Artificial Intelligence

没有商业远景的AI产品是一种浪费

Lucas Persona
Lucas Persona
05/21/2020
Artificial Intelligence

不能为了去做而去做。这个简单的道理特别适合我们当下生活的人工智能 (AI) 时代。我在最近的一篇文章中提到过,AI技术的无限可能引发着人们的热忱,掀起了工具和可视化应用研发的投资热潮,但能为企业带来真正价值的案例却少之又少。

AI 具备精准回答繁杂多样的商业问题的能力,但人们常常没能定义出明确要回答的问题,因而难以聚焦于真正的目标。从数字化语境来说,这个目标就是优先满足客户的需求。由于明确性的缺失,技术常常最终用于满足人们无意义的好奇心,在影响企业和客户的有效解决方案的研发过程中,技术却无法带来与之相关的信息。

有一种好办法能让技术人员明白纯粹的好奇心和能产生价值的数据二者间的不同,那就是思考自己打算使用已有信息达到何种目的。比如说,如果需求是了解企业客户的用户画像,那么凭借正确的数据输入和编程,AI 工具一定能够回馈所需的结果,甚至还能按人口群体分组,或进行其他分类。但接下来的问题才是关键所在:我们要用这个信息做什么呢?如果这个问题没有明确的回答,如果不采取进一步行动,也没有后续策略,那这样运用 AI 就是一种浪费。其他使用更简单、成本更低的工具,也可以满足这类商业好奇心。

技术 + 业务 = 增强成果

解决了“是否有必要使用AI技术”这一问题后,技术人员和研发人员要了解的下一点便是:不去了解业务需求和消费者需求,就贸然行动是绝对不可行的。从业务部门手中“接受订单”,或是以多学科的协作方式去构建价值,这些都是开发人员的角色。目前,人们日趋倾向放弃使用指定软件执行已编程好的命令,而越来越倾向于创造能够自我学习的工具。

换言之,我们必须牢记,人们要的并不是一种呈现静态响应的传统软件。它的结果应是流动的,会随时间而变化,此外,面对相似状况可能会有不同的响应。并且所有的这些要素都必须直接翻译成 AI功能。那么,谁能帮我们进行这种翻译呢?谁能了解什么才是相关内容呢?谁才能告诉软件需要学习什么内容呢?业务部门的专业人员。 

这个工具能帮助解决哪些商业问题,对策略而言什么问题才是有意义的,哪种信息能带来有积极影响的切实成果——针对这些问题,业务人员能提供一个专业视角。因此,在开发之前,我们应该与业务团队多多沟通,了解应该编写什么样自我学习功能,以什么样的途径实现编程。

训练软件找到正确的答案

我常将训练 AI 软件和培训将来要执行同一任务的新专业人员相比较,他们的逻辑是相同的。当你训练一个新人时,你无需说出正确答案到底是什么,而是要教新人如何自己找到正确答案。在当前这种高变动率、变化急剧的环境下,这点显得尤为重要。 

举个例子,让我们想象一下,某电子商务公司希望能改进其虚拟服务。头一件要做的事,就是和业务团队沟通,了解人工客服如何接受响应客户需求的培训,必须按部就班去做的事情有哪些。比如,在客户购买积分的问题中,客服需要首先确认客户的身份。如果购买已完成,就向客户索要收据照片。上述步骤完成后,信用点数就会发放至客户账户。

了解这一点和人工客户关怀流程的其他模式后,我们就知道如何训练软件做出相同反应了。然而,一组问题并不一定会引出预期的一组回答。因此,团队观察真实服务时,就掌握了无数可能变量中的某一部分,得以从中获得重要见解,对(客户提出的)新问题及由此产生的疑难预测出解决方法

促进团队间沟通的三点建议

正如已经说明过的,为了掌握这些知识,我们有必要在技术团队和业务团队间建立合作思维。这就是说,举行联合会议进行探索和快速设计解决方案,还要定期沟通跟进现况,当然,也要跟进变化。

技术团队领导要为构建价值建立此类合作环境和交流体验,就要采取以下行动:

1. 找到业务合作伙伴 — 要在业务部门中找到那种有创新能力,且对解决重要商业问题充满兴趣的人,他们将成为优秀的盟友。这些人会带来更广阔、更及时的视角来看待业务问题,会带来新的解决问题的形式,也会阐述这种解决方案对公司有何价值。

相应的,技术团队也必须提供 AI 技术可能性的学习、语境和背景。这样,业务专业人员就能做好更充足的准备,讨论新的解决路径,明确应用 AI 的机会,提高价值。  

2. 作解释时,不要用太多术语 — 因为在解释人工智能的无限可能时太过激情,研发团队的领导常常会冒出各种术语和专业名词,但这些词语对非专业人士来说不是那么好理解的。这就会导致沟通壁垒,谁听了都会困惑。

所以,不要用ROC曲线(性能指标)、假负类 (False negative)、假正类 (False positive)、精确率 (precision) 等等这些词开启对话,先别抛出这些术语,等到大家对这个话题有了更深入、更完备的了解后再说。合作时这种情况时有发生,不过也要记住,为了简化复杂问题,对主题有充分的了解也是必须的。如果难以找到合适的词汇或同义语进行恰当的理解和教学,你就得进一步学习、深入了解相关话题。

3. 促进价值思维,了解新解决方案的成本 — 往期的人工智能文章中已经提到的一个想法,在这里依然值得一说:要维持业务团队和技术团队的良好合作,重点在于共同反思,比较正确答案的价值和错误答案的成本。

换句话说,尽管双方合作的目的在于运用 AI 技术,但施行成本是否低于可能带来的收益,评估这一点也是很重要的。借此机会,我再带各位回忆一下本文的开篇:不能为了做AI而去做AI。

所以,要研发人工智能的解决方案,以此加强向客户传递的价值,为公司带来正向影响,就要增加自己的知识储备。正是通过集体智慧,公司才有能力认出机会、抓住机会,才能使用可用的技术,实现真正的创新和乐趣。