说实话这几年AI火得不行。开启朋友圈, 或者, 打开公众号, 亦或是, 进入行业群, 所有人都在谈论大模型, 还有, 智能体, 包括, AI Agent。似乎, 哪一家公司, 要是未有接入AI, 就皆会觉得不好意思跟人打招呼然而身为在一线实际干过的人, 我要讲一句给人浇冷水的话语: 绝大多数企业搞人工智能, 最初的那一步便是错误的。为什么你的AI项目总是烂尾我见过太多这样的场景只见老板脑袋一拍说道, “我们得全方位去拥抱AI”紧接着, IT部门着手展开调研, 而后进行采购, 随后予以部署。三个月过后, 系统成功上线。又过了三个月, 却没人使用了。这不是段子是每天都在发生的真实情况。出现的问题究竟在什么地方呢? 并非是技术方面存在欠缺, 而是从根本上来说, 就没有清晰地思考明白到底需要去解决怎样的问题。先搞清楚你到底要AI干啥诸多企业, 一开始便发问: “哪个大模型运用起来最具效用? ”, 此问题自身存在着问题。你应该问的是“我公司哪个环节最痛”就拿一个实实在在发生过的事例来讲, 去年的时候, 我接触到了一家, 这家公司有着三百多号工作人员, 其一年的营业收入大概是八个亿, 那位公司老板一上来就表明要开展AI客服相关事宜, 说如此做便能节省一半的人力。我吩咐他们先着手做一件事情, 这件事情是, 将过去三个月期间的客户咨询纪录提取出来, 接着以人工方式进行分类。那后续结果被发现了些什么呢? 实际上, 真正借助AI去解决的内容, 从主体上讲, 并非是在线客服这一类型, 而是关于商品描述之中翻译以及本地化这两方面的相关事宜。每日之中, 他们存在着两千多个SKU需要去进行上架操作, 并且每个SKU得被翻译成五种语言。原本所采用的办法是给翻译公司进行外包处理, 单单一个月的时光, 翻译这项费用就耗费了一十八万, 然而还常常会出现错误情况。随后, 他们借助AI制作了一个翻译辅助系统, 并非直接进行替代翻译, 而是先运用机器翻译, 接着开展人工校对。成本降低至每月4万, 并且效率得到了提升。瞧, 问题被精确地找出来了然后, 解决方案顺理成章地诞生, 这个过程是自然而然发生的。别迷信“最先进”要选“最合适”目前, 在市面上存在着的大模型, 其参数范围涵盖了从几十亿直至几千亿不等的情况。有许多人持有这样的观点, 即认为参数越大便越好, 然而, 实际情况并非必然如此。我知晓有一家, 该公司有二十人, 其主要业务是协助中小企业审核合同, 他们曾尝试接入某拥有千亿参数的大模型, 而后发觉:响应速度太慢客户等不了每次调用成本高一个月光API费就烧掉2万多很多法律专业问题大模型答得不够精准随后, 他们更换了一个具备百亿参数的小型模型, 特意运用过去3年的合同数据进行了微调, 然而, 效果却反倒更佳, 具体表现为响应时间由8秒缩减至1.5秒, 准确率从72%提升至89%, 成本降低至每月3000块。选AI就像选工具不是越贵越好是越顺手越好。数据才是真正的护城河许许多多的人群都觉得, AI所具备的核心是算法, 这种认知是错误的, 其真正的核心其实是数据。我对已然将 AI 予以落地的 37 家企业展开过调研, 从中发觉了这么一个规律, 那些做得出色的企业, 毫无一个例外的, 均是在数据方面付出了极大的努力。有一家从事精密零件质检的制造业企业, 他们耗费了整整八个月的时间, 拍摄了五十万张产品照片, 对于每一张照片都人工进行了缺陷类型以及位置的标注, 之后运用这些数据去训练视觉检测模型。那结果究竟如何呢? 原本的人工进行质量检验时, 一个人在一天之中最多能够查看3000个零件, 其在这种情况下大致的漏检率处于3%左右。在运用了人工智能也就是AI之后, 一台机器在一天之内能够查看2万个零件, 此时漏检率大大降低, 降至0.2%。可你是否清楚? 其那个AI模型自身并非繁杂, 所运用的乃是三年之前的开源框架。而真正具备价值的, 那是那50万张已标注妥当的照片。数据积累越早开始后面的优势就越大。别想着一步到位先跑通一个小闭环好多企业着手做AI时, 一开始就妄图打造个大型平台、大型系统。其结果常常是, 项目周期极为漫长, 中途需求发生了改变, 技术也已迭代, 最终却什么都未能做成。采取我所建议的方式, 那便是, 寻觅一个规模较小的场景, 迅速去进行验证, 当运行畅通达标之后进而使之复制。