一年多以前，我們開始與客戶一起開發 AI 項目。一些項目從諮詢、研究和評估開始；其中一些我們建立了 PoC (概念驗證)；還有一些已經進入了開發和實施階段。

如今，“實施 AI ” 對於一家公司而言似乎是時尚潮流，但是我們發現許多公司尚未完全掌握實現 AI 和 ML (機器學習) 項目的生命週期。

首先，許多公司沒有意識到他們需要花費時間進行數據清理。 AI 和 ML 學習過程需要高質量的數據。 “垃圾進、垃圾出” 仍然成立。儘管一些公司已經實施了 CRM 或 ERP 系統很長時間，並且能夠從過去的記錄中挖掘數據以進行機器學習，但我們仍然需要花費時間來確定有意義的機器學習和測試數據。 （例如，我們可能需要過濾掉一些異常、不合適或重複的數據，以優化 AI 的效率、有效性和準確性）。

典型公司面臨的另一個主要問題是缺乏自己的業務運營數據。企業所有者或管理團隊可能知道 AI 和 ML 的應用已經可行，並且使用門檻和費用也算可負擔。但是，使用 AI 的主要階段之一是要經過機器學習訓練過程：從歷史數據和記錄中捕獲和識別業務價值，以得出可以預測最佳業務決策的演算法。數據不能是其他公司數據，它們必須來自自己的業務活動。

大多數公司應具有良好的會計數據記錄，但這還不夠。例如，如果我們希望 AI 能夠增加營業額，那麼至少擁有來自客戶資料和銷售訂單詳細信息的數據。

實際上，許多公司可能只有若干類似 Excel 文件和工作表。這些工作表中的數據來自不同的部門或業務單位，過去沒有嚴格的集成。它們還不足以進行機器學習，因為作為數據分析人員我們仍然需要花費時間來理解數據的收集和關聯方式，然後才可以選擇適當的數據集以用於機器學習訓練和測試。來自 ERP 系統的數據相對較好用於機器學習，因為在輸入系統中時已承接某些數據關係。

如果客戶使用我們提供的 ERP 系統，則啟動 AI 項目變得更加容易。我們的 ERP 系統是用Python 搭建，Python 是實現 AI 和 ML 應用程式最常見的計算機語言之一。我們只需要添加幾行代碼並使用 AWS 或 Google Cloud API 便可以激活客戶 ERP 中的 AI 功能。

English Translation