問題到底出現(xiàn)在了哪里?有什么辦法來避免這些錯誤嗎?

如今，人工智能(AI)、機(jī)器學(xué)習(xí)(ML)和其他新興技術(shù)具有巨大的潛力已成社會共識，它們有望為個人、企業(yè)乃至政府解決眾多復(fù)雜的問題。

然而，盡管在過去的兩年里人工智能的應(yīng)用越來越多，但只有一小部分公司承認(rèn)人工智能技術(shù)的引進(jìn)為他們的業(yè)務(wù)進(jìn)展貢獻(xiàn)了重大的價值。

那么，問題到底出現(xiàn)在了哪里?企業(yè)在應(yīng)用人工智能技術(shù)的時候會犯哪些錯誤?有什么辦法來避免這些錯誤嗎?

不要解決錯誤的問題

當(dāng)決定在哪里應(yīng)用人工智能來解決問題時，要通過正確的視角來看待情況，并讓企業(yè)的商業(yè)部門和IT部門雙方都參與到設(shè)計過程中來。

因?yàn)闊o論是商業(yè)部門還是IT部門都沒有辦法給出全部的意見。商業(yè)部門領(lǐng)導(dǎo)人知道可以拉動哪些杠桿來獲得競爭優(yōu)勢，而技術(shù)部門領(lǐng)導(dǎo)人知道如何使用技術(shù)來實(shí)現(xiàn)這些目標(biāo)。

兩方結(jié)合可以幫助創(chuàng)建一個關(guān)于問題、要求和期望結(jié)果的完整圖景，并且可以優(yōu)先考慮哪些變化會產(chǎn)生最大的運(yùn)營和財務(wù)影響。

舉例來說，一家消費(fèi)品零售公司的平均發(fā)票處理時間為36小時，在降本增效的情況下，它希望幫助其加快處理速度。根據(jù)預(yù)估，應(yīng)用AI/ML解決方案可以將發(fā)票處理時間減少到30分鐘，效率提高了720%。

從紙面上看，這種改進(jìn)很好，但該公司的每周結(jié)算流程意味著處理時間的改善并不重要，這也就導(dǎo)致該解決方案從未投入應(yīng)用。

當(dāng)看到要解決的問題時，重要的是將其與三個關(guān)鍵的底線業(yè)務(wù)驅(qū)動因素聯(lián)系起來——增加收入、提高利潤率或減少風(fēng)險。而在上面的案例中，節(jié)省時間并不一定意味著增加收入或減少成本。

數(shù)據(jù)質(zhì)量是成功的關(guān)鍵

如今，大多數(shù)人應(yīng)該都不會質(zhì)疑數(shù)據(jù)在人工智能項目中的關(guān)鍵性和重要性。干凈、可靠、可訪問的數(shù)據(jù)是實(shí)現(xiàn)準(zhǔn)確結(jié)果的關(guān)鍵。

對于一個人工智能系統(tǒng)，算法優(yōu)良，模型有效，但是如果數(shù)據(jù)質(zhì)量差或者不容易收集、不可行，那么就意味著整體的失敗。

所以，企業(yè)必須確定他們需要收集哪些數(shù)據(jù)，他們是否能夠?qū)嶋H收集這些數(shù)據(jù)，收集這些數(shù)據(jù)的難度和成本有多大，以及這些數(shù)據(jù)是否能夠提供所需的信息。

例如，一家金融機(jī)構(gòu)希望使用AI/ML來自動處理貸款，但源記錄中缺失的數(shù)據(jù)元素造成了高錯誤率，就會導(dǎo)致解決方案失敗。

為此，就需要創(chuàng)建出第二個ML模型來審查每條記錄。那些符合要求的置信區(qū)間的記錄在自動化流程中被向前推進(jìn)，那些不符合要求的記錄被拉出來進(jìn)行人工干預(yù)以解決數(shù)據(jù)質(zhì)量問題。

這個多階段的過程大大減少了所需的人力互動，使該機(jī)構(gòu)的效率提高了85%。如果沒有額外的ML模型來解決數(shù)據(jù)質(zhì)量問題，該機(jī)構(gòu)即便有了自動化解決方案也永遠(yuǎn)不會取得有意義的結(jié)果。

部搭建的還是請求第三方?