举例来说, 存在着一家连锁餐饮类型的企业 , 这家企业拥有 200 多家门店。他们并没有急切地去开展诸如智能厨房 、无人餐厅之类的事情 , 反而是首先做起了一个规模较小的 “智能排班” 系统。聚焦于搞定一个问题: 透过历史客流数据去预计每个门店每日所需的人数。原本店长进行排班这一行为完全凭借经验, 时常产生周末人手不足、工作日人员冗余的状况。在运用了AI排班之后, 人力成本降低了12%员工满意度却反倒提升了。仅仅这么一个要点, 从立项起始直至上线以来仅用了6周, 其效果是能够被看见的, 老板对此感到满意, 员工同样予以认可, 后续才逐渐拓展至供应链预测、菜单优化与会员营销这类情景。从点做起比从面做起靠谱得多。人机协作不是人机替代最后的最后, 想要去说那么一个, 尤为特别容易受到忽视的问题, 这个问题便是, 人的感受。好些企业推出AI, 员工对此是抵触的, 缘由何在呢? 原因在于大家认为AI是要来抢夺饭碗的。我曾接触过一家, 其上线了人工智能调度系统之后呢, 原本负责调度工作的那些资历深厚在岗位干了许久的老员工们, 全都采取过激行为进行抵制, 甚至还出现了有人蓄意地往系统当中输入不正确数据的情况。之后是如何予以解决的呢? 公司将那位资深员工邀请过来担任“AI训练师”, 使其教导系统怎样进行排班会更加合理。系统学习了他的经验之后, 调度的效率的确是有所提升了。他自身也寻找到了崭新的价值感。AI并非旨在将人取而代之, 而是意在使之人的能力得以放大, 这个道理, 需让每一位员工均理解透彻。写在最后说了这么多其实核心就三件事其一, 要精准找到痛点之后才着手行动, 切莫只是单纯为了人工智能而搞人工智能, 务必先把想要去解决的问题想明白弄清楚。其次, 要极其看重数据的积累。要是不存在优质的数据, 那么不管算法何等厉害, 统统也都是无济于事的。其三, 由细微之处切入, 迅速进行迭代, 切莫妄图一蹴而就, 先达成一个细小的完整流程。并非所有实际问题, AI都能解决, 然而要是运用得当, 却是能够解决诸多实际问题的。重点在于, 不要跟风, 不要盲从, 要切切实实体经济出发。毕竟工具再好也得会用的人来使。
企业AI落地：别急着上大模型，先搞定这三件事
说实话这几年AI火得不行。开启朋友圈, 或者, 打开公众号, 亦或是, 进入行业群, 所有人都在谈论大模型, 还有, 智能体, 包括, AI Agent。似乎, 哪一家公司, 要是未有接入AI, 就皆会觉得不好意思跟人打招呼然而身为在一线实际干过的人, 我要讲一句给人浇冷水的话语: 绝大多数企业搞人工智能, 最初的那一步便是错误的。为什么你的AI项目总是烂尾我见过太多这样的场景只见老板脑袋一拍说道, “我们得全方位去拥抱AI”紧接着, IT部门着手展开调研, 而后进行采购, 随后予以部署。三个月过后, 系统成功上线。又过了三个月, 却没人使用了。这不是段子是每天都在发生的真实情况。出现的问题究竟在什么地方呢? 并非是技术方面存在欠缺, 而是从根本上来说, 就没有清晰地思考明白到底需要去解决怎样的问题。先搞清楚你到底要AI干啥诸多企业, 一开始便发问: “哪个大模型运用起来最具效用? ”, 此问题自身存在着问题。你应该问的是“我公司哪个环节最痛”就拿一个实实在在发生过的事例来讲, 去年的时候, 我接触到了一家, 这家公司有着三百多号工作人员, 其一年的营业收入大概是八个亿, 那位公司老板一上来就表明要开展AI客服相关事宜, 说如此做便能节省一半的人力。我吩咐他们先着手做一件事情, 这件事情是, 将过去三个月期间的客户咨询纪录提取出来, 接着以人工方式进行分类。那后续结果被发现了些什么呢? 实际上, 真正借助AI去解决的内容, 从主体上讲, 并非是在线客服这一类型, 而是关于商品描述之中翻译以及本地化这两方面的相关事宜。每日之中, 他们存在着两千多个SKU需要去进行上架操作, 并且每个SKU得被翻译成五种语言。原本所采用的办法是给翻译公司进行外包处理, 单单一个月的时光, 翻译这项费用就耗费了一十八万, 然而还常常会出现错误情况。随后, 他们借助AI制作了一个翻译辅助系统, 并非直接进行替代翻译, 而是先运用机器翻译, 接着开展人工校对。成本降低至每月4万, 并且效率得到了提升。瞧, 问题被精确地找出来了然后, 解决方案顺理成章地诞生, 这个过程是自然而然发生的。