原文towardsdatascience.com/nobody-puts-ai-in-a-corner-0118641bc319?sourcecollection_archive---------7-----------------------#2024-11-13关于转型的两个简短故事以及如果你想成为“AI 启用型”公司应该做些什么https://medium.com/danielbakkelund?sourcepost_page---byline--0118641bc319--------------------------------https://towardsdatascience.com/?sourcepost_page---byline--0118641bc319-------------------------------- Daniel Bakkelund·发布于 Towards Data Science ·阅读时间 7 分钟·2024 年 11 月 13 日–https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/189e8abd01ac13309a9f78c4f36dfdad.png由 ChatGTP 生成我与许多产品公司交流时他们都很难理解“转型为 AI”对他们来说意味着什么。在这篇文章中我分享了成为 AI 启用型企业的意义以及你可以做些什么去实现这一目标。不是通过列举你必须做的事情而是通过两个故事。第一个故事讲的是数字化——一个非数字化公司转型为数字化公司的意义。因为转型为 AI 遵循相同的路径这是一种“相似但不同”的转型。第二个故事讲的是为什么过去几年许多产品公司在 AI 和数据科学投资中失败因为他们把 AI 置于了角落里。但在我们深入之前请记住成为 AI 启用型公司是一场转型或者说是一段旅程。而要顺利开始这段旅程并成功到达目的地最好是你清楚知道自己要去哪里。那么什么是“AI 启用型”公司成为 AI 启用型公司意味着能够利用 AI 技术把握一个机会或者获得你原本无法获得的竞争优势。那么在完成转型之后你怎么知道自己是否成功了呢你可以问自己这个问题我们现在能做什么之前做不到的我们现在能利用一个以前无法利用的机会吗或者更直接地说我们现在是否能够利用一个以前无法利用的机会这个问题与人工智能并无特别关系。它适用于任何组织为获得新能力而进行的转型。因此如果你希望转型到人工智能领域也有很多可以从其他转型中学习的经验。轶事 1数字化的故事https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/13234f9488bda0fcf2165abe46dd9aac.png由 ChatGPT 生成在过去的几十年里一些大型企业经历了一个巨大的转变称为数字化。这是一个过程企业从将信息技术作为日常工作的工具转变为将信息技术作为战略资产以获得竞争优势。几年前我在石油和天然气行业待过一段时间参与了大规模的数字化工作。如果你没有在石油和天然气行业工作过你可能会惊讶地发现这个庞大的行业在很大程度上仍然没有实现数字化。当然这个行业自计算机问世以来就一直在使用计算机但那时它们只是工具CAD 工具用于设计物流系统用于项目和生产计划CRM 系统用于管理员工和客户等等。然而一个公司相对于另一个公司的竞争力主要体现在员工对钢铁、管道和机械的知识上了解流体如何通过管道流动如何在恶劣环境下安装重型设备以及这个行业中的许多其他事情。计算机一直被看作是完成工作的工具信息技术也一直被视为需要尽量减少的开销。数字化正是旨在改变这种思维方式的转型。为了使信息技术在竞争中发挥杠杆作用企业必须从把信息技术视为开销的思维转变为把信息技术视为投资机会。通过投资自己的信息技术你可以创造出竞争对手没有的工具和产品从而为自己赢得竞争优势。但是投资于内部软件开发是昂贵的因此为了确定正确的投资以将竞争转向自己一方你需要所有工程师、钢铁和机械专家开始思考你能通过计算机以一种服务于这个目标的方式解决哪些问题和挑战。这是因为关于如何改善你的产品和服务的知识掌握在员工的脑海中与客户沟通的销售人员触及市场趋势的营销人员设计和制造资产的产品人员以及设计、制造和测试最终产品的工程师。这些人必须内化使用计算机技术来整体改善业务的理念并付诸实践。这就是数字化的目标。