沉浸在使用人工智慧的壓力中

教學

當大型組織花費數十億美元進行一項革命性技術的研究和開發時，技術準備就緒，迎來了成熟的時刻。技術巨頭全力以赴，確保該技術被大規模全球採用。對於任何技術愛好者來說，這是令人興奮的時刻，自然會感到渴望成為這股風潮的一部分，不希望被拋在後頭。

組織中各級人員感受到利用基於人工智慧的解決方案解決每個業務問題的壓力。如何承受這種壓力，並為您的業務問題做出正確決策？讓我們分解問題，澄清思路，明確了解何時應該使用人工智慧，何時不應該。

需要回答的基本問題

在深入設計特定業務問題和使用案例的解決方案之前，您可以問自己一些非常基本的問題，這些問題將給您強烈的提示，指引您是否需要投入時間和精力建立人工智慧解決方案。

儘管這種類型的問題通常會在執行層的會議室中提出並回答，在具有強烈產品文化的優秀公司中，決策是民主化的，各個團隊被賦予了就產品路線圖和產品功能做出重要決策的權力。

因此，對於技術產品經理及其團隊來說，像一位首席執行官一樣思考並在決定是否使用基於人工智能的解決方案來解決客戶和執行層提供的問題時，思考這些基本問題是非常重要的。

現在，讓我們深入探討基本問題下面的一個層面的質疑和分析過程，並使用一個框架來幫助您決定在解決方案設計中是否使用人工智能。

儘管公共領域中有很多關於預測型人工智能和生成型人工智能之間的區別的內容，我仍然想強調這兩者之間的區別。生成型人工智能（GenAI）在過去幾個月中引起了很多關注，人們常常忽略了其他類型人工智能的威力，許多組織對這些技術的投資和創新已經放緩。

開發團隊暫停並思考手邊用戶/客戶問題的創造性解決方案是很重要的。

您想要解決的問題是否與收集過去事件的歷史數據，找出其中的模式，以便預測未來事件的結果有關？對於這種問題，預測性人工智慧是您解決問題的方向。

如果您在考慮對此類問題使用通用人工智慧，那麼您走錯路了。一些可以使用預測性人工智慧解決的常見問題包括財務預測、最佳基礎設施利用、詐騙檢測等。

一旦您清楚地知道您正在解決的問題將需要基於預測性人工智慧的解決方案，下一個合乎邏輯的步驟應該是設計解決方案時應使用的機器學習算法。

分類。將數據點分配給預定類別是一個分類問題。例如，在社交媒體平台上標記任何不當內容，以便機器能夠持續改進有關合適與不當內容的知識是一個分類問題。
回歸。當目標是定義特徵與目標變量之間的相關性，以預測未來問題時，這是一個回歸問題。例如，預測您服務的未來流量，以決定何時增加pod的數量。
聚類。將數據分組到不同的桶中，目標是定義正確的桶，幫助您做出決策，這是一個聚類問題。例如，分析客戶行為和使用案例，幫助您的組織定義正確的客戶分段就是一個聚類問題。

在預測性人工智慧的領域中有如此多創新和創造力，這是不是相當令人驚訝的？到目前為止，在這篇文章中，我們尚未進入生成式人工智慧的領域，而這個領域最近引起了很大的關注。

相反，如果您嘗試解決的問題涉及在組織的原始資料上訓練一個人工智慧模型，讓它通過示例學習，從而可以接受用戶的提示並生成新穎的輸出，這就是生成式人工智慧的應用場景。這個問題可能具有不同的用戶提示組合和生成的輸出。用戶提示可以是語音、文本或非結構化數據，生成的輸出可以是自然語言文本、語音、圖像或視頻。

使用生成式人工智慧可以解決的常見問題包括客戶支持、代碼生成以降低產品開發成本、為研究和測試合成數據、創建按需營銷內容等。

當涉及基於生成式人工智慧的解決方案時，一旦您確定您的問題需要基於生成式人工智慧的解決方案，將會有一些重要的解決方案設計決策，這將幫助您構建最具影響力的解決方案。

儘管缺乏技術現代化可能使公司的商業模式在某個時候過時，但確保您正確地將組織的人工智能投資用於正確的問題和正確的地方非常重要。為不需要的問題強制應用基於人工智能的解決方案可能使產品走錯方向。保持冷靜，明智地運用人工智能投資。