管理人工智能项目 (Chinese Edition)

第7章. 人工智能项目创新故事

本作品已使用人工智能进行翻译。欢迎您提供反馈和意见：[e-mail]

为了以务实的视角为本次探索之旅画上句号，本章汇集了一系列见解、建议和过往经验。它旨在将前几章讨论的概念相互融合，并与您作为人工智能项目经理的实际经验相结合。我们希望这些最终的反思能与您产生共鸣，助您开启自己的人工智能项目。

经验与教训

在过去15年间，我们观察到无论采用何种技术，人工智能领域中都存在若干持续存在的人为与组织模式。尽管更强大的基础设施和更先进的模型在重要程度上改变了人工智能的实施方式，但图7-1中所示的基本模式依然如故，且在可预见的未来很可能持续存在。

您会注意到，这些经验教训并非关于AI技术本身。相反，它们反映了AI管理的“软性”层面——那些决定项目成败的文化与战略细节。要驾驭这些挑战，请聚焦于以下核心原则：

利益相关者教育促进方案采用

我们 发现，向项目利益相关者（如客户、高管，甚至最终用户）普及人工智能的基础知识、能力及局限性，对于促进协作和实现长期应用至关重要。当利益相关者了解人工智能的工作原理以及哪些成果是切实可行的，讨论将更加富有成效，期望值能得到更好管理，对变革的抵触情绪也会显著降低。

高管赞助者必须知情

高管 的支持对于项目资金和持续性至关重要。然而，只有当领导者不仅理解项目的理由，还了解其实施的复杂细节时，高管赞助才最有效。知情的赞助者有助于消除组织障碍、确保资源并做出更好的战略决策，从而确保人工智能项目在其整个生命周期内都能获得支持。

尽早让最终用户参与可提高项目相关性

我们 经常发现，在设计初期就让最终用户参与进来，能带来更实用、更值得信赖且更易于使用的AI解决方案。即使是非技术用户也能提供见解，这些见解既能验证假设，又能帮助您避免构建那些技术上虽无懈可击、却无法解决现实问题的系统。

定义“足够好”的性能

我们 通过艰辛的实践认识到，追求完美往往不如设定一个“足够好”的标准更有价值。通过在前期设定切合实际的质量门槛，您可以降低复杂性、控制成本，并让利益相关者专注于业务价值，而非微不足道的模型改进。在许多情况下，利益相关者对实用性的感知比原始的技术指标更为重要。 当然，这要求您对所选指标及行业典型基准保持透明；例如，医疗保健应用所需的性能水平与营销工具截然不同。必须阐明：从“优秀”到“近乎完美”所需的投入和成本往往呈指数级增长，而回报却未必成比例。

在自动化与人工干预之间取得平衡

我们 发现，受技术和伦理问题双重影响，完全自动化的AI系统并非总是最佳解决方案。引入“人机协同”机制能提升准确性和责任可追溯性，特别是在人类判断依然不可或缺的复杂或高风险场景中。当然，这也有助于赢得用户的信任。

聚焦具体用例优于泛泛而谈

当应用于目标明确、范围清晰的任务时，AI才能发挥最佳效果。与其追求不切实际的“经验教训”，我们建议分析端到端的流程，将其分解为各个阶段，并针对具体的AI用例进行设计，为每个阶段设定独特的评估指标。

图 7-1. 来自我们 AI 项目的经验教训

可扩展性连接过去与未来

成功的运营型AI项目极少是孤立的努力。通过在设计用例时考虑可扩展性，您可以复用数据、模型和基础设施，构建一条将过往经验与未来机遇相连接的连贯路线图。这种可迁移的用例策略能够为那些需要大量投资的元素创建最佳的再利用序列。作为AI项目经理，在跨项目中展示这种规模经济效应，是获得赞助商更强有力支持的有效途径。 ...