但是你已经知道这些了对吧那为什么还要重复呢因为向 AI 转型的故事其实和数字化转型是完全相同的你只需要将“数字化转型”替换为“向 AI 转型”。因此从数字化项目中有很多东西可以学习。如果你够幸运你可能已经理解了什么是数字化公司那么你实际上也知道数字化转型意味着什么。轶事二数据科学的三个时代https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/db12cbd63391b00a6ab12a1f40c4a07d.png由 ChatGPT 生成工业 AI 和数据科学的历史较短起始于 2010-2012 年。虽然从这段历史中可以学到一些东西但我立刻要说目前还没有什么灵丹妙药能让 AI 的转型一蹴而就。但作为一个行业我们在逐步进步。我把这段历史分为三个不同的时代根据各家公司在首次启动 AI 项目时的处理方式来划分。在第一阶段想要使用 AI 和机器学习的公司大量投资于大型数据基础设施并雇佣了一大批数据科学家将他们集中在一个房间里期待奇迹发生。但什么也没发生基础设施和人力成本极高因此这种方法很快被放弃。这个思路受到 Twitter、Facebook、Netflix 和 Google 等成功案例的启发但这些企业的规模并不适用于大多数公司。经验教训。在第二阶段借鉴了第一阶段的经验AI 顾问们建议应该从识别自己领域中的“杀手级”AI 应用开始组建一支小型的数据科学家团队做一个最小可行产品MVP并在此基础上不断迭代。这将为你提供一个高价值的项目和示范案例让你能向整个公司展示 AI 的辉煌。大家都会惊叹不已看到希望AI 转型就会完成。因此公司雇佣了一个小团队的数据科学家把他们安排在一个角落里期待奇迹的出现。但什么也没发生。之所以在这种环境下没有奇迹发生是因为被聘用来帮助转型的数据科学家和 AI/ML 专家并不了解业务。他们既不了解你也不了解你客户的痛点。他们不知道业务领域的希望、梦想和目标。而且更重要的是了解这些的人——你们组织中的产品人员、管理者和工程师——他们并不懂数据科学家也不了解 AI更不清楚 AI 能用来做什么。他们也不理解数据科学家在说什么。在这些群体还没学会互相“交流”之前魔法是不可能发生的。因为在那之前AI 转型根本没有发生。这就是为什么当你检查自己是否已经完成转型时重要的不是问自己“你能做什么”而是问“你将做什么”。AI 团队能帮助应用 AI 来抓住机会但除非他们知道该做什么否则这一切不会发生。这是一项沟通的工作。就是让合适的人互相交流。但跨越这些边界的沟通是具有挑战性的这也导致了我们现在所处的局面第三个时代——虽然目前仍然没有银弹当前的建议如下找到一位在 AI 和机器学习方面有经验的人。这是一个专业领域你需要具备相关能力。除非你拥有卓越的人才否则不要试图一夜之间将其他领域的专家转型为数据科学家。从零开始建立一个团队需要时间并且他们在开始时没有经验。如果需要毫不犹豫地去外部寻找帮助你入门的人。将数据科学家与领域专家和产品开发团队对接让他们一起提出你业务中的第一个 AI 应用。它不一定是杀手级应用——只要能找到任何可能有用的应用就足够了。继续开发解决方案并展示给组织中的其他人。这项工作的重点不是要命中靶心而是要提出一个全公司都能识别、理解并评论的可行 AI 示例。如果领域专家和产品团队的人出来说“但你解决了错误的问题你应该做的是……”那么你可以把它视为一次胜利。到那时你已经让关键资源开始对话合作找出新的、更好的解决方案解决你已经设定的那些问题。在我担任数据科学家期间“角落里的数据科学家”陷阱是导致团队或组织在初始人工智能AI项目中失败的主要原因之一。如果 AI 资源没有与产品团队密切互动那应该被视为注定失败。你需要让产品团队推动 AI 项目——这是确保 AI 解决方案能有效解决正确问题的关键。总结成为一个 AI 驱动的产品组织的转型建立在数字化驱动的基础上并遵循类似的路径成功的关键是与领域专家和产品团队合作让他们了解并应用 AI 带来的扩展问题解决能力。AI 和机器学习是一个复杂的专业领域你需要有熟练的专家。之后关键是将这些资源与领域专家和产品团队紧密结合以便他们能够开始共同解决问题。另外不要把 AI 放在角落里https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/7a20dea813932f19f3dae9d4e21efd8a.png转型过程。图示由作者与 ChatGPT 和 GIMP 合作完成。