启动 AI 项目的最佳方式？不要考虑模型

Eran Shlomo贡献者

Eran Shlomo是Dataloop的联合创始人兼首席执行官。

企业想出创意来使用 AI 来改善客户体验或简化工作流程是很常见的。这些项目成功的障碍通常在于将它们投入开发然后投入生产所需的时间和资源。但是，正如我们在 OpenAI 的新 ChatGPT 中看到的那样，AI 既可以带来乐趣，也可以带来问题。

由于有如此多的项目失败，或者更糟的是，不准确，这些公司中的许多人很可能会犯同样的错误。以下是一些可以优化您成功机会的提示。

从右脚开始

人工智能开发过程中存在规划不善、项目管理和工程问题。如今，大多数企业领导者都是从媒体上了解人工智能的，这些媒体通常将人工智能的价值描述为神奇的，或者是一种只需少量投入即可投入生产的东西。

他们相信实施人工智能有助于降低成本、提高利润率和增加收入。由于竞争对手已经行动起来，它创造了 AI “FOMO”，尽管对创建成功和准确的 AI 项目所涉及的总体影响、计划、成本和资源没有清晰的了解，但高管们被迫迅速采取行动。

由于对工程环境知之甚少，合乎逻辑的第一步应该是聘请数据科学家来规划和规划团队可能面临的挑战。然而，这些数据科学家通常没有领域知识。

确保您走在正确的 AI 开发道路上的最佳方法是在不考虑模型的情况下开始您的 AI 项目。

以自动化和改进业务为目标进入新组织的数据科学家通常会尝试手动收集足够的数据，以首先证明创建 AI 的价值。一旦成功进行了概念验证，团队通常会在数据管理方面碰壁。该组织可能不会以“人工智能友好”的方式收集、存储或管理数据。

例如，一家希望在生产装配线上嵌入智能故障检测的工厂将能够通过在机器上使用单个摄像头几分钟来非常快速地演示 AI 项目。但是，要使该项目投入生产并每天使用，它必须将单摄像头演示过渡到 500 个摄像头 24/7 全天候运行。这将需要数月甚至数年的时间才能将 AI 在演示中提供的价值带到终点线。

当然，高管们应该清楚地了解他们想要解决的问题以及业务案例。但是 AI 核心团队应该至少包括三个角色，所有这些角色对于项目的成功都同样重要：数据科学家、数据工程师和领域专家。

虽然这听起来很奇怪，但在组织内成功的第一个人工智能项目不应该涉及算法或花哨的人工智能模型。人工智能本质上是一种自动化知识的努力。与所有自动化工作一样，最好先以手动、缓慢且不可扩展的方式展示一些示例的价值。

在开始时，数据工程师将使用数据创建一些案例，而领域专家会将这些案例研究转化为示例。这一步暴露了 AI 过程的核心。业务会有原始数据和目标，然后他们会想得到一个例子，就是理想中想象的输出数据。

此过程称为数据开发，由于不涉及建模，因此该方法本质上是以数据为中心的。这种方法比模型优先的方法有很多优点，例如

一旦手动完成了几个示例，企业就可以开始规划 AI 的生产路径。