在大型組織內(nèi)開發(fā)AI產(chǎn)品與在初創(chuàng)企業(yè)內(nèi)開發(fā)獨立解決方案或為博士編寫代碼是完全不同的過程。為此工作。為什么它是一個不同的——而且通常更復雜的——過程有多種原因。

首先，大型組織之所以龐大，是因為它們已經(jīng)在其運營領域內(nèi)擁有產(chǎn)品/解決方案。對于此類組織，人工智能通常是一種工具，是改進其現(xiàn)有產(chǎn)品的推動者。其次，幾乎沒有團隊或部門獨自推動產(chǎn)品開發(fā)。在大型組織中，產(chǎn)品開發(fā)需要多個團隊協(xié)作。

過去三年，我一直在一家大型汽車制造公司開發(fā)自動駕駛解決方案。以下是我在構建基于AI的產(chǎn)品方面的一些經(jīng)驗。

熟悉該領域或認識熟悉該領域的人

作為AI專家，您很可能一直在開發(fā)和優(yōu)化通用模型，例如深度神經(jīng)網(wǎng)絡，這很棒，因為，嘿，您可以在任何情況下應用它們，對吧?那么，當您進入產(chǎn)品領域時，您很快就會意識到產(chǎn)品性能的評估方式與通用模型的性能評估方式不同。歸根結底，產(chǎn)品的好壞取決于它的銷量。

例如，如果你在一家汽車公司工作，在你進入自動駕駛解決方案之前，首先你需要了解現(xiàn)有的駕駛輔助產(chǎn)品，它們的能力、痛點、數(shù)據(jù)收集方法、客戶需求、發(fā)布流程，甚至是各國的一些法律規(guī)定。好消息是在大型組織中，您可以與許多領域?qū)＜医徽勔垣@取此類領域知識。

開始很簡單，很簡單

您正在從事的工作很可能不是同類產(chǎn)品中的首創(chuàng)。您的組織已經(jīng)為客戶提供了一種產(chǎn)品，但它正在尋找一種更高效、成本更低的開發(fā)方法。僅僅因為圍繞它有一個基于AI的新概念，他們不會丟棄現(xiàn)有產(chǎn)品并從頭開始部署最先進的 AI 解決方案。

因此，用最先進的純數(shù)據(jù)解決方案替代產(chǎn)品，尤其是復雜的工程產(chǎn)品，短期內(nèi)幾乎不會發(fā)生。但是，您仍然可以利用您的AI專業(yè)知識進入現(xiàn)有開發(fā)。關鍵是開始簡單，非常簡單。一旦你對上述領域有了很好的理解，你就可以確定一兩個問題，用簡單的、現(xiàn)成的機器學習方法來解決。

將此視為您的“最小可行產(chǎn)品”，但在本例中將“產(chǎn)品”替換為“ml方法”。這樣做有兩個好處。首先，您可以通過使用數(shù)據(jù)和形式化問題來檢查基于AI的解決方案是否有意義，而無需花費太多精力構建復雜模型。其次，簡單的模型通常更容易解釋，因此對您的非 AI 領域?qū)＜彝衼碚f不那么嚇人。

先建立信任，再建立傳輸管道

到目前為止，您已經(jīng)努力了解該領域，使用您的簡單AI模型展示了產(chǎn)品的幾個方面的一些改進，并解釋了為什么您的模型對您的領域工程師同事和業(yè)務部門有意義。在某種程度上，在這一點上，你已經(jīng)與他們建立了信任。使用這種信任來構建連續(xù)的傳輸管道。

傳輸管道是從您的AI解決方案到產(chǎn)品模擬和測試環(huán)境的接口。在這樣的測試和模擬環(huán)境中，產(chǎn)品的性能是通過一組關鍵性能指標來評估的。令您驚訝的是，這些指標通常與標準的機器學習評估指標不同。這需要另一篇文章來解釋 ML 評估指標和系統(tǒng)性能指標之間的相互作用，但讓我說這些指標最重要。

從那時起，擁有一個快速集成到測試和仿真環(huán)境中的管道并使用系統(tǒng)性能指標進行評估將指導您的模型開發(fā)。它會給你一些提示，告訴你什么類型的模型和架??構是有意義的。換句話說，它將構建您的開發(fā)流程，避免您花費時間和精力來構建對產(chǎn)品沒有明顯好處的復雜模型。

最后，正如您可能已經(jīng)從以上幾點中提煉出來的那樣，在大型組織內(nèi)成功部署AI解決方案需要與他人進行大量良好、有效的溝通。您可能需要參加許多會議才能圍繞產(chǎn)品目標進行調(diào)整。對于許多 AI 開發(fā)人員來說，這感覺像是一種開銷，但它確實是核心，并且從一開始就接受它會使開發(fā)過程更加愉快!