不久前，一位合作夥伴偶然聯繫我，詢問他們公司在人工智慧方面的應用案例。他們希望利用人工智慧來簡化新員工入職流程，解答他們經常提出的問題。我建議採用一種基於聊天、易於操作的方法，並整合他們的內部文件。他們對此充滿信心，並計劃「與他們的IT團隊溝通」以推進專案。
根據經驗，我知道這種樂觀情緒很脆弱。一般的IT團隊沒有能力單槍匹馬部署一套完整的AI應用。果不其然，幾個月後，他們陷入了困境。系統運作速度慢得令人抓狂，而且很明顯，他們在開發過程中誤解了使用者的實際需求。新進員工提出的問題與系統預設的功能截然不同。大多數用戶嘗試幾次後就放棄了，再也沒有回來。解決這些問題需要重新思考整個架構和資料策略，但傷害已經造成。員工士氣低落，領導階層也注意到了這一點，最初對AI的熱情逐漸消退，取而代之的是懷疑。要爭取再次進行大規模開發非常困難，所以這個問題被悄悄地擱置了。
這種情況並非個案。人工智慧公司鋪天蓋地的行銷手段營造出人工智慧觸手可及的假象，導致企業在未充分了解未來挑戰的情況下就倉促啟動相關專案。事實上，建立穩健的人工智慧策略並在公司內部實施各種客製化應用案例都需要專業的知識和技能。如果公司內部缺乏此類專業知識，則需要從外部合作夥伴或供應商取得。
這並不意味著你需要買下所有東西——這就好比你有100美元卻去餐廳吃飯而不是去超市一樣。第一種選擇能讓你立刻飽腹，但第二種選擇能保證你一週都有飯吃。
那麼，如何著手人工智慧專案？誰該負責你的首批人工智慧專案？我的看法是：不要糾結於“自建或購買”，而是應該專注於合作和學習。我堅信大多數公司都應該在內部培養人工智慧專業人才——這將使他們在未來的人工智慧策略和活動中擁有更大的靈活性。同時，人工智慧是一門複雜的技藝，需要時間才能掌握，而且失敗在所難免（根據[來源缺失]）。 本報告由蘭德公司發布。超過 80% 的人工智慧專案最終失敗。從失敗中學習在理論上是合理的，但在實踐中，往往會導致時間、資源和信譽的浪費。為了有效提升人工智慧的成熟度，企業應考慮與值得信賴、願意分享專業知識的合作夥伴合作。務實謹慎的方法不僅能確保技術實施更加順暢，還能兼顧人工智慧策略中的人員和業務層面。
首先，我將概述人工智慧「自建或購買」決策的基本輸入、輸出和權衡取捨。接下來，您將了解一種更為細緻的合作模式，該模式結合了自建和購買兩種方式，同時也能提升您自身的內部學習能力。最後，我將總結一些關於人工智慧合作的實用建議和技巧。
人工智慧領域「製造或採購」決策的基本原理
讓我們先將經典的「自主研發還是採購」決策分解為兩部分：投入——必須事先評估的要素——以及產出——每種選擇對未來業務的影響。決定是自主研發人工智慧還是從外部供應商採購，是一項至關重要的策略決策，需要對可用資源和預計成本有深入的了解。
輸入
為了做出決策，必須評估內部能力和用例需求。這些因素將決定每個方案的可行性、風險或實用性。
- 貴公司人工智慧的成熟度： 考慮您內部的技術能力，例如熟練的人工智慧人才、可重複使用的人工智慧資產（例如資料集、預先建置模型和知識庫），以及可以遷移到人工智慧領域的相關技術技能（例如資料工程和分析）。此外，還要考慮您的用戶與人工智慧互動以及應對其不確定性的熟練程度。隨著人工智慧技術的成熟，要加大技能提升和大膽創新的投入。
- 該領域經驗要求： 該解決方案在多大程度上體現了您對行業的深入了解？在需要專家級直覺或組織知識的應用場景中，您公司內部的行業專家將發揮至關重要的作用。他們必須參與到開發過程中，無論是透過內部開發還是與外部供應商緊密合作。
- 用例的技術複雜性： 並非所有人工智慧應用都一樣。依賴現有API或基礎模型的專案遠比需要從零開始訓練自訂模型架構的專案簡單得多。更高的複雜性會增加風險、資源需求，並可能導致「先建造後開發」方法的延誤。
