AI运作需要什么？

人工智能运作的挑战

作为一个将整个职业都投入到AI和机器学习中的人，很高兴看到这些技术的发展。我的职业生涯开始于研究，但很快进入了实际应用。我发现我的热情不是以最优雅的方式解决问题，而是以最注重结果的方式解决问题。

与此相关的是，我一直在努力解决的一大挑战是如何在生产中交付AI。即使在具有赢利动机的企业中，AI和ML往往也只能降级为孤立的研发团队。将AI的想法和策略投入生产可能很困难。

今天，我想根据实际经验，分享一些使AI投入运营并在生产中高效交付AI的策略。

雇用正确的人格类型

当涉及到在AI领域工作的人时，往往会有两种截然不同的人格类型。研究人员喜欢（您猜对了）研究。他们关心优雅地解决问题，通常他们的主要重点是出版物和学术认可。工程师通常喜欢进行工程设计（以及重新设计和重新设计）。

一旦了解了这种差异，就值得考虑组织的AI成熟度水平。如果您正处于主要使用现有研究并将其部署到业务中的地步，那么最好聘请研究工程师。如果您更成熟并且在AI方面进行基础研究，那么聘请纯粹的研究人员将更有意义。

也就是说，对于绝大多数团队来说，最好专注于雇用重视AI实际应用而不是研究的人。

建立实用的跨职能团队

在团队级别，有一些注意事项可以帮助简化生产中交付AI的过程。首先，确保产品团队直接与AI研究和工程团队合作。

我是授权产品团队的忠实拥护者，这意味着专注于首先满足客户需求（这自然使业务受益）的团队。当产品团队明确关注重点时，他们可以以较少的摩擦指导AI研究从概念到生产。它们可以帮助AI研究人员和工程师将实际考虑事项放在首位。

灌输问责制，以使想法超越终点线

人工智能研究很少进入生产的主要原因之一是，承担研究任务的人也没有承担将研究成果运用于生产的任务。您可能需要更改团队的组成，可能会分配更多的工程师，以实现这一目标，但这是非常值得的。建立一支不仅有能力而且对研究感兴趣的团队，并将该项目交到客户手中。

不要从头开始

对于大多数组织来说，这是一个很好的建议，但对于早期公司和资源较少的公司而言，这绝对至关重要。人工智能还处于起步阶段，在线上有大量资源，从开源代码到工具包（如TensorFlow和Pytorch）。不再需要成为AI专家即可部署AI。初创企业应在从头开始构建之前，寻找易于使用的代码和工具。

同样，有时具有真正研究人员个性的人们会希望找到针对给定问题的最优雅的解决方案。但是，如果其他人已经解决了该问题，并且您可以站在他们的肩膀上，则意味着您可以为最终用户专注于更突出的问题。

建立基准

谈到人工智能，关键是不断衡量组织内部和竞争对手的进度。这样，您可以评估与AI相关的选择对业务的影响。例如，确保您根据最重要的业务指标衡量AI的性能。

例如，机器翻译方面的研究通常使用BLEU和COMET等自动指标，但对于语言处理或翻译用例，使用诸如多维质量指标（MQM）的语言评估来获得更可靠的质量判断可能更有意义在这种情况下。

记住：人们仍然是您的最佳资产

专注于技术的价值和前景很容易，但是请记住，人是任何类型成功的关键。考虑到AI资源的竞争，请确保您保持团队参与度。强迫他们务实，但不要阻止他们进行感兴趣的研究。

组织阅读小组审阅研究论文，鼓励团队成员参加研究会议，并允许和激励他们发表研究结果。也就是说，请注意发布不是最终目标。商业价值应该放在首位。

但是，这些微小的变化可以使您的研究人员感到高兴，同时也可以使他们保持最新状态。最终，这也将为公司带来红利。

进步而不是完美

多年来，软件开发流程和团队结构已经发生了很大的变化，从瀑布式和敏捷性到DevOps等等。同样，组织要在生产中交付AI方面开发最佳实践将花费时间和大量的反复试验。事实证明，以上策略对我的职业很有帮助，我希望至少其中一些策略也能使您的组织受益。