在搭建人工智能系統(tǒng)的時候，企業(yè)往往會面臨是自主開發(fā)還是引入第三方的矛盾選擇。一般而言，內(nèi)部自主搭建的解決方案具有高度“可控性”，因?yàn)樗虚_發(fā)算法、清理數(shù)據(jù)以及測試和驗(yàn)證模型的工作都是掌握在自己手里。

但是，建立自己的人工智能解決方案是很復(fù)雜的，除非你使用開源代碼，否則你將面臨圍繞所使用的工具的許可費(fèi)用以及與前期解決方案開發(fā)和維護(hù)有關(guān)的費(fèi)用。

那么引入第三方解決方案就萬事大吉了嗎?也不盡然，第三方解決方案同樣有其自身的挑戰(zhàn)，包括：無法接觸到模型或其工作方式;無法知道模型是否在做它應(yīng)該做的事情;如果解決方案是基于SaaS的，則無法接觸到數(shù)據(jù);無法進(jìn)行回歸測試或了解錯誤接受度或錯誤率。

在監(jiān)管嚴(yán)格的行業(yè)，這些問題變得更加具有挑戰(zhàn)性，因?yàn)楸O(jiān)管機(jī)構(gòu)會就這些問題提出質(zhì)詢。

例如，一家金融服務(wù)公司正在驗(yàn)證一種 SaaS 解決方案，該方案使用人工智能來識別可疑活動。因?yàn)橐肓说谌剑摴緹o法接觸到基礎(chǔ)模型或數(shù)據(jù)，也沒有關(guān)于該模型如何確定哪些活動是可疑的細(xì)節(jié)。這樣一來，該公司如何進(jìn)行盡職調(diào)查并核實(shí)該工具是否有效?

在這種情況下，該公司發(fā)現(xiàn)其唯一的選擇就是對其試圖檢測的可疑或惡劣的活動進(jìn)行模擬。但即使這種驗(yàn)證方法也有挑戰(zhàn)，例如確保測試不會產(chǎn)生負(fù)面影響、創(chuàng)建拒絕服務(wù)條件，或影響服務(wù)的可用性。

該公司決定在測試環(huán)境中進(jìn)行模擬，以盡量減少對生產(chǎn)影響的風(fēng)險。如果公司選擇利用這種驗(yàn)證方法，他們應(yīng)該審查服務(wù)協(xié)議，以驗(yàn)證他們是否有權(quán)進(jìn)行這種類型的測試，并應(yīng)考慮是否需要獲得其他可能受影響的第三方的許可。

收集所有的相關(guān)聲音

在考慮開發(fā)一個人工智能解決方案時，重要的是在前期聚攏所有相關(guān)的決策者，包括業(yè)務(wù)利益相關(guān)者、IT、合規(guī)性和內(nèi)部審計。這可以確保在規(guī)劃和工作開始前收集所有關(guān)于需求的關(guān)鍵信息。

例如，一家酒店管理公司希望按照歐洲嚴(yán)格的數(shù)據(jù)保護(hù)法《通用數(shù)據(jù)保護(hù)條例》(GDPR)的要求，將其響應(yīng)數(shù)據(jù)主體訪問請求(DSAR)的過程自動化。DSAR要求企業(yè)應(yīng)要求提供該公司為請求者持有的任何個人數(shù)據(jù)的副本，以及使用這些數(shù)據(jù)的目的。

為此，該公司聘請了一個外部供應(yīng)商來開發(fā)一個人工智能解決方案，以實(shí)現(xiàn)DSAR流程要素的自動化，但在這個過程中沒有涉及IT部門。

由此產(chǎn)生的需求定義未能與該公司支持的技術(shù)解決方案相一致。雖然概念驗(yàn)證證實(shí)了該解決方案會使速度和效率提高200%以上，但該解決方案沒有進(jìn)入生產(chǎn)階段，因?yàn)镮T部門擔(dān)心維護(hù)這個新解決方案的長期成本會超過節(jié)省的成本。

在一個類似的例子中，一家金融服務(wù)機(jī)構(gòu)沒有讓其合規(guī)團(tuán)隊參與制定需求定義。這導(dǎo)致正在開發(fā)的人工智能解決方案不符合該企業(yè)的合規(guī)標(biāo)準(zhǔn)，證明過程沒有被記錄下來，而且該解決方案沒有使用該公司要求的相同的身份和訪問管理(IAM)標(biāo)準(zhǔn)。當(dāng)解決方案只是部分通過了概念驗(yàn)證階段時，合規(guī)性也“廢掉”了該解決方案。

重要的是，在開發(fā)或?qū)嵤┤斯ぶ悄?ML解決方案時，所有相關(guān)的聲音都要盡早提出。這將確保需求定義是正確和完整的，解決方案符合所需的標(biāo)準(zhǔn)，并實(shí)現(xiàn)預(yù)期的業(yè)務(wù)目標(biāo)。

結(jié)語

在考慮人工智能或其他新興技術(shù)時，企業(yè)需要在過程的早期采取正確的行動，以確保成功。最重要的是，他們必須確保：1)他們追求的解決方案符合三個關(guān)鍵目標(biāo)中的一個——增加收入、提高盈利能力或降低風(fēng)險;2)他們有獲得必要數(shù)據(jù)的流程;3)他們的構(gòu)建與購買決策是有根據(jù)的;4)他們有所有的利益相關(guān)者都在早期參與。