- 價值和策略差異化： 該用例對您的策略優勢至關重要，還是只是一種輔助功能？如果它是您所在行業（甚至您的公司）獨有的，並且能夠增強競爭優勢，那麼合作開發或共同開發可能更有價值。相反，對於標準用例（例如文件分類和預測），採購可能更快、更經濟高效。
關於自主生產還是購買成品的決策後果
在評估所有投入後，您需要確定自主生產或購買現成產品這項決策的後續影響，並權衡利弊。以下七個面向將影響時間安排、成本、風險和結果：
- 客製化： 人工智慧解決方案的客製化程度取決於其能否根據組織的具體工作流程、目標和領域需求進行調整。客製化程度通常決定了解決方案與獨特業務需求的契合度。精準的客製化對於確保解決方案與特定的業務流程保持一致至關重要。
- 財產： 智慧財產權以及對核心人工智慧模型、程式碼和策略方向的控制權至關重要。自主研發能夠提供完全所有權，而採購通常涉及從其他方獲得技術許可。完全所有權是一項戰略優勢，尤其是在依賴創新和智慧財產權保護的行業中。
- 資料安全： 它涵蓋了資料的處理方式、儲存位置以及存取權限。在受監管或敏感的環境中，資料隱私和合規性是核心問題，尤其是在資料可能與外部供應商共享或由其處理的情況下。遵守全球資料安全標準，例如 GDPR 和 ISO 27001，至關重要。
- 成本： 這包括初始投資和持續營運費用。內部生產涉及研發、人才、基礎設施和長期維護，而外包可能需要支付許可費、訂閱費或雲端使用費。應進行詳細的總擁有成本 (TCO) 分析，以評估每種方案的財務可行性。
- 產品上市所需時間： 它衡量解決方案部署和開始創造價值的速度。在競爭激烈或瞬息萬變的市場中，快速部署往往至關重要；延誤可能導致錯失良機。選擇現成的解決方案可以顯著縮短產品上市時間，從而為企業帶來競爭優勢。
- 支援與維護： 這包括誰負責更新、擴展、錯誤修復和持續的模型效能維護。內部設計需要專門的維護資源，而外部解決方案通常包含支援服務。服務等級協定 (SLA) 應包含關於回應時間和故障排除的明確細節。
- 人工智慧學習曲線： 這反映了在組織內部獲取和實施人工智慧專業知識的複雜性。內部開發往往需要大量的試錯，且結果往往不盡人意，因為團隊缺乏對人工智慧的基礎知識。另一方面，透過購買或合作，可以利用針對性的專業知識和成熟的工具來加速學習，為未來的人工智慧活動奠定堅實的基礎。合作關係可以提供專業知識，並降低內部開發人工智慧所帶來的風險。
然而，在實務上，非此即彼的思維模式──即內部生產與現成產品採購──往往會導致難以解決的權衡取捨。讓我們以前面提到的應用案例為例。團隊傾向於…的原因之一是 內部生產 維護公司資料的機密性是關鍵因素。同時，他們缺乏內部人工智慧專業知識來開發可用於生產的聊天機器人系統。如果他們將聊天機器人的工程設計和後續支援外包，同時在內部建立資料庫，或許會取得更大的成功。因此，你不應該決定整個人工智慧系統是內部開發還是直接購買現成產品。相反，你應該將其分解成各個組件，並根據自身的能力、限制和策略重點對每個組件進行評估。
促進領域專業知識與人工智慧之間的有效合作
在組件層面，我建議您從專業知識需求的角度來區分內部製造和外包決策。大多數B2B人工智慧系統都結合了兩種類型的專業知識：領域專業知識（公司內部即可獲得）和人工智慧技術專業知識（如果您（目前）不具備專業的人工智慧技能，則可以透過外部合作夥伴引入）。以下將探討人工智慧系統各個核心組件的專業知識需求（參見[參考文獻]）。 本文 （有關組成部分的解釋）。這種策略方法確保了可用資源的最大化利用，並有效率、有效地實現了業務目標。
工作機會：找出合適的AI問題
