为什么AI的未来不是自动化——它是工艺、策略和创新
版权：Valentin Müller
当我与公司顾客聊天时，总是会提到这样一个理念，AI虽然很强大，但是不会赋予任何一个公司长久竞争力。毕竟，在过去两年里，大规模LLM已经成为人人都能用的商品。关于公司如何使用AI塑造竞争优势，我已经思考了很多，最近一篇《哈佛商业评论》的文章（AI不会赋予你新的可持续优势https://hbr.org/2024/09/ai-wont-give-you-a-new-sustainable-advantage）启发我根据这一主题组织我自己的想法。
事实上，未来某天当商业和市场被AI无形的手驱动，机会均等假说可能会成真。但直到那时，也有许多大大小小的方法让公司使用AI让自己脱颖而出。我乐于将其想象成您的商业菜谱上的一种复杂成分——最后一道菜的成功与否取决于做这道菜的厨师。魔力在于您如何将AI工艺与策略、设计和执行相结合。
在本文中，我将关注真实AI商业应用并探索他们竞争优势的主要来源。就像我们将看到的，成功的AI集成远远超出了技术范畴，也很明确地超出了在工作中拥有最先进的LLM。它是关于发现AI在你的公司中的独特优势，做出重要的设计决策，让各种股东围绕你的AI系统的最佳设计、部署和使用。在下文中，我将使用我们开发的心智模型来说明这一点，以构建我们对AI项目的思考（参见本文https://towardsdatascience.com/building-ai-products-with-a-holistic-mental-model-33f8729e3ad9的深入介绍）。
图1：人工智能系统中竞争优势的来源（参见本文对人工智能系统心理模型的解释）
人工智能的机会并不平等
AI通常用于自动化已存在的任务，但是当你在选择AI用例的时候允许更多创造力和创新，他们就越有可能产生竞争优势。在评估机会时，你也应该优先考虑公司的特异性需求和优势。
识别具有差异化潜力的用例
当我们与客户头脑风暴人工智能用例时，90%的用例通常属于四种类型之一——生产力、改进、个性化和创新。让我们以航空公司为例来说明这些类别中的一些机会：
图2：为航空公司绘制AI机会图
当然，第一个分支——生产力和自动化——看起来像是唾手可得的果实。它是最容易执行的，并且将无聊的常规任务自动化有不可否认的效率收益。然而，如果你将AI的使用限制在基本自动化过程，当你的竞争对手也这样做的时候，不要惊讶。在我们的经验中，战略优势建立在其他分支当中。花时间弄清楚AI如何帮助他们提供一些不同的东西的公司，不仅仅是追求更快或者更便宜，是看到长远结果。
作为一个例子，让我们看一下我们最近与汉莎航空集团合作实施的一个项目（https://drive.google.com/file/d/1y1JN2rRM14CflkGkNvm9Ul62Ri1o5gd9/view）。该公司希望将其创新过程系统化并加快其速度。我们开发了一个人工智能工具，它是航空市场的大型传感器，监测竞争对手、市场趋势和整体市场环境。基于这些广泛的信息，该工具现在为汉莎航空提供量身定制的创新建议。有几个方面是潜在竞争对手无法轻易模仿的，当然也不能仅仅通过使用更大的人工智能模型来模仿：
- 了解哪些信息是制定新的创新计划所需要的
- 将公共数据与公司特有的知识相结合
- 教育公司层面上的用户在评估新的创新举措时正确使用数据
所有这些都是在行业专家、从业者和专门的AI团队之间紧密合作下开发的新技术，涉及大量的发现、设计决策和利益相关者的协调。如果你把所有这些方面都做好了，我相信你正走在一条利用人工智能创造可持续和可防御优势的良好道路上。
