治療AI熱的良藥

韓微文

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

· 領先企業(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)務問題開始，通過設計數(shù)據(jù)、開發(fā)模型來解決問題，并根據(jù)結果對其進行優(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(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用程序之間有怎樣的聯(lián)系。

在這種情況下，許多人會陷入恐慌。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的公司。在2018年第一季度，有近20%的企業(yè)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(fā)布周期內(nèi)需要不斷更新，在每個循環(huán)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(huán)流程五步走

貝恩認為，AI循環(huán)流程可以分為五步。

第一步：設置業(yè)務背景。 AI流程要從選擇可量化的業(yè)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(yè)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(yè)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(shù)據(jù)。 評估當前使用的數(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。使用第一手數(shù)據(jù)，即公司通過與客戶的互動產(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。 一個有效的AI流程在“敏捷開發(fā)”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(yè)的行動能力聯(lián)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(chǎn)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(yè)務流程如何來實現(xiàn)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(zhàn)、對數(shù)據(jù)平臺的改變、對基礎設施和測試流程以及大規(guī)模運營執(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(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(xù)模型維護的用戶。 通過繪制圖像來展現(xiàn)AI將使您的組織達成的場景，并在整個發(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(huán)流程五步走”能實現(xiàn)真正的業(yè)務影響。當別人剛開始談論時，你其實已經(jīng)在研究他們已經(jīng)完成了什么，以及必須展示的業(yè)務表現(xiàn)。

舉個例子，某大型移動運營商近期在主要競爭對手發(fā)起價格戰(zhàn)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?yōu)?周。該團隊使用逐周的發(fā)布周期，專注于在每個周期中微優(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果中得出正確的結論。

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，準確率僅略高于“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(shù)據(jù)包檢測的方法收集的網(wǎng)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(shù)據(jù)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(chuàng)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(jīng)網(wǎng)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(shù)據(jù)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(chǎn)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(shù)萬名對其訂單路線有最終決定權的現(xiàn)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(shù)年訂單和退貨歷史的數(shù)據(jù)庫，并使用開源庫來構建早期預測模型。同時，該公司開發(fā)了一個新的界面，現(xiàn)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(shù)百萬物品和商店組合的需求。 在嚴密管理的試點環(huán)境中，新工具經(jīng)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(shù)的回報。 該公司正在建立一個內(nèi)部組織以不斷改進它，如果這部分業(yè)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(chǎn)品制造商，這些公司的經(jīng)驗與機器學習最前沿的專業(yè)人士的經(jīng)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(guī)則：ML工程的最佳實踐”一文中稱這一規(guī)則為第1號規(guī)則。“第1號規(guī)則：不要害怕在沒有機器學習的情況下推出產(chǎn)品。 機器學習很酷，但它需要數(shù)據(jù)……如果你認為機器學習會給你100%的提升，那么一次啟發(fā)式的探索將讓你獲得50%的成功。“

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(shù)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。