抵御另一个人工智能冬天的最后一道防线

1) 流程： 从概念验证到部署的途径尚不明确。大多数企业在组织内部设定概念验证思路，确定优先级顺序并为部分前景光明的创意提供资金。在试点项目训练完成后，大家会开几瓶香槟庆祝一下，然后就没有然后了。很多团队都不清楚接下来该干啥，例如从哪里申请资金，以及跟谁一道将概念验证扩展为生产级解决方案。实际上，这本身就是个问题，详见第 3 点。

核心问题: 如何从概念验证走向生产系统？

解决方案: 先划拨一笔专款用于预部署。设定明确的部署标准来分配预算资金（例如与旧有模型相比，新模型的准确性至少要提高 2%）。另外，设定确切流程注入后续资金。接下来，制定整合流程，并尽早与 IT 及运营专家开展磋商。如果要对概念验证项目进行最终部署，还必须配备一套资源配置规划方案。

2) 激励： 概念验证项目的 KPI 设置不当。ML 概念验证项目通常隶属于企业中的大规模创新举措。但多数企业往往在 ML 项目中承继了整体创新的基本目标，即重在学习、而非实际部署。这相当于设置了错误的动机与期望。因此，数据科学团队通常专注于尝试前沿技术，而未能在创新与工程可行性之间取得平衡。换言之，他们最终拿出的是可演示的解决方案，而非可集成的实际成果。他们分享的是关于技术本身的知识，而非将技术纳入核心业务体系的方法。激励驱动行为，行为决定结果，请务必牢记这一点。

核心问题: 如何帮助团队构建更多可部署的解决方案？又该如何培养拥有必要能力的团队？

解决方案: 把 KPI 的关注重点从“学习”转化为“可部署创新成果”。努力在创新性与可部署性之间取得平衡。另外，要强调完备的工程设计（具备可行性，在证明价值之前不要过度设计）。最后，对交付成果进行标准化，具体涵盖可供演示的可部署应用程序、整合计划以及关于学习、利弊以及潜在风险的业务案例。

3) 团队： 很多概念验证团队并不具备合适的技能储备。不少数据科学团队只追求构建模型，而不愿意接手工程或者运营方面的工作。正如第 2 点所述，激励与总体期望在这方面起到决定性作用。如果没有采用正确的工程实践，团队只会在尝试部署时面临重重障碍。我们可以想象这样的场景：在投入 4 个月时间构建一套出色的概念验证方案后，高管们也都表示赞许。但在尝试部署后，我们突然意识到至少还需要一年半的时间进行重新设计、组建正确团队并推动工程尽职调查，才有可能让项目真正落地——这无疑会严重影响到投资回报。

核心问题: 如何让团队构建起可部署的解决方案？又该如何培养拥有必要能力的团队？

（编辑：西安站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!