没有明确场景的AI项目不能做。
AI跟业务结合有几种方式1）赋能型：业务+AI，类似证券开户的例子，用人脸识别做视频见证，从而实现非现场开户。再比如数据采集业务，加入NLP技术做非结构化处理，缩减人工投入。2）颠覆型：AI+业务；比如数字货币、大数据征信AI推动了相关业务的变革。3）平台型：多业务+AI平台；这种场景比较常见的就是响应公司的数字化战略，打造数字XX的平台，其中AI平台就是核心中台平台，被多个业务所复用。
无论怎么结合，AI项目，必须有清晰的业务场景。那种只引入AI平台，之后再做场景的AI项目要谨慎对待了。AI工具平台单独的存在是没有意义的，那只是各类算法的堆叠。而先上平台，再找场景，会导致几个问题：
1）项目周期不可控
AI场景的寻找不同于IT场景的寻找，业务方的AI教育，语义鸿沟的信息对称，业务方对AI的预期管理等都不是短期内可以解决的。
2）项目成本的风险激增。
如果是引入平台，再随机找个场景来来验证。结果是一个项目变成了两个项目，一个项目是作为工具软件的AI平台项目，以AI平台可用好用易用为目标；一个项目是随机业务场景的AI支持是否足够好用。而后者往往几倍于前者的投入，需求的不确定性，最终导致AI项目组的成本投入将是之前预算的几倍。
3）项目验收风险加剧；
AI工具软件和传统IT软件在易用性上客户体验上一般会比较差，AI工程师基本上是数据处理工程师，他们并不擅长前端建设和流程建设，而没有场景的AI平台验收，会最终导向传统软件的验收方式，是一种错位考核，效果不会好。
没有业务人员参与的AI项目不能做
AI项目的人员组织有几种方式：1）信科技术人员做专职PM牵头；2）信科对口业务部门的需求/产品人员牵头；3）信科接口人牵头，关键业务人员配合。4）业务方牵头，信科人员配合。如果让你选择，为了确保智能金融项目的成功，你会选择哪种项目组织的方式？我的选择是第4个，其次选择是3；完全信科牵头，见不到业务人员的AI项目，参与的风险机极大。原因在于业务人员就是关键用户，关键用户对于人工智能项目来说能带来什么？
1） 清晰合理的用户需求，对标人工智能项目的“目标Y值”，业务目标是否可行不是技术人员说的算，业务人员的工作痛点和经验才至关重要。
2） 清晰明确的业务逻辑，对标人工智能项目的“特征工程和算法”，业务逻辑清晰明确，才好提炼特征，明确算法。
3） 清晰明确的用户数据，对标的人工智能项目的“样本数据”，尤其是确定正负样本的标注，需要业务人员明确，并提供过往运营数据。
用规则都不能做的业务，不要期待AI能做。
我们对待人工智能项目总是两级分化，一种认为AI无所不能，而面对搞不定的问题或者效果出不来的时候就会将责任推给AI工程师，认为是技术无能；一种则认为AI没用，很多业务不是靠数据可以推演出来的，再怎么样也离不开人的判断。其实判断一项业务是否适合采用AI技术，有一个简单实用的方法，就是首先看这个业务是否可以用人的规则来解决，多数情况下，如果连规则都无法做的业务，那么就不要期待AI能够来做了。规则为何可以起到这个作用？因为规则是人的经验在IT环境下的一种信息化。有了业务规则，至少可以说明几件事，首先因为有业务规则摆在那，所以很显然这是一个可以完成的业务目标，不是yy的。其次业务规则代表了该业务是有清晰的业务逻辑的，不是靠感觉来做的。最后，业务规则代表历史上有大量的业务数据的积累，可以为我们未来建模提供样本和特征的数据支撑。当然还有一个最重要的事情，业务规则往往是一个AI项目成功与否的度量标准。比如，商机发现业务规则，成功率可能是5%，通过AI辅助商机发现可以提升到20%。
找不到用户痛点的AI项目不能做
痛点是客户的需求刚需，找到痛点等于找到了问题的核心点。没有痛点，需求就会在泛化，就会在平台化体系化上做文章，最终导致一个大而全的系统，而大而全的系统只是需求泛化后的功能堆叠，因为没有痛点，所以往往项目成果似是而非，可用可不用。而大家都知道用户习惯是最难改变的，用惯了原来的系统，用户没有足够动力消耗时间和精力去适应新的系统，不管在技术人口中，这个是多么智能化的项目，只要没有解决业务刚需问题，这就是个垃圾系统。
需求泛化另一个致命也问题是：会对AI项目的成本工期构成严重威胁，每承接一个AI功能点，意味着至少上千个样本数据的组织，大量的模型调整和训练等等工作量。这并不同于传统IT项目，加个菜单、加个业务逻辑就好了。AI项目一个业务点背后的人工工作量是远远超过IT项目的功能点的，即所谓的有多少人工就有多少智能！
扫一扫
334
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
