随着企业拥抱AI并努力将其逐步集成到业务流程中，他们都必须做出的关键决定之一就是是否购买或构建将推动企业走向未来的AI组件。超过61%的企业表示他们已经实施了AI，这表明采用率正在上升。

成本，上市时间，投资回报率，对业务成功的重要性以及解决方案的质量是购买和构建决策之间必须考虑的共同因素，它们也适用于AI计划。

挑战在于如何确定决策，而最好的方法就是考虑成功实现AI所需的独特能力。

以下是通过这些功能进行调和的指南，可在您决定购买还是构建之前：

获得高质量数据科学家的能力。

数据科学家的匮乏是众所周知的，但是大多数企业仍然感到有必要在开始AI项目之前首先聘请大量数据科学家。尽管企业最终可能会实现建立强大的内部核心团队的目标，但与此同时，大多数AI计划可以依靠供应商。

能够将业务问题转化为人工智能的基础。

即使拥有强大的内部数据科学团队，AI计划失败的主要原因之一还是公司在将业务问题分解为正确的AI构建块时面临的困难。这些构件必须随后将解决方案无缝集成到工作流程中。

通常，这是由于数据科学团队的出现或数据科学团队与业务职能进行沟通的能力的绝对缺乏所致。雇用一些数据科学家并不一定会使企业具备大规模构建和集成优质AI解决方案的能力。企业越早了解这一点，他们在开始时所面临的起停就越少。

测量和改善数据质量的能力。

对可用的数据，数据的质量和结构以及各种AI模型的数据准备情况进行审核是准确AI模型的先决条件。我们已经观察到一些企业正在着手进行大规模的AI项目，由于缺乏高质量的培训数据而难以获得所需的准确性和精度水平。

同样，有时，该模型可能需要来自企业可能不容易获得的其他外部来源的数据。在其他情况下，在开始任何AI计划之前，需要花费大量的精力来清理数据，以及将图像，音频，视频和文本形式的非结构化数据集结构化为可以训练AI模型的结构化形式上。

如果没有针对AI模型进行结构化和功能设计的高质量数据，那么AI计划必定注定要失败。

快速实验的能力。

假设您可以访问内部或通过供应商的数据科学家，可以了解您的业务挑战并将其转化为AI计划的解决方案架构师，并且您还拥有干净，结构化的产品数据。

现在，您需要能够执行多个快速实验。人工智能既是艺术又是科学。任何AI建模活动都取决于几个假设。只有通过快速实验并尝试不同的建模技术，才能决定哪些模型最准确，并且在预测中似乎是一致的。

除非并行进行，否则这些实验可能需要很长时间。但是，进行这些实验很关键，并且与扩展尚未与其他方法严格比较的AI模型相比，其成本要低得多，然后在全公司范围内全面部署后，失败。

扩展和维护解决方案的能力。

一旦找到并调整了适合您需求的AI模型，您现在就需要构建将AI模型与现有IT系统无缝，快速集成的基础架构。

随着越来越多的企业加入AI潮流，它们都将需要考虑上述五项功能，并决定通过构建或购买该技术来获得这些功能的最佳方法。

好消息是，当今有众多供应商，可以与客户合作以提供全部或部分功能，从而成为他们的AI团队或AI团队的扩展。企业应该将决策视为“构建与购买”，而不是“构建或购买”，其中一些所需的功能在内部，而其他功能则通过外部机构获得。

随着时间的流逝，内部能力可以得到增强，一些关键的AI计划或这些计划的核心部分可以移至内部，从而减少了对外部供应商的依赖。