发帖
雷达卡
人工智能，机器学习和深度学习模型已经证明了发展和改善业务的强大力量。我们发现，人工智能生产的最佳方法是风险资本家在对初创企业进行评估和投资时所做的工作。
麦肯锡（McKinsey）在2019年进行的一项调查发现，其公司采用AI解决方案的大多数高管报告称，这些解决方案带来了收入的增长，有44％的人表示AI降低了成本。但是，AI模型的开发成本通常很高，并且存在这样的风险，即该模型将无法对组织产生有意义的影响，并且在完成后将使飞行员炼狱陷入困境。那么，如何在这种情况下最大化成功的可能性呢？我们如何快速，经济高效地创建有用（和使用）的工具？我们已经为许多组织开展了许多此类项目。这是我们学到的东西：人工智能生产的最佳方法类似于风险资本家（VC）在评估和投资初创企业时所做的事情。
从哪里开始？如何头脑风暴AI / ML想法
重要的是要对任何领域的成功都有一个直觉。小野二郎（Jiro Ono）也许是日本最受人尊敬的寿司厨师，他的口头禅是：“要制作美味的食物，就必须吃美味的食物。” AI和ML项目也是如此。使自己沉浸在研究中，并找出在自然语言处理，计算机视觉和物体检测等领域可能实现的目标。查找成功的用例示例，并了解可以使用的用例。神经信息处理系统会议（NeurIPS）是一个很好的起点，因为它提供了对该领域正在讨论和开发的内容的全面概述。将研究转移到您的域中。关注您所在行业的新闻，了解趋势。
从简单开始。寻找可以通过几秒钟的思考就能完成的手动，平凡的任务。这些是使用AI / ML进行自动化的最佳人选，尤其是当有标签的培训数据可用于该活动时。
激励自己。查看开放的数据集。查看您的数据集。您还能收集什么？作为一种集思广益的技巧，请考虑您将如何使用ML自动化（或增强）来重新构造竞争对手的组织或市场...将使您获得什么样的见解？
在收集此数据之前，请研究购买的可能性。
收集好几个想法后，如何选择最佳的投资思路？另一群人面临着开发许多项目并从中最好的项目中进行选择的类似情况- 风险投资家。让我们看看我们可以从中学到什么。
我们可以从风险投资中学到什么？
首先，收集很多想法。然后验证已经很有前途的那些，也尝试那些与直觉相反的那些。
在确认最大风险之前，不要投入大量资金。建立深度学习网络或AI模型的概念证明（PoC）。建立界面的PoC并与用户进行测试。
注意牵引力。人工智能项目的吸引力是什么？您需要寻找一组急需您解决方案的组织员工。员工是否对使用AI或ML模型或成为数据驱动型组织的前景感到兴奋或害怕？如果他们感到兴奋，他们就会知道模型的实现将简化他们的工作流程，并使他们专注于更复杂的决策。从他们那里买入对于成功实施将非常重要。
如果组织团队担心AI / ML模型的开发，请提供教育和培训。麦肯锡对“ AI高性能”公司的调查发现，他们有意识地进行了教育，帮助，并在必要时进行再培训，以促进人与机器之间的伙伴关系，而不是替代或试炼炼狱。请注意，不要只看您的研究人员的兴奋，因为大多数研究人员对解决难题感到兴奋，而对业务没有影响。
许多创业公司都取得了成功（有些则如此），但不幸的是，大多数创业公司都将失败。风险投资公司了解这种风险。这就是为什么风投公司建立多元化投资组合的原因。您可以通过构建思路组合来遵循本课程。成为思想的探索者，并谨慎选择不要以牺牲其他思想为代价来支持一个思想。将沉没成本视为勘探投资，而不是固定于单一路径的理由。机器学习项目是研究项目。为失败做好准备。尝试不同的事情。适应。当投资的风险较小时，请拉动更多资源，并在明显失败的攻击线上拔掉插头。
在AI / ML的开发和建设上进行少量投资
专注于价值实现时间（TtV），这是从业务请求到该请求的初次交付之间的时间。任何企业的目标都是使TtV最小化，以便尽快实现一定水平的企业价值。
通常，最大的成本是员工（即工程师和研究人员）的时间成本。如果您想获得良好的投资回报率，请努力降低此回报率。使用有助于更快地构建东西的技术。例如，在很多情况下，您不需要像许多团队一样从头开始构建ML模型。您可以使用合适的预制构件来构建您的AI解决方案，或者至少使用可以快速获得良好结果的高级工具。
1）专为您要解决的问题而设计的AI产品
2）现有的API，例如Google，Microsoft或AWS的语音识别或对象检测API
3）如果还不够，请考虑使用AutoML工具来构建自定义模型
4）如果需要真正定制的模型，请使用Fast.ai或Keras等高级ML库（而不是纯Tensorflow）构建它们。
跟随工具空间（或与做某事的人合作），因为它每季度都在变化。
使用R / Shiny构建决策支持系统的PoC。不使用Shiny的唯一原因是，您需要进行非常基本的测试（使用BI），或者您的团队仅致力于Python和Python（使用Dash）。多年以来，Shiny已被证明在该领域表现出色（决策支持系统PoC）。
减少基础设施工作。在大多数情况下，这只是项目成本的一小部分。使用正确的工具帮助自己：
RStudio Connect
多米诺数据实验室
W＆B
海王星
Google Cloud AI笔记本，
AWS SageMaker
使用干净的数据。这里没有捷径。投资建立适当的数据收集和数据管道，重点是良好的数据质量。验证并确保您知道自己拥有什么。在此步骤中进行少量投资将对确保以下所有步骤中的良好结果大有帮助。
结盟：确定明确界限并听取用户意见。
确定清除。没有合适的导轨，研究可能会变成一个黑洞。确保使用AI / ML模型的人员了解他们的跑道和成功标准。设定成功标准很困难，但最终是必须的。这可能需要双方的教育；商业通常要求100％的准确性，技术通常不愿承诺任何事情。这些主题只能通过开放，教育和深入的对话来解决。
尽早与用户交流。Y Combinator的口头禅是“做出人们想要的东西”。如果您的工作的最终目标是制作团队要使用的东西，而我敢冒险猜测对于99％以上的团队负责人来说，请确保您尽快与潜在用户交流。这是不仅减少总体投资，而且还可以确保您构建正确的事物的最佳方法之一。与用户进行诚实的对话值得其发挥作用。
结论
您坐下来为工程团队编写模型规格之前，成功的机会很大程度上取决于您的计划和收集。在这里，我建议像风险投资家那样思考，以此作为使用ML / AI来发展您的组织的一种方法。收集很多想法。验证有前途的人，但不要忽略违反直觉的人。不要超支，有一些技术和工具可以帮助您。建立PoC并尽早与用户进行测试。使用干净的数据并为您的项目确定一个明确的起点。再一次，尽早与用户交流。放在一起，您将为实现经济高效，组织变革的ML / AI成功扫清道路。
关注 CDA人工智能学院 ，回复“录播”获取更多人工智能精选直播视频！
京公网安备 11010802022788号