别迷信“最先进”要选“最合适”目前, 在市面上存在着的大模型, 其参数范围涵盖了从几十亿直至几千亿不等的情况。有许多人持有这样的观点, 即认为参数越大便越好, 然而, 实际情况并非必然如此。我知晓有一家, 该公司有二十人, 其主要业务是协助中小企业审核合同, 他们曾尝试接入某拥有千亿参数的大模型, 而后发觉:响应速度太慢客户等不了每次调用成本高一个月光API费就烧掉2万多很多法律专业问题大模型答得不够精准随后, 他们更换了一个具备百亿参数的小型模型, 特意运用过去3年的合同数据进行了微调, 然而, 效果却反倒更佳, 具体表现为响应时间由8秒缩减至1.5秒, 准确率从72%提升至89%, 成本降低至每月3000块。选AI就像选工具不是越贵越好是越顺手越好。数据才是真正的护城河许许多多的人群都觉得, AI所具备的核心是算法, 这种认知是错误的, 其真正的核心其实是数据。我对已然将 AI 予以落地的 37 家企业展开过调研, 从中发觉了这么一个规律, 那些做得出色的企业, 毫无一个例外的, 均是在数据方面付出了极大的努力。有一家从事精密零件质检的制造业企业, 他们耗费了整整八个月的时间, 拍摄了五十万张产品照片, 对于每一张照片都人工进行了缺陷类型以及位置的标注, 之后运用这些数据去训练视觉检测模型。那结果究竟如何呢? 原本的人工进行质量检验时, 一个人在一天之中最多能够查看3000个零件, 其在这种情况下大致的漏检率处于3%左右。在运用了人工智能也就是AI之后, 一台机器在一天之内能够查看2万个零件, 此时漏检率大大降低, 降至0.2%。可你是否清楚? 其那个AI模型自身并非繁杂, 所运用的乃是三年之前的开源框架。而真正具备价值的, 那是那50万张已标注妥当的照片。数据积累越早开始后面的优势就越大。别想着一步到位先跑通一个小闭环好多企业着手做AI时, 一开始就妄图打造个大型平台、大型系统。其结果常常是, 项目周期极为漫长, 中途需求发生了改变, 技术也已迭代, 最终却什么都未能做成。采取我所建议的方式, 那便是, 寻觅一个规模较小的场景, 迅速去进行验证, 当运行畅通达标之后进而使之复制。举例来说, 存在着一家连锁餐饮类型的企业 , 这家企业拥有 200 多家门店。他们并没有急切地去开展诸如智能厨房 、无人餐厅之类的事情 , 反而是首先做起了一个规模较小的 “智能排班” 系统。聚焦于搞定一个问题: 透过历史客流数据去预计每个门店每日所需的人数。原本店长进行排班这一行为完全凭借经验, 时常产生周末人手不足、工作日人员冗余的状况。在运用了AI排班之后, 人力成本降低了12%员工满意度却反倒提升了。仅仅这么一个要点, 从立项起始直至上线以来仅用了6周, 其效果是能够被看见的, 老板对此感到满意, 员工同样予以认可, 后续才逐渐拓展至供应链预测、菜单优化与会员营销这类情景。从点做起比从面做起靠谱得多。人机协作不是人机替代最后的最后, 想要去说那么一个, 尤为特别容易受到忽视的问题, 这个问题便是, 人的感受。好些企业推出AI, 员工对此是抵触的, 缘由何在呢? 原因在于大家认为AI是要来抢夺饭碗的。我曾接触过一家, 其上线了人工智能调度系统之后呢, 原本负责调度工作的那些资历深厚在岗位干了许久的老员工们, 全都采取过激行为进行抵制, 甚至还出现了有人蓄意地往系统当中输入不正确数据的情况。之后是如何予以解决的呢? 公司将那位资深员工邀请过来担任“AI训练师”, 使其教导系统怎样进行排班会更加合理。系统学习了他的经验之后, 调度的效率的确是有所提升了。他自身也寻找到了崭新的价值感。AI并非旨在将人取而代之, 而是意在使之人的能力得以放大, 这个道理, 需让每一位员工均理解透彻。写在最后说了这么多其实核心就三件事其一, 要精准找到痛点之后才着手行动, 切莫只是单纯为了人工智能而搞人工智能, 务必先把想要去解决的问题想明白弄清楚。其次, 要极其看重数据的积累。要是不存在优质的数据, 那么不管算法何等厉害, 统统也都是无济于事的。其三, 由细微之处切入, 迅速进行迭代, 切莫妄图一蹴而就, 先达成一个细小的完整流程。并非所有实际问题, AI都能解决, 然而要是运用得当, 却是能够解决诸多实际问题的。重点在于, 不要跟风, 不要盲从, 要切切实实体经济出发。毕竟工具再好也得会用的人来使。