找到你创造价值的最佳位置
AI的价值创造是高度个人化的事务。我最近亲身经历了这一点，当时我挑战自己，自己创建并发布了一款端到端AI应用。我很喜欢用Python，不会从AI的帮助中获益，但其他东西，比如前端？不是我的地盘。在这一情境中，AI赋能的代码生成非常有效。感觉就像在一个毫不费力的无代码工具中流动，同时我掌握了所有潜在的——并且不熟悉——编程语言的通用性。这是我个人的最佳选择——使用AI来释放我原本无法挖掘的价值，并在此过程中省去了前端开发人员。大部分其他人都不能在此用例中获得如此多的价值：
- 专业前端开发人员不会见到这么疯狂的增速。
- 没有编程经验的人几乎到不了完成线，你必须理解编程如何正确提示AI模型并整合输出。
虽然这是个人的例子，但同样的原则也适用于公司层面。不管是好是坏，大多数公司都有一些战略和核心竞争力的概念来推动他们的业务。秘诀在于为人工智能在这个等式中找到合适的位置——一个它可以补充和增强现有技能的地方。
数据——一场努力的游戏
数据是任何人工智能系统的燃料。在这里，成功来自于管理高质量、重点突出的数据集，并不断调整它们以适应不断变化的需求。通过将人工智能与您独特的专业知识相结合，并将数据视为动态资源，您可以将信息转化为长期战略价值。
管理知识和领域专长
为了说明适当的知识管理的重要性，让我们做一个思想实验，穿越到16世纪。安东尼奥和巴托洛梅奥是佛罗伦萨最好的鞋匠（这意味着他们可能是世界上最好的）。安东尼奥的家人几代人都一丝不苟地记录着他们的工艺，架子上摆满了关于皮革处理、完美合身和从多年经验中吸取的小调整的笔记。另一方面，巴托洛梅奥的家人更严格地保守着他们的秘密。他们不写任何东西；他们的制鞋技术是口头方式世代相传下来的。
现在，一个名叫莱昂纳多的有远见的人出现了，他为这两个家庭提供了一种突破性的技术，可以使他们的整个制鞋业务自动化——如果它能从他们的数据中学习的话。安东尼奥带来了大量详细的文档，这项技术可以直接从几个世纪以来的经验中学习。巴托洛梅奥有麻烦了——没有书面记录，没有任何明确的东西供人工智能使用。他家族的专业知识囿于口头传统、直觉和肌肉记忆。他现在应该试着把所有这些都写下来吗？考虑到他的大部分工作都是凭直觉完成的，这有可能吗？或者他应该顺其自然，继续他的手工业务？由于惰性和不确定性，他选择了后者，而安东尼奥的业务则在新技术的帮助下不断发展壮大。从日常工作中解脱出来后，他可以发挥创造力，发明新的方法来制作和改进鞋子。
除了明确的文档之外，有价值的领域专业知识还隐藏在其他数据资产中，例如事务数据、客户交互和市场洞察。人工智能在这类信息上茁壮成长，提取出人类可能忽略的意义和模式。
质量胜过数量
数据不需要很大——相反，今天，大往往意味着嘈杂。关键是你输入AI系统的数据的质量。随着模型的样本效率越来越高——也就是说，能够从更小、更集中的数据集中学习——你使用的数据类型远比你有多少数据重要得多。
根据我的经验，在人工智能方面取得成功的公司对待他们的数据——无论是用于培训、微调还是评估——都像对待一门手艺一样。他们不只是被动地收集信息；他们对其进行策划和编辑，提炼和选择反映出对其特定行业深刻理解的数据。这种谨慎的方法使他们的人工智能比任何使用通用数据集的竞争对手都有更敏锐的洞察力和更细致的理解。我亲眼目睹了数据质量的微小改进如何导致人工智能性能的重大飞跃。
用数据飞轮捕捉动态