你知道嗎？人工智慧專案失敗的首要原因並非技術問題，而是選擇了錯誤的問題來解決？ （參見） 人工智慧專案失敗的根本原因以及如何才能成功您或許會驚訝地發現，您的專家團隊其實對自身的問題有著深刻的理解。但問題的關鍵在於，他們缺乏將痛點與人工智慧技術連結起來的有效途徑。以下是一些最常見的失敗模式：
- 問題描述含糊不清或不恰當人工智慧真的擅長這項任務嗎？通常，準確定義問題是利用人工智慧成功解決問題的第一步。
- 估算損失的努力/投資回報開發和部署人工智慧所投入的時間和資源是否值得？使用人工智慧的預期投資回報應該清晰明確且合理。
- 不切實際的期望對於尚不完善的人工智慧而言，「夠好」意味著什麼？在專案啟動之前，必須明確定義成功標準。
另一方面，許多組織為了使用人工智慧而使用人工智慧，為了尋找問題的解決方案而開發解決方案。這既浪費資源，又會削弱內部信任。
優秀的AI合作夥伴能夠幫助評估哪些業務流程適合引入AI，預估潛在影響，並建構AI如何創造價值的模式。雙方可以透過聯合探索性研討會、設計競賽和探索性原型設計，共同開發出目標明確、影響深遠的應用案例。
數據：人工智慧系統的動力源泉
乾淨、組織良好的領域數據是一項關鍵資產。它蘊含著流程知識、客戶行為、系統效能等等。但僅僅擁有原始數據是不夠的——它需要被轉化為有意義的學習訊號。這正是人工智慧專業知識的用武之地：設計供應鏈、選擇合適的數據表示方法，並將所有內容與人工智慧的學習目標保持一致。
這通常涉及資料標註——也就是在範例中加入註釋，提供模型需要學習的線索。這看似繁瑣，但務必克制住外包的衝動。標註是供應鏈中最依賴上下文的環節之一，需要專業知識才能做好。事實上，如今許多微調任務在小型但高品質的資料集上效果最佳——因此，請與您的AI合作夥伴緊密合作，以確保工作重點明確且管理有序。
資料清洗和預處理是另一個專業知識至關重要的領域。你可能聽過這句話： “大多數數據科學家都把時間花在清理數據上。” 但這並不意味著速度一定會很慢。如果工程師經驗豐富，了解您的資料呈現方式（文字、數字、圖像等），這個過程就能顯著加快。他們會直覺地知道何時應用哪些預處理技術，將數週的反覆試驗縮短到數小時的高效設定。
人工智慧：AI模型和結構
大多數人認為人工智慧專案就此開始——但這只是成功的一半。建構高效的人工智慧系統需要深厚的人工智慧專業知識，才能選擇或優化模型、評估效能並設計系統架構。例如，您的應用程式場景是否應該使用預訓練模型？您是否需要多模型架構？合理的評估指標是什麼？在更複雜的系統中，可以將不同的人工智慧元件（例如模型和知識庫）整合到多步驟工作流程中。
領域專業知識在系統驗證和評估過程中至關重要。專家和潛在用戶需要驗證人工智慧的輸出是否合理，是否符合他們的實際預期。即使模型在統計上表現穩健，但如果其輸出與業務邏輯不符，則在實際操作中可能毫無用處。在設計複雜系統時，領域專家也需要確保系統設定能反映他們實際的流程和需求。
設計人工智慧模型和建立客製化人工智慧架構是您的「實驗助手」階段：人工智慧團隊負責設計和完善系統，而領域團隊則根據業務目標來指導和改進系統。最終目標是建立系統行為的共同所有權。
“
案例研究：建構人工智慧專業知識以支援保險公司
“
一家領先的保險公司的數據科學團隊的任務是建立一個理賠風險預測系統——他們希望將這個項目保留在公司內部，以確保完全擁有所有權，並與自身的數據和工作流程緊密結合。然而，原型系統遇到了效能和可擴展性方面的問題。這時，我的公司介入了。 阿納科德 作為架構和策略合作夥伴，我們協助內部團隊評估候選模型、設計模組化架構並建立可重複的機器學習 (ML) 管線。至關重要的是，我們開展了針對性的培訓課程，重點是講解模型評估、機器學習流程 (MLOps) 和負責任的 AI 實踐。隨著時間的推移，內部團隊逐漸建立信心，將先前的原型改進為穩健的解決方案，並全面掌控了相關流程。最終，他們擁有了一個完全自主的系統，而我們在整個專案過程中提供的專業指導也提升了他們的內部 AI 能力。這種方法確保了風險預測系統的**改進**和內部 AI 能力的**發展**。
