韓微文

· 想要實(shí)現(xiàn)能夠解決廣泛問題的綜合化人工智能，可能還需要幾年時(shí)間。

· 領(lǐng)先企業(yè)并非追趕最新的AI潮流，而是專注于人工智能流程開發(fā)。

· AI流程通常從業(yè)務(wù)問題開始，通過設(shè)計(jì)數(shù)據(jù)、開發(fā)模型來解決問題，并根據(jù)結(jié)果對其進(jìn)行優(yōu)化。

試想一下：一位企業(yè)高管發(fā)現(xiàn)，他們的主要競爭對手剛剛聘請了一家有潛力的初創(chuàng)公司，這家初創(chuàng)公司專注于開發(fā)應(yīng)用范圍更加廣泛的人工智能軟件，不僅局限于翻譯或圖像識別等特定應(yīng)用。

為了更好地了解對手，這位高管觀看了這家初創(chuàng)公司創(chuàng)始人在公開場合的演講，查看了公司的網(wǎng)站，然而還是無法理解這家初創(chuàng)公司的產(chǎn)品與客戶公司的可識別應(yīng)用程序之間有怎樣的聯(lián)系。

在這種情況下，許多人會(huì)陷入恐慌。為了獲得初創(chuàng)公司的替代選擇，他們爭先恐后地尋找另一家能夠提供人工智能服務(wù)的公司。在2018年第一季度，有近20%的企業(yè)在財(cái)報(bào)中提到了人工智能或機(jī)器學(xué)習(xí)，這位高管的董事會(huì)也希望公司能跟上競爭對手的步伐。

上述的這類事件很常見。但是更好的選擇，在我看來，是將人工智能視為一個(gè)過程，而非一種工具。要了解這個(gè)過程，首先要考慮如何構(gòu)建軟件。AI解決方案其實(shí)和軟件類似，在非常短但嚴(yán)格管理的發(fā)布周期內(nèi)需要不斷更新，在每個(gè)循環(huán)周期中獲得更好的效果，從而提高效率來達(dá)到更強(qiáng)大的預(yù)期效果。

AI循環(huán)流程五步走

貝恩認(rèn)為，AI循環(huán)流程可以分為五步。

第一步：設(shè)置業(yè)務(wù)背景。 AI流程要從選擇可量化的業(yè)務(wù)目標(biāo)開始，選擇正確的問題是整個(gè)過程中最關(guān)鍵的一步。其次是設(shè)置基線，也就是要被突破的目標(biāo)。 這一框架應(yīng)側(cè)重于對業(yè)務(wù)目標(biāo)的影響，而不是關(guān)于公司的AI效力和算法如何與競爭對手保持一致，將業(yè)務(wù)目標(biāo)轉(zhuǎn)換為機(jī)器學(xué)習(xí)目標(biāo)，如保留有價(jià)值但不滿意的客戶。

第二步：設(shè)計(jì)數(shù)據(jù)。 評估當(dāng)前使用的數(shù)據(jù)以及未來可能使用的數(shù)據(jù)，查看哪些是可用的。 專業(yè)人士知道，更好的數(shù)據(jù)勝過更好的算法。使用第一手?jǐn)?shù)據(jù)，即公司通過與客戶的互動(dòng)產(chǎn)生的數(shù)據(jù)，通常比購買的第三方數(shù)據(jù)更好。

第三步：開發(fā)模型。 一個(gè)有效的AI流程在“敏捷開發(fā)”中革新。 在每次迭代結(jié)束時(shí)，將新模型的性能與團(tuán)隊(duì)試圖突破的基線模型進(jìn)行比較，例如更好的定位算法，將分析過程與企業(yè)的行動(dòng)能力聯(lián)系在一起。 這一過程應(yīng)該保持簡短、緊迫，促使管理者切實(shí)思考想要建立什么，從外部引入和增加什么。

第四步：部署模型。 每個(gè)周期都會(huì)產(chǎn)生一些價(jià)值，因此需要將它付諸實(shí)踐。 比如，用真實(shí)的用戶來測試結(jié)果，用結(jié)果來告知業(yè)務(wù)流程如何來實(shí)現(xiàn)價(jià)值。 在這一步中將確定各種功能增強(qiáng)的需求，包括如何選擇挑戰(zhàn)、對數(shù)據(jù)平臺的改變、對基礎(chǔ)設(shè)施和測試流程以及大規(guī)模運(yùn)營執(zhí)行的改變、對人才需求和其組織形式的改變。通常，在第一個(gè)周期中無法第一時(shí)間弄清楚，但隨著時(shí)間的推移，答案將浮出水面。 因此，弄清楚需求是很有價(jià)值的，但這恰恰與大多數(shù)人接近人工智能的方式相反，也是人工智能效力失敗的一個(gè)重要原因。

第五步：確保采用。與實(shí)際最終用戶一起測試模型，了解哪些有效，哪些無效。 確定模型的最終用戶和將延續(xù)模型維護(hù)的用戶。 通過繪制圖像來展現(xiàn)AI將使您的組織達(dá)成的場景，并在整個(gè)發(fā)起人范圍內(nèi)傳播該圖像來確保其被采用，包括發(fā)起變革的領(lǐng)導(dǎo)者和必須在目標(biāo)組織中實(shí)施變革的領(lǐng)導(dǎo)者。

當(dāng)競爭對手被AI這一流行語分散了注意力時(shí)，使用以上“AI循環(huán)流程五步走”能實(shí)現(xiàn)真正的業(yè)務(wù)影響。當(dāng)別人剛開始談?wù)摃r(shí)，你其實(shí)已經(jīng)在研究他們已經(jīng)完成了什么，以及必須展示的業(yè)務(wù)表現(xiàn)。