数据需要随着现实世界的发展而发展。这就是DataOps的用兵之处，它可以确保数据不断被调整，不会偏离现实。最成功的公司了解这一点，并定期更新他们的数据集，以反映不断变化的环境和市场动态。实现这一目标的动力机制是数据飞轮。你的AI产生的见解越多，你的数据就会变得越好，创造一个自我强化的反馈循环，因为用户会更频繁地回到你的系统。随着每一个周期的到来，你的数据会变得更加清晰，你的人工智能也会得到改进，从而建立竞争对手难以企及的优势。要启动数据飞轮，您的系统首先需要展示一些初始值——然后，您可以加入一些额外的激励措施，促使用户定期使用您的系统。
图3：数据飞轮是用户与AI系统之间自我强化的反馈回路
智能：磨炼你的人工智能工具
现在，让我们深入了解“智能”的组成部分。这个组件不仅仅是关于孤立的人工智能模型，而是关于如何将它们集成到更大的智能系统中。大型科技公司正在努力让我们相信，人工智能的成功取决于GPT模型等大规模LLM的使用。对他们来说是好事，对我们这些想在现实生活中使用人工智能的人来说是坏事。过度依赖这些重量级产品会使您的系统膨胀，并迅速成为昂贵的负担，而智能系统设计和量身定制的模型是差异化和竞争优势的重要来源。
走向定制化和效率化
主流LLM都是多面手。和高中毕业生一样，他们在一系列任务中表现一般倒不错。然而，在商业中，体面是不够的。你需要把你的人工智能模型送到大学，这样它就可以专攻，响应你的特定业务需求，并在你的领域脱颖而出。这就是微调发挥作用的地方。然而，重要的是要认识到，主流LLM虽然功能强大，但如果管理不善，很快就会变得缓慢而昂贵。随着大型科技公司吹嘘更大的模型尺寸和更长的上下文窗口——也就是说，你可以在一个提示框中输入多少信息——智能科技正在悄悄地向效率迈进。像提示符压缩这样的技术减少了提示符的大小，使交互更快，更具成本效益。小型语言模型（SLMs）是另一种趋势（图4）。它们拥有多达数十亿个参数，允许公司在其内部基础设施（Anacode,http://anacode.de/tpost/sz7xgnigh1-bigger-is-not-always-better-unlocking-ef）上安全地部署特定于任务和领域的智能。
图4：随着主流llm的低效率变得明显，小型语言模型正在获得关注
制作复合AI系统
人工智能模型并不是孤立运行的。就像人类大脑由多个区域组成一样，每个区域负责推理、视觉和语言等特定能力，一个真正智能的人工智能系统通常包含多个组件。这也被称为“复合AI系统”（BAIR）。复合系统可以容纳不同的模型、数据库和软件工具，并允许您优化成本和透明度。它们还支持更快的迭代和扩展——模块化组件比巨大的单片LLM更容易测试和重新排列。
图5：公司正在从单一模型转向复合AI系统，以获得更好的定制、透明度和迭代（图片改编自BAIR）
以中小企业的客户服务自动化系统为例。在其基本形式-称为商业LLM-这样的设置可能会花费你一大笔钱-让我们称作每月2.1万美元的“香草”系统。这样的成本很容易吓跑中小企业，他们根本不会碰这个机会。然而，通过仔细的工程设计、优化和多个模型的集成，成本可以降低98% （FrugalGPT，https://arxiv.org/abs/2305.05176）。是的，你没看错，这是原始成本的2%——这是一个惊人的差异，让一家拥有更强人工智能和工程技能的公司处于明显的优势。此时，大多数企业不会使用那些先进技术，我们只能想象他们的人工智能使用还有多少需要优化的地方。
生成式人工智能不是终点线
虽然生成式人工智能以其生成内容的能力抓住了每个人的想象力，但人工智能的真正未来在于推理和解决问题。与内容生成不同，推理是非线性的——它涉及抽象和泛化等技能，而生成式人工智能模型没有训练过这些技能。
