·发布于Towards Data Science ·6 分钟阅读·2024 年 7 月 16 日
--
图片来自KindelMedia，发布于Pexels
我听过很多次数据科学家因为公司缺乏有趣的项目而感到沮丧。说服业务利益相关者和管理层启动 AI 项目可能是一个挑战。虽然通常数据科学家不负责思考和提出需要优先考虑的项目，但我见证了数据科学家与数据经理和产品经理一起如何影响产品路线图，帮助引入更多创新和有影响力的项目。
在这篇博客文章中，我将分享一些我看到过的成功影响团队或公司文化、推动更多创新的机器学习（ML）或人工智能（AI）项目的步骤和策略。请注意，这不是一蹴而就的事情，而是一个过程，在这个过程中，你的知识和动力可以帮助公司中的其他人跳出思维定势，看到机器学习和人工智能的潜力。
推动公司创新和 AI 的关键步骤和策略包括：提高认知、通过使用案例激发灵感、寻找赞助人和创意，以及优先级排序。
第一步是提高组织内对人工智能能够做什么和不能做什么的认知。许多人对人工智能的理解有限，这可能导致既有怀疑也有不切实际的期望。
第一步的最终目标是帮助你周围的人对 AI 产生敏感度。这种敏感度包括：什么是 ML 和 AI 的区别，我可以用传统的 ML 解决哪些问题（分类、回归、时间序列等），GenAI 带来了哪些新机会（文本生成、图像生成、少样本分类等）。一些实现这种意识的策略包括：
-
研讨会和培训：这些可以在公司内部组织，或者你也可以推荐在线课程。第二种选择通常更快速且成本较低；像“AI For Everyone”和“Generative AI For Everyone”这样的课程，来自deeplearning.ai，总是一个不错的起点。
-
赋能并鼓励每个人使用 GenAI：可以通过随意地解释你自己如何利用 GenAI，分享通过它获得的图片和诗歌，或者挑战为什么他们还没有使用它来实现这一点。试着理解是否有具体的担忧阻碍了人们的使用（例如，“我不信任它处理我的数据”），并分享可以帮助缓解这些感知风险的工具或技巧。
-
展示 ML / AI 项目：积极参与公司内的演示、全员大会或内部知识共享会议。你可以分享你或你的团队已经实现的 ML 或 AI 项目。确保提供合适的技术细节，使人们能够跟上你的演讲，并突出项目的潜力、影响和收获也非常重要。还可以有趣地分享这些项目如何与“传统软件开发”或公司其他类型的项目有所不同。
你周围的人已经对 AI 和 ML 有一定的了解和敏感度，知道存在的模型类型、它们的潜力以及这些类型的项目如何运作，太好了！下一步是开始引入可以启发你公司项目的应用案例。这些案例可以来自竞争对手或类似行业，也可以来自适用于大多数公司的通用应用案例（用户细分、客户/用户流失预测、销售预测等）。
展示竞争对手或其他公司如何利用 AI，可以有效地展示其潜力并激发下一步的行动。在展示应用案例时，可以着重讲解该案例解决的问题、取得的实际效益，并类比如何在你的公司中应用类似的解决方案。类似地，对于更一般的应用案例，例如用户细分，展示在你公司中可能产生的应用类型（动态定价、个性化、改进沟通等）也会很有趣。
如果已经有一些团队在进行竞争对手分析（通常是用户研究人员），确保他们也在考虑 ML / AI 功能。帮助他们提高敏感度，理解这些解决方案如何在底层运作，从而进一步丰富他们的研究，并发现你公司可能的 AI 机会。
现在大家已经意识到 AI 是什么，以及它能在公司中解决哪些类型的问题和使用案例。如果你做得对，你应该能够让一些人对这一切潜力感到非常兴奋！
这种兴奋感可能会转化为人们直接找上你，分享其他使用案例，提出问题，甚至询问某个问题是否可以通过 AI 来解决。这些人就是你的赞助人：组织内的支持者，他们可以支持并倡导 AI 项目。根据公司规模和文化变革的需求，这些赞助人可能会接近到足以影响最高层的决策。然而，能够激励业务利益相关者也是足够好的，因为他们可以推动通过 AI 解决自己的目标。
你已经为 AI 项目的想法埋下了种子。现在你可以开始为公司特定问题或目标提出具体的 AI 解决方案。感谢之前在意识、使用案例和赞助人方面的工作，这些提案应该会更容易被接受！
然而，最有趣的部分是，等待使用案例也会反过来找上你。你的 AI 赞助人和公司中的其他人现在能够将问题和目标与 AI 解决方案联系起来。你可能会惊讶于从这个方向出现的使用案例数量。你所建立的意识将自然地引导出更多有根据且相关的建议。
到此为止，你可能已经能够收集到多个倡议的想法，并且得到了管理层的支持，分配一些时间来处理这些想法。但你如何决定从哪里开始呢？可能开始时选择潜力最大的倡议是有意义的，但预测创新的投资回报率，尤其是 AI 项目的回报率，可能会因为它们固有的不确定性而变得具有挑战性。然而，有一些关键点可以帮助你做出决定：
-
聚焦于公司内的特定战略痛点或机会。
-
使用行业基准来估算成功率和潜在收入。
-
评估潜在的好处，同时也要考虑可行性和风险。
-
区分探索性项目（高不确定性，长期）和利用性项目（低不确定性，短期）。
尝试从探索性的想法（快速收益）开始，以便更快地证明价值、获得关注并建立信任。一旦这些管理得当，也许你可以开始引入探索性想法（长期目标与月球任务），它们旨在实现更长远、更大的转型，但也涉及更高的失败风险。平衡持续交付与改进以及月球任务的探索，对于长期保持信任，同时探索真正的创新至关重要。
在上一篇文章“从正确的起点开始机器学习产品的倡议”中，我深入探讨了如何从一开始就成功启动机器学习倡议，并管理其固有的不确定性。
towardsdatascience.com
在公司中推广人工智能是一个长期的旅程，而不是一蹴而就的事情。根据我的经验，重要的是从生成意识和教育开始，展示应用案例，并与处于合适位置的支持者对齐。只有这样，提出应用案例时才能获得关注；甚至其他人也可能会带着相关的想法来找你！一旦收集了一些应用案例，并且有足够的带宽和支持来优先考虑某些投入，就该专注于战略性问题，准确量化机会和潜力，并在快速收益与长期目标之间取得平衡。
我们正处在一个每个人都在讨论人工智能的时刻。特别是，各家公司都在思考他们的（生成性）人工智能战略，以及这一新技术如何改变业务和工作方式。这对你有利：现在是开始引入这些步骤的好时机，因为人们特别渴望学习、尝试并利用人工智能。