治療AI熱的良藥

韓微文

· 想要實現能夠解決廣泛問題的綜合化人工智能，可能還需要幾年時間。

· 領先企業并非追趕最新的AI潮流，而是專注于人工智能流程開發。

· AI流程通常從業務問題開始，通過設計數據、開發模型來解決問題，并根據結果對其進行優化。

試想一下：一位企業高管發現，他們的主要競爭對手剛剛聘請了一家有潛力的初創公司，這家初創公司專注于開發應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用。

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

在這種情況下，許多人會陷入恐慌。為了獲得初創公司的替代選擇，他們爭先恐后地尋找另一家能夠提供人工智能服務的公司。在2018年第一季度，有近20%的企業在財報中提到了人工智能或機器學習，這位高管的董事會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過程，而非一種工具。要了解這個過程，首先要考慮如何構建軟件。AI解決方案其實和軟件類似，在非常短但嚴格管理的發布周期內需要不斷更新，在每個循環周期中獲得更好的效果，從而提高效率來達到更強大的預期效果。

AI循環流程五步走

貝恩認為，AI循環流程可以分為五步。

第一步：設置業務背景。 AI流程要從選擇可量化的業務目標開始，選擇正確的問題是整個過程中最關鍵的一步。其次是設置基線，也就是要被突破的目標。 這一框架應側重于對業務目標的影響，而不是關于公司的AI效力和算法如何與競爭對手保持一致，將業務目標轉換為機器學習目標，如保留有價值但不滿意的客戶。

第二步：設計數據。 評估當前使用的數據以及未來可能使用的數據，查看哪些是可用的。 專業人士知道，更好的數據勝過更好的算法。使用第一手數據，即公司通過與客戶的互動產生的數據，通常比購買的第三方數據更好。

第三步：開發模型。 一個有效的AI流程在“敏捷開發”中革新。 在每次迭代結束時，將新模型的性能與團隊試圖突破的基線模型進行比較，例如更好的定位算法，將分析過程與企業的行動能力聯系在一起。 這一過程應該保持簡短、緊迫，促使管理者切實思考想要建立什么，從外部引入和增加什么。

第四步：部署模型。 每個周期都會產生一些價值，因此需要將它付諸實踐。 比如，用真實的用戶來測試結果，用結果來告知業務流程如何來實現價值。 在這一步中將確定各種功能增強的需求，包括如何選擇挑戰、對數據平臺的改變、對基礎設施和測試流程以及大規模運營執行的改變、對人才需求和其組織形式的改變。通常，在第一個周期中無法第一時間弄清楚，但隨著時間的推移，答案將浮出水面。 因此，弄清楚需求是很有價值的，但這恰恰與大多數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重要原因。

第五步：確保采用。與實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模型維護的用戶。 通過繪制圖像來展現AI將使您的組織達成的場景，并在整個發起人范圍內傳播該圖像來確保其被采用，包括發起變革的領導者和必須在目標組織中實施變革的領導者。

當競爭對手被AI這一流行語分散了注意力時，使用以上“AI循環流程五步走”能實現真正的業務影響。當別人剛開始談論時，你其實已經在研究他們已經完成了什么，以及必須展示的業務表現。

舉個例子，某大型移動運營商近期在主要競爭對手發起價格戰時面臨大量客戶流失。起初，運營商估計需要10周的時間做出回應。 當另一位大玩家效仿時，10周變為5周。該團隊使用逐周的發布周期，專注于在每個周期中微優化靶向模型，向他們的客戶推出更智能的產品，并通過控制以確保他們從結果中得出正確的結論。

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

這項分析工作并不需要人工智能。 該團隊考慮但推遲使用了神經網絡模型，因為對于使用該模型的營銷人員來說，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更加容易。 隨著時間推移，隨著動力和信心的不斷增強，更便于轉向這種不透明的深度學習解決方案，這些解決方案也可能會進一步提高性能。

通過分析，人員和操作模型需要隨數據和算法一起變化。某大型消費品公司在試圖解決超額利潤時就遇到了這個問題。一個相對簡單的模型產生需求預測，雖然它在整個國家做出了很好的預測，但它對特定商店中各個項目的推薦通常很糟。為了彌補這一點，多方都在填補那些推薦的訂單，包括數萬名對其訂單路線有最終決定權的現場代表，最終造成了大量的過剩訂貨和高浪費率。

為了解決這一問題，該公司建立了一個包含數年訂單和退貨歷史的數據庫，并使用開源庫來構建早期預測模型。同時，該公司開發了一個新的界面，現場代表可以通過該界面進行預測，該界面設計了一個模型傳遞途徑，可以有效地預測全國數百萬物品和商店組合的需求。 在嚴密管理的試點環境中，新工具經過測試和改進，確認了預期的效益。

這種新的預測方法降低了回報，預計每年可帶來9位數的回報。 該公司正在建立一個內部組織以不斷改進它，如果這部分業務的模型性能仍然是瓶頸，那么明年可能會部署人工智能。 或者，團隊可能會關注其他地方，也許在供應鏈方面進行更加深入的研究。

移動運營商和消費產品制造商，這些公司的經驗與機器學習最前沿的專業人士的經驗非常相符：在應用AI庫之前，通常還有很大的改進空間。谷歌的Martin Zinkevich在他的“機器學習規則：ML工程的最佳實踐”一文中稱這一規則為第1號規則。“第1號規則：不要害怕在沒有機器學習的情況下推出產品。 機器學習很酷，但它需要數據……如果你認為機器學習會給你100%的提升，那么一次啟發式的探索將讓你獲得50%的成功。“

因此，當下一次競爭對手宣布與強大或綜合化的人工智能軟件公司合作時，請不要過于沖動，捂緊您的錢包。 大多數專家認為，要用上能夠解決廣泛問題的人工智能，還需要等上幾年時間。因此，要小心不要成為AI熱的犧牲品，而是做領導者該做的事情：信任AI流程。