未来的人工智能系统将需要处理复杂的、多步骤的活动，这些活动远远超出了当前生成模型的能力。无论是通过基于语言的模拟还是设计的附加组件，我们已经看到了人工智能推理能力的早期展示。然而，局限性是显而易见的——超过一定的复杂性阈值，这些模型就会开始产生幻觉。那些投资设计人工智能系统来处理这些复杂的、迭代的过程的公司将有一个重要的开局。随着人工智能超越当前的生成阶段，进入智能、模块化和推理驱动系统的新时代，这些公司将蓬勃发展。
用户体验：无缝设计进入用户工作流程
用户体验是你向用户传递AI价值的渠道。它应该平稳地传递用户需要加快和完善其工作流程的好处，同时需要过滤或减轻固有的人工智能风险和错误输出等问题。
优化人类和人工智能的优势
在大多数现实场景中，人工智能本身无法实现完全自动化。例如，在我的公司Equintel（http://www.equintel.de/），我们使用人工智能来协助ESG报告过程，这涉及多层分析和决策。虽然人工智能擅长大规模数据处理，但有许多子任务需要人类的判断、创造力和专业知识。人体工程学系统设计反映了这种劳动分配，将人类从繁琐的数据程序中解脱出来，让他们有空间专注于自己的优势。
这种基于力量的方法也减轻了人们对工作被取代的普遍恐惧。当员工被授权专注于自己擅长的任务时，他们更有可能将人工智能视为一种辅助工具，而不是竞争对手。这就形成了一个双赢的局面，人类和人工智能都可以通过共同努力而茁壮成长。
校准用户信任
每个人工智能模型都有其固有的失败率。无论是生成人工智能的幻觉，还是预测模型的错误输出，错误都会发生，并积累成可怕的“最后一英里问题”。即使你的AI系统在90%的时间内表现良好，如果用户过度信任系统并且不解决它的错误，那么小的错误率也会很快成为一个亮点。
假设一家银行使用人工智能进行欺诈检测。如果人工智能未能标记欺诈交易，而用户没有捕捉到它，那么由此造成的损失可能是巨大的——假设从一个受损账户中抽走了50万美元。如果没有适当的信任校准，用户可能缺乏质疑人工智能决策的工具或警报，从而使欺诈行为被忽视。
现在，想象另一家银行使用相同的系统，但有适当的信任校准。当人工智能对一笔交易不确定时，它会将其标记出来供审查，即使它不会直接将其归类为欺诈。这一额外的信任校准层鼓励用户进一步调查，可能会发现可能漏网的欺诈行为。在这种情况下，银行可以避免50万美元的损失。多笔交易累计，节省的费用——以及提高的安全性和客户信任——是相当可观的。
将人工智能的效率和人类的聪明才智结合起来是新的竞争前沿
人工智能的成功不仅仅需要采用最新的技术，还需要识别和培养人工智能可以为企业带来最大价值的个人最佳点。这包括:
- 确定人工智能可以产生重大影响的领域。
- 协调由工程师、领域专家和业务利益相关者组成的顶级团队，设计满足这些需求的人工智能系统。
- 通过教育用户如何最大限度地利用人工智能，确保有效地采用人工智能。
最后，我相信我们正在进入一个竞争优势概念本身被动摇的时代。在过去，竞争只是为了最大化盈利能力，而今天，企业被期望在财务收益和可持续性之间取得平衡，这增加了一层新的复杂性。人工智能不仅可以帮助企业优化运营，还可以帮助企业实现更可持续的实践。想象一下，人工智能帮助减少塑料垃圾，简化共享经济模式，或支持其他让世界变得更美好的举措。人工智能的真正力量不仅在于效率，还在于它为我们提供了重塑整个行业、推动利润和积极社会影响的潜力。
要深入了解本文中涉及的许多主题，请查看我即将出版的《人工智能产品开发的艺术》一书。
注：除非另有说明，所有图片均为作者本人。
暂无评论内容