舉個(gè)例子，某大型移動(dòng)運(yùn)營商近期在主要競爭對手發(fā)起價(jià)格戰(zhàn)時(shí)面臨大量客戶流失。起初，運(yùn)營商估計(jì)需要10周的時(shí)間做出回應(yīng)。 當(dāng)另一位大玩家效仿時(shí)，10周變?yōu)?周。該團(tuán)隊(duì)使用逐周的發(fā)布周期，專注于在每個(gè)周期中微優(yōu)化靶向模型，向他們的客戶推出更智能的產(chǎn)品，并通過控制以確保他們從結(jié)果中得出正確的結(jié)論。

他們的初始客戶流失模型可以區(qū)分真正的流失者和誤報(bào)，準(zhǔn)確率僅略高于“扔硬幣”，但在逐步改善。 他們從使用現(xiàn)有數(shù)據(jù)的開源工具和分類模型開始，轉(zhuǎn)而采用更復(fù)雜的技術(shù)。 更重要的是，他們引入了通過稱為深度數(shù)據(jù)包檢測的方法收集的網(wǎng)絡(luò)性能變量，這是一種電信公司用于在非常精細(xì)的級別收集用戶行為數(shù)據(jù)以補(bǔ)充客戶賬戶記錄的技術(shù)。 通過結(jié)合更好的客戶定位和更好的創(chuàng)意和定價(jià)策略，該公司將流失率降低了60%，將其恢復(fù)到歷史水平（與對照組相比）。

這項(xiàng)分析工作并不需要人工智能。 該團(tuán)隊(duì)考慮但推遲使用了神經(jīng)網(wǎng)絡(luò)模型，因?yàn)閷τ谑褂迷撃Ｐ偷臓I銷人員來說，增長信心非常重要。 他們確定，通過簡單而透明的方式帶來用戶會(huì)更加容易。 隨著時(shí)間推移，隨著動(dòng)力和信心的不斷增強(qiáng)，更便于轉(zhuǎn)向這種不透明的深度學(xué)習(xí)解決方案，這些解決方案也可能會(huì)進(jìn)一步提高性能。

通過分析，人員和操作模型需要隨數(shù)據(jù)和算法一起變化。某大型消費(fèi)品公司在試圖解決超額利潤時(shí)就遇到了這個(gè)問題。一個(gè)相對簡單的模型產(chǎn)生需求預(yù)測，雖然它在整個(gè)國家做出了很好的預(yù)測，但它對特定商店中各個(gè)項(xiàng)目的推薦通常很糟。為了彌補(bǔ)這一點(diǎn)，多方都在填補(bǔ)那些推薦的訂單，包括數(shù)萬名對其訂單路線有最終決定權(quán)的現(xiàn)場代表，最終造成了大量的過剩訂貨和高浪費(fèi)率。

為了解決這一問題，該公司建立了一個(gè)包含數(shù)年訂單和退貨歷史的數(shù)據(jù)庫，并使用開源庫來構(gòu)建早期預(yù)測模型。同時(shí)，該公司開發(fā)了一個(gè)新的界面，現(xiàn)場代表可以通過該界面進(jìn)行預(yù)測，該界面設(shè)計(jì)了一個(gè)模型傳遞途徑，可以有效地預(yù)測全國數(shù)百萬物品和商店組合的需求。 在嚴(yán)密管理的試點(diǎn)環(huán)境中，新工具經(jīng)過測試和改進(jìn)，確認(rèn)了預(yù)期的效益。

這種新的預(yù)測方法降低了回報(bào)，預(yù)計(jì)每年可帶來9位數(shù)的回報(bào)。 該公司正在建立一個(gè)內(nèi)部組織以不斷改進(jìn)它，如果這部分業(yè)務(wù)的模型性能仍然是瓶頸，那么明年可能會(huì)部署人工智能。 或者，團(tuán)隊(duì)可能會(huì)關(guān)注其他地方，也許在供應(yīng)鏈方面進(jìn)行更加深入的研究。

移動(dòng)運(yùn)營商和消費(fèi)產(chǎn)品制造商，這些公司的經(jīng)驗(yàn)與機(jī)器學(xué)習(xí)最前沿的專業(yè)人士的經(jīng)驗(yàn)非常相符：在應(yīng)用AI庫之前，通常還有很大的改進(jìn)空間。谷歌的Martin Zinkevich在他的“機(jī)器學(xué)習(xí)規(guī)則：ML工程的最佳實(shí)踐”一文中稱這一規(guī)則為第1號規(guī)則?！暗?號規(guī)則：不要害怕在沒有機(jī)器學(xué)習(xí)的情況下推出產(chǎn)品。 機(jī)器學(xué)習(xí)很酷，但它需要數(shù)據(jù)……如果你認(rèn)為機(jī)器學(xué)習(xí)會(huì)給你100%的提升，那么一次啟發(fā)式的探索將讓你獲得50%的成功?！?/p>

因此，當(dāng)下一次競爭對手宣布與強(qiáng)大或綜合化的人工智能軟件公司合作時(shí)，請不要過于沖動(dòng)，捂緊您的錢包。 大多數(shù)專家認(rèn)為，要用上能夠解決廣泛問題的人工智能，還需要等上幾年時(shí)間。因此，要小心不要成為AI熱的犧牲品，而是做領(lǐng)導(dǎo)者該做的事情：信任AI流程。