使用者體驗：透過使用者介面傳遞人工智慧的價值
這方面比較複雜。除了少數例外，行業專家或技術精湛的人工智慧工程師不太可能為真實用戶設計出直覺、高效且令人愉悅的使用者體驗。理想情況下，你應該聘請專業的UX設計師。如果找不到合適的人選，可以尋找相關領域中對使用者體驗有天賦的人才。如今，有許多AI工具可以支援UX設計和原型製作，因此良好的美學比技術能力更重要。一旦找到合適的人選，你需要讓他們從使用者和設計師兩個方面獲取資訊：
- 背景人工智慧專家深入分析系統的內部運作方式——其優勢、局限性和確定性水平——並支持解釋、不確定性指標和置信度評分等要素的設計（見）。 本文 關於透過使用者體驗建立對人工智慧的信任。
- 前臉領域專家了解使用者、他們的工作流程以及他們的弱點。他們幫助驗證使用者流程，指出痛點，並根據使用者實際與系統的互動方式提出改進建議。
專注於快速迭代，並做好應對一些錯誤的準備。人工智慧領域的使用者體驗是一個新興領域，對於「優秀」的使用者體驗並沒有固定的標準。最佳體驗源自於緊密的迭代回饋循環，在這個循環中，設計、測試和改進持續進行，並融合產業專家和人工智慧專家的意見。最終目標應該是設計高效且使用者友好的使用者介面（UI），從而將人工智慧的價值無縫傳遞給使用者。
支援與維護：確保人工智慧的持續運行
人工智慧系統一旦部署，就需要密切監控和持續改進。真實世界的使用者行為通常與測試環境有所不同，並且會隨著時間而改變。這種固有的不確定性意味著您的系統需要主動監控，以便及早發現並解決問題。
監控所需的技術基礎設施——包括效能追蹤、漂移偵測、自動重訓練和 MLOps 管線——通常由您的 AI 合作夥伴建造。一旦搭建完成，許多日常監控任務並不需要深厚的技術技能。真正需要的是領域專業知識：了解模型的輸出是否仍然合理，並注意到使用模式的細微變化，以及識別何時出現「偏差」。
精心設計的支援階段不僅僅是營運階段，它還可以成為內部團隊至關重要的學習階段。它為團隊創造空間，讓他們逐步提陞技能，加深對系統的理解，最終隨著時間的推移，更順利地掌握人工智慧系統。這有助於持續改善系統的效能和效率。
因此，與其將人工智慧實施視為非此即彼的「自建或購買」決策，不如將其視為一系列活動的集合。其中一些活動技術性很強，而另一些則與您的業務環境密切相關。透過明確人工智慧生命週期中的各項職責，您可以：
- 明確角色和成功所需的關鍵技能
- 確定公司內部已具備的能力。
- 發現外部專業知識最有價值的領域。
- 規劃長期知識移轉與所有權
如果您想深入了解如何整合領域專業知識，請閱讀我的文章《將領域專業知識融入您的人工智慧系統》。更重要的是，「領域」專業知識和「人工智慧」專業知識之間的界線並非涇渭分明。您的團隊成員可能已經在嘗試機器學習，或渴望承擔更多技術性的角色。透過合適的合作模式和技能提升策略，您可以逐步實現人工智慧的自主運行，隨著內部成熟度的提高，逐步承擔更多責任和控制權。
在人工智慧領域開展合作時，要儘早開始並專注於溝通。
現在您已經知道，製造或採購決策必須在人工智慧系統的各個組件層面進行。但是，如果您的團隊中還沒有人工智慧方面的專家，您該如何設想您的系統及其組件最終會是什麼樣子呢？答案是：儘早開始合作。當您開始製定和設計人工智慧策略時，請尋找一位值得信賴的合作夥伴來指導整個過程。選擇一位您能夠輕鬆、坦誠溝通的夥伴。從一開始就進行正確的合作，將大大提高您順利、成功地應對人工智慧挑戰的幾率。建立強大的人工智慧合作關係，尤其是與專業專家合作，對於確保人工智慧專案的成功和最大限度地降低潛在風險至關重要。
