动：

• 应用 AI/ML 技术解决 OpenShift/OpenStack 中的特定问题或优化流程
• 与跨职能团队就 AI/ML 项目开展协作，获取实训经验
• 领导或参与 OpenStack/OpenShift 中的 AI/ML 概念验证（POC）项目

5.强化

强化涉及将这些变化嵌入到团队或公司文化中，使其成为运营的永久组成部分。

行动：

• 在同行中培养 AI/ML 持续学习文化
• 记录并分享成功经验和经验教训
• 使用指标衡量 AI/ML 影响
• 建立支持系统，如共享知识存储库，并随时了解最新的培训资源
• 奖励和认可进步和里程碑

总结

使用 ADKAR 模型系统地评估 AI/ML 与您的特定用例的相关性。该框架可帮助您战略性地应用 AI/ML 方法和工具。按照认知、意愿、知识、能力和强化阶段的顺序，开发一种全面的方法来掌握 AI/ML 技术，并推动团队和生态系统发生有影响力的变革。

进一步了解红帽 AI

博客

• 利用 TAM 服务提升 AI 之旅：联系红帽大客户技术经理，进一步了解红帽的 AI 战略
• 概述红帽 OpenShift AI
• 当前的 AI 活动