在使用人工智能的压力中沉浸

教程

当大型组织在革命性技术的研发上投入数十亿美元时，总会有一个时刻，这项技术准备好迎接主流市场。科技巨头们全力以赴，确保技术在全球范围内的大规模应用。这对于任何技术爱好者来说都是激动人心的时刻，自然会有想要加入潮流、而不想被落下的冲动。

组织内部的各个层级的人们都感受到使用基于人工智能解决方案来应对每一个业务问题的压力。你如何在这种压力下做出正确的商业决策呢？让我们来剖析这个问题，消除迷雾，清晰地了解何时使用人工智能，何时不使用。

需要回答的基本问题

在你深入到为特定业务问题和用例设计解决方案之前，有一些非常基本的问题可以问自己，这些问题将给你提供强有力的暗示，告诉你是否需要投入时间和精力来构建人工智能解决方案。

虽然这种问题通常在高管层的会议室中被提出和解答，但在拥有强大产品文化的优秀公司中，决策是民主化的，个别团队被赋予权力来为其产品路线图和产品特性做出关键决策。

因此，技术产品经理及其团队在决定是否使用基于AI的解决方案来解决客户和高管提出的问题时，重要的是要像CEO一样思考，并思考这些基本问题。

现在，让我们探讨质疑和分析基本问题下的一个层次，并使用一个框架来帮助您决定是否在解决方案设计中使用AI。

虽然公共领域中有很多关于预测性AI和生成性AI之间差异的内容，但我仍然想强调这两者之间的区别。生成性AI(GenAI)在过去几个月中引起了如此多的关注，以至于人们常常忽视其他类型AI的强大能力，许多组织在这些技术上的投资和创新也因此放缓。

开发团队重要的是要暂停思考，为当前用户/客户问题寻找创造性的解决方案。

您要解决的问题是否与收集过去事件的历史数据、寻找其中的模式以预测未来事件的结果相关？对于这类问题，预测性人工智能是您解决方案的分支流向。

如果您考虑为这类问题使用生成性人工智能，那么您就走错方向了。一些可以通过预测性人工智能解决的常见问题示例包括财务预测、最佳基础设施利用率、欺诈检测等。

一旦您明确解决的问题需要基于预测性人工智能的解决方案，接下来设计解决方案的逻辑步骤应该是确定哪种机器学习算法可以解决您的问题。

分类。将数据点分配到预定义类别是一个分类问题。例如，在社交媒体平台上标记任何内容为不当内容，以便机器对适当内容与不当内容的知识不断进行精炼，这是一个分类问题。
回归。当目标是定义特征与目标变量之间的关联以预测未来问题时，这是一个回归问题。例如，预测您的服务未来的流量，以决定何时增加实例的数量。
聚类。将数据分组到不同的桶中，目的是定义有助于您做出决策的正确桶，这是一个聚类问题。例如，分析客户行为和用例，以帮助您的组织定义正确的客户细分，这是一个聚类问题。

在预测性人工智能的领域内，你可以推动如此多的创新和创造力，这难道不是非常令人惊奇吗？迄今为止，在这篇文章中，我们还没有涉及生成式人工智能的领域，这是近来引起了很多关注的领域。

相比之下，如果你试图解决的问题涉及对组织原始数据进行AI模型训练，通过示例让其学习，以便能够接收用户的提示并生成新颖的输出，这就是生成式人工智能出现的场景。这个问题可能涉及不同形式的用户提示和生成的输出。用户提示可以是语音、文本或非结构化数据，而生成的输出可以是自然语言文本、语音、图像或视频。

使用生成式人工智能可以解决的常见问题包括客户支持、代码生成以降低产品开发成本、用于研究和测试的数据合成、根据需求创建营销内容等。

在涉及生成式人工智能解决方案时，一旦明确你的问题需要基于生成式人工智能的解决方案，将会有一些重要的解决方案设计决策，这将帮助你构建最具影响力的解决方案。

虽然缺乏技术现代化可能会使公司的商业模式在某个时刻变得过时，但确保你在正确的问题和正确的地方使用组织的人工智能投资是很重要的。强行将基于人工智能的解决方案应用于不需要它们的问题可能会使你的产品朝错误的方向发展。保持冷静，明智地使用人工智能投资。