選擇一家在該領域擁有核心專業知識的人工智慧合作夥伴。
您的AI合作夥伴的角色不應僅限於提供程式碼和技術資源；他們還應幫助您的組織在合作過程中學習和成長。以下是一些常見的外部合作類型以及您可以從每種類型中獲得的收益：
- 外包這種模式簡化了複雜性——能快速見效，就像快速解決問題一樣。雖然高效，但很少能提供長期的戰略價值。最終你得到的只是一個工具，而不是更強大的能力。
- 學術合作非常適合前沿創新和長期研究，但通常不太適合在現實世界中實際部署和採用人工智慧系統。
- 諮詢夥伴關係我認為，最有前景的途徑，尤其對於那些已經擁有技術團隊並希望提升人工智慧能力的公司而言，是聘請一位優秀的顧問。優秀的顧問能夠賦能公司工程師，幫助他們避免代價高昂的錯誤，並就以下問題提供基於實務經驗的真知灼見：針對我們的用例，哪種技術工具包最合適？我們如何管理資料以提高品質並建立穩健的資料生命週期？我們如何在不損害信任和治理的前提下實現規模化？
本文篇幅有限，無法詳述如何選擇合作夥伴，但這裡有一條來之不易的建議：要警惕那些在2022年人工智慧熱潮之後突然在其服務中加入「人工智慧」字眼的IT外包和顧問公司。他們或許會用華麗的術語吸引你，但如果人工智慧並非他們的核心競爭力，你最終可能要為他們的學習曲線買單，而不是從他們互補的專業知識中獲益。選擇那些已經累積了豐富經驗並願意與你分享的合作夥伴。
加倍努力加強溝通和協調。
在合作模式中，各利害關係人之間的有效溝通與協調至關重要。以下是貴公司需要掌握的一些重要溝通角色：
- 領導階層和行業專家必須明確指出需要解決的業務問題（以及分享人工智慧相關想法的最佳實踐）。 這裡).
- 最終用戶需要儘早分享他們的需求，在使用過程中提供回饋，並理想情況下成為塑造人工智慧體驗的合作夥伴。
- IT 和治理團隊必須確保合規性、安全性和可靠性，同時促進而非阻礙人工智慧創新。請注意：這些功能似乎尚未完全配置。
在人工智慧專案中，協調不力和效率低、各自為政的風險很高。人工智慧仍然是一個相對較新的領域，單是術語就可能造成混淆。如果你曾經參與過「人工智慧」和「機器學習」區別的討論，你就會明白我的意思。如果沒有，我建議你下次與同事開會時試試看。這可能就像你和伴侶之間以「…」開頭的對話一樣難以捉摸。 我們需要談談。
目標是彌合雙方之間的鴻溝，消除任何歧義或脫節。您的內部團隊應該投入資源提陞技能，並建立對人工智慧概念的基本理解。另一方面，您的人工智慧合作夥伴也必須做出讓步。他們應該摒棄專業術語，使用清晰易懂、以業務為導向的語言，以便您的團隊能夠真正理解和運用。有效的協作始於共同的理解。
結論
真正的問題不在於“我們是自己開發人工智慧還是購買現成的人工智慧？”，而在於“我們如何發展自身的人工智慧能力，才能在速度、控制和長期價值之間取得平衡？”答案在於認識到人工智慧是技術和專業知識的結合，其成功取決於將合適的資源匹配到合適的任務上。
對大多數組織而言，最明智的做法是 合夥 – 將您所在行業的優勢與外部人工智慧專業知識相結合，從而更快地建立、更快地學習，並最終在您的人工智慧之旅中獲得成功。
接下來你可以這樣做：
- 根據自身內部能力決定人工智慧的應用場景。 坦誠面對差距。
- 選擇能夠傳遞知識的合作夥伴，而不僅僅是能夠交付成果的合作夥伴。
- 確定應該自行建造、購買或聯合建造的組件。 你無需做出非此即彼的選擇。
- 隨著比賽的進行，不斷提升團隊的技能水準。 每個專案都應該讓你變得更有能力、更獨立，而不是讓你更依賴合作夥伴的資源和技能。
- 先從重點試辦計畫入手 它為內部學習創造價值和動力。
透過今天採取策略性方法來建立能力，您正在為將來成為一個具備人工智慧能力的組織（並最終成為一個依賴人工智慧的組織）奠定基礎。
評論被關閉。