多年以来，业界思想领袖一直在谈论IT或软件工厂的概念，或软件工业化，其中以自动化的构建块效果生成代码。关于企业是否能够完全转型为软件工厂尚有争议，但是从手工制作的一次性应用程序和服务转移到更具可扩展性的想法是值得的。

现在，正在谈论生产“ AI工厂”。哈佛大学的教授Marco Iansiti和Karim Lakhani在他们的新书《竞争的AI时代》中写道：“这涉及“工业化数据收集，分析和决策，以重塑现代公司的核心” 。他们说：“人工智能工厂是可扩展的决策引擎，为21世纪公司的数字运营模型提供了动力。” “管理决策越来越嵌入软件中。”

他们写道，好消息是“您不必成为Netflix就能建立AI工厂”。以下是构建和运营AI工厂的四个基本组件：

支持数据管道：该过程涉及“以系统，可持续和可扩展的方式”收集，输入，清理，集成，处理和保护数据。例如，Iansiti和Lakhani以Netflix为例，说明该公司已对其业务进行“数据化”，“从任何业务中自然进行的活动和交易中系统地提取数据”。他们警告说，清理和整合数据可能是一个重大挑战。他们说，建立人工智能工厂的首要任务是投资建立功能良好的数据管道。

开发算法：这是开发预测能力的过程。Iansiti和Karim Lakhani解释说，算法“可以用于各种应用，从生成相对简单的预测(例如销售预测)到建议要选择的股票进行高频交易，到复杂的图像识别和语言翻译任务。”

大多数AI系统使用三种通用方法之一来使用监督学习，无监督学习和强化学习机器学习方法来开发准确的预测。监督式学习旨在根据标记的数据集“在预测结果时尽可能接近人类专家”。无监督学习“旨在在没有标签的情况下在数据中找到自然的分组，并发现对于观察者而言可能不明显的结构。” 共同作者指出，强化学习是机器学习的最先进形式，“仅需要起点和性能功能”。

添加一个强大的实验平台：实验平台是一种机制，“通过该机制可以测试有关新预测和决策算法的假设，以确保建议的更改具有预期的效果”。这对于Iansiti和Lakhani州的AI工厂至关重要，并且需要一个最先进的平台-“传统的临时性实验方法根本无法处理所需内容的影响。”

现代化软件基础架构： 这是系统的集合，这些系统将管道嵌入到最终用户可用的一致的组件应用程序或服务中。共同作者解释说：“在对数据进行汇总，清理，提炼和处理后，可以通过一致的接口(例如API)将其提供，从而使应用程序可以快速订阅，采样所需数据，进行测试和部署。” “所有这些使敏捷开发团队可以在几周甚至几天内构建一个新应用程序。”

作者提供了其他结构建议，强调设计良好的API是AI工厂的关键要素。他们指出：“ API限制了软件工厂系统内外的数据流。” “ API控制对组织内某些最关键和私有资产的访问。” 最终，他们继续说，“人工智能工厂的数据，软件和连接性必须驻留在安全，健壮和可扩展的计算基础架构中，并越来越多地在云上，按需扩展，并使用标准的现成组件和开放式构建。源软件。”