治疗AI热的良药
时间：2020-10-30 15:02:51 来源：达达文档网 本文已影响 人 
韩微文
· 想要实现能够解决广泛问题的综合化人工智能，可能还需要几年时间。
· 领先企业并非追赶最新的AI潮流，而是专注于人工智能流程开发。
· AI流程通常从业务问题开始，通过设计数据、开发模型来解决问题，并根据结果对其进行优化。
试想一下：一位企业高管发现，他们的主要竞争对手刚刚聘请了一家有潜力的初创公司，这家初创公司专注于开发应用范围更加广泛的人工智能软件，不仅局限于翻译或图像识别等特定应用。
为了更好地了解对手，这位高管观看了这家初创公司创始人在公开场合的演讲，查看了公司的网站，然而还是无法理解这家初创公司的产品与客户公司的可识别应用程序之间有怎样的联系。
在这种情况下，许多人会陷入恐慌。为了获得初创公司的替代选择，他们争先恐后地寻找另一家能够提供人工智能服务的公司。在2018年第一季度，有近20%的企业在财报中提到了人工智能或机器学习，这位高管的董事会也希望公司能跟上竞争对手的步伐。
上述的这类事件很常见。但是更好的选择，在我看来，是将人工智能视为一个过程，而非一种工具。要了解这个过程，首先要考虑如何构建软件。AI解决方案其实和软件类似，在非常短但严格管理的发布周期内需要不断更新，在每个循环周期中获得更好的效果，从而提高效率来达到更强大的预期效果。
AI循环流程五步走
贝恩认为，AI循环流程可以分为五步。
第一步：设置业务背景。
AI流程要从选择可量化的业务目标开始，选择正确的问题是整个过程中最关键的一步。其次是设置基线，也就是要被突破的目标。
这一框架应侧重于对业务目标的影响，而不是关于公司的AI效力和算法如何与竞争对手保持一致，将业务目标转换为机器学习目标，如保留有价值但不满意的客户。
第二步：设计数据。
评估当前使用的数据以及未来可能使用的数据，查看哪些是可用的。
专业人士知道，更好的数据胜过更好的算法。使用第一手数据，即公司通过与客户的互动产生的数据，通常比购买的第三方数据更好。
第三步：开发模型。
一个有效的AI流程在“敏捷开发”中革新。
在每次迭代结束时，将新模型的性能与团队试图突破的基线模型进行比较，例如更好的定位算法，将分析过程与企业的行动能力联系在一起。
这一过程应该保持简短、紧迫，促使管理者切实思考想要建立什么，从外部引入和增加什么。
第四步：部署模型。
每个周期都会产生一些价值，因此需要将它付诸实践。
比如，用真实的用户来测试结果，用结果来告知业务流程如何来实现价值。
在这一步中将确定各种功能增强的需求，包括如何选择挑战、对数据平台的改变、对基础设施和测试流程以及大规模运营执行的改变、对人才需求和其组织形式的改变。通常，在第一个周期中无法第一时间弄清楚，但随着时间的推移，答案将浮出水面。
因此，弄清楚需求是很有价值的，但这恰恰与大多数人接近人工智能的方式相反，也是人工智能效力失败的一个重要原因。
第五步：确保采用。与实际最终用户一起测试模型，了解哪些有效，哪些无效。
确定模型的最终用户和将延续模型维护的用户。
通过绘制图像来展现AI将使您的组织达成的场景，并在整个发起人范围内传播该图像来确保其被采用，包括发起变革的领导者和必须在目标组织中实施变革的领导者。
当竞争对手被AI这一流行语分散了注意力时，使用以上“AI循环流程五步走”能实现真正的业务影响。当别人刚开始谈论时，你其实已经在研究他们已经完成了什么，以及必须展示的业务表现。
举个例子，某大型移动运营商近期在主要竞争对手发起价格战时面临大量客户流失。起初，运营商估计需要10周的时间做出回应。
当另一位大玩家效仿时，10周变为5周。该团队使用逐周的发布周期，专注于在每个周期中微优化靶向模型，向他们的客户推出更智能的产品，并通过控制以确保他们从结果中得出正确的结论。
他们的初始客户流失模型可以区分真正的流失者和误报，准确率仅略高于“扔硬币”，但在逐步改善。
他们从使用现有数据的开源工具和分类模型开始，转而采用更复杂的技术。
更重要的是，他们引入了通过称为深度数据包检测的方法收集的网络性能变量，这是一种电信公司用于在非常精细的级别收集用户行为数据以补充客户账户记录的技术。
通过结合更好的客户定位和更好的创意和定价策略，该公司将流失率降低了60%，将其恢复到历史水平（与对照组相比）。
这项分析工作并不需要人工智能。
该团队考虑但推迟使用了神经网络模型，因为对于使用该模型的营销人员来说，增长信心非常重要。
他们确定，通过简单而透明的方式带来用户会更加容易。
随着时间推移，随着动力和信心的不断增强，更便于转向这种不透明的深度学习解决方案，这些解决方案也可能会进一步提高性能。
通过分析，人员和操作模型需要随数据和算法一起变化。某大型消费品公司在试图解决超额利润时就遇到了这个问题。一个相对简单的模型产生需求预测，虽然它在整个国家做出了很好的预测，但它对特定商店中各个项目的推荐通常很糟。为了弥补这一点，多方都在填补那些推荐的订单，包括数万名对其订单路线有最终决定权的现场代表，最终造成了大量的过剩订货和高浪费率。
为了解决这一问题，该公司建立了一个包含数年订单和退货历史的数据库，并使用开源库来构建早期预测模型。同时，该公司开发了一个新的界面，现场代表可以通过该界面进行预测，该界面设计了一个模型传递途径，可以有效地预测全国数百万物品和商店组合的需求。
在严密管理的试点环境中，新工具经过测试和改进，确认了预期的效益。
这种新的预测方法降低了回报，预计每年可带来9位数的回报。
该公司正在建立一个内部组织以不断改进它，如果这部分业务的模型性能仍然是瓶颈，那么明年可能会部署人工智能。
或者，团队可能会关注其他地方，也许在供应链方面进行更加深入的研究。
移动运营商和消费产品制造商，这些公司的经验与机器学习最前沿的专业人士的经验非常相符：在应用AI库之前，通常还有很大的改进空间。谷歌的Martin Zinkevich在他的“机器学习规则：ML工程的最佳實践”一文中称这一规则为第1号规则。“第1号规则：不要害怕在没有机器学习的情况下推出产品。
机器学习很酷，但它需要数据……如果你认为机器学习会给你100%的提升，那么一次启发式的探索将让你获得50%的成功。“
因此，当下一次竞争对手宣布与强大或综合化的人工智能软件公司合作时，请不要过于冲动，捂紧您的钱包。
大多数专家认为，要用上能够解决广泛问题的人工智能，还需要等上几年时间。因此，要小心不要成为AI热的牺牲品，而是做领导者该做的事情：信任AI流程。
