原文towardsdatascience.com/pitching-ai-innovation-in-your-company-5569507d3b97?sourcecollection_archive---------9-----------------------#2024-07-16启动你当前工作中的 AI 之旅的关键步骤https://annaviaba.medium.com/?sourcepost_page---byline--5569507d3b97--------------------------------https://towardsdatascience.com/?sourcepost_page---byline--5569507d3b97-------------------------------- Anna Via·发布于Towards Data Science ·6 分钟阅读·2024 年 7 月 16 日–https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/ad6cb594983d7fab13b2bc5805a27366.png图片来自KindelMedia发布于Pexels我听过很多次数据科学家因为公司缺乏有趣的项目而感到沮丧。说服业务利益相关者和管理层启动 AI 项目可能是一个挑战。虽然通常数据科学家不负责思考和提出需要优先考虑的项目但我见证了数据科学家与数据经理和产品经理一起如何影响产品路线图帮助引入更多创新和有影响力的项目。在这篇博客文章中我将分享一些我看到过的成功影响团队或公司文化、推动更多创新的机器学习ML或人工智能AI项目的步骤和策略。请注意这不是一蹴而就的事情而是一个过程在这个过程中你的知识和动力可以帮助公司中的其他人跳出思维定势看到机器学习和人工智能的潜力。推动公司创新和 AI 的关键步骤和策略包括提高认知、通过使用案例激发灵感、寻找赞助人和创意以及优先级排序。1. 提高对人工智能的认知第一步是提高组织内对人工智能能够做什么和不能做什么的认知。许多人对人工智能的理解有限这可能导致既有怀疑也有不切实际的期望。第一步的最终目标是帮助你周围的人对 AI 产生敏感度。这种敏感度包括什么是 ML 和 AI 的区别我可以用传统的 ML 解决哪些问题分类、回归、时间序列等GenAI 带来了哪些新机会文本生成、图像生成、少样本分类等。一些实现这种意识的策略包括研讨会和培训这些可以在公司内部组织或者你也可以推荐在线课程。第二种选择通常更快速且成本较低像“AI For Everyone”和“Generative AI For Everyone”这样的课程来自deeplearning.ai总是一个不错的起点。赋能并鼓励每个人使用 GenAI可以通过随意地解释你自己如何利用 GenAI分享通过它获得的图片和诗歌或者挑战为什么他们还没有使用它来实现这一点。试着理解是否有具体的担忧阻碍了人们的使用例如“我不信任它处理我的数据”并分享可以帮助缓解这些感知风险的工具或技巧。展示 ML / AI 项目积极参与公司内的演示、全员大会或内部知识共享会议。你可以分享你或你的团队已经实现的 ML 或 AI 项目。确保提供合适的技术细节使人们能够跟上你的演讲并突出项目的潜力、影响和收获也非常重要。还可以有趣地分享这些项目如何与“传统软件开发”或公司其他类型的项目有所不同。2. 通过相关的应用案例进行启发你周围的人已经对 AI 和 ML 有一定的了解和敏感度知道存在的模型类型、它们的潜力以及这些类型的项目如何运作太好了下一步是开始引入可以启发你公司项目的应用案例。这些案例可以来自竞争对手或类似行业也可以来自适用于大多数公司的通用应用案例用户细分、客户/用户流失预测、销售预测等。展示竞争对手或其他公司如何利用 AI可以有效地展示其潜力并激发下一步的行动。在展示应用案例时可以着重讲解该案例解决的问题、取得的实际效益并类比如何在你的公司中应用类似的解决方案。类似地对于更一般的应用案例例如用户细分展示在你公司中可能产生的应用类型动态定价、个性化、改进沟通等也会很有趣。如果已经有一些团队在进行竞争对手分析通常是用户研究人员确保他们也在考虑 ML / AI 功能。帮助他们提高敏感度理解这些解决方案如何在底层运作从而进一步丰富他们的研究并发现你公司可能的 AI 机会。3. 寻找你的赞助人和使用案例https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/32580f736e3453dd18f57fd35cc35f76.png图片来源Fauxels来自Pexels现在大家已经意识到 AI 是什么以及它能在公司中解决哪些类型的问题和使用案例。如果你做得对你应该能够让一些人对这一切潜力感到非常兴奋这种兴奋感可能会转化为人们直接找上你分享其他使用案例提出问题甚至询问某个问题是否可以通过 AI 来解决。这些人就是你的赞助人组织内的支持者他们可以支持并倡导 AI 项目。根据公司规模和文化变革的需求这些赞助人可能会接近到足以影响最高层的决策。然而能够激励业务利益相关者也是足够好的因为他们可以推动通过 AI 解决自己的目标。你已经为 AI 项目的想法埋下了种子。现在你可以开始为公司特定问题或目标提出具体的 AI 解决方案。感谢之前在意识、使用案例和赞助人方面的工作这些提案应该会更容易被接受然而最有趣的部分是等待使用案例也会反过来找上你。你的 AI 赞助人和公司中的其他人现在能够将问题和目标与 AI 解决方案联系起来。你可能会惊讶于从这个方向出现的使用案例数量。你所建立的意识将自然地引导出更多有根据且相关的建议。4. 评估和优先排序使用案例到此为止你可能已经能够收集到多个倡议的想法并且得到了管理层的支持分配一些时间来处理这些想法。但你如何决定从哪里开始呢可能开始时选择潜力最大的倡议是有意义的但预测创新的投资回报率尤其是 AI 项目的回报率可能会因为它们固有的不确定性而变得具有挑战性。然而有一些关键点可以帮助你做出决定聚焦于公司内的特定战略痛点或机会。使用行业基准来估算成功率和潜在收入。评估潜在的好处同时也要考虑可行性和风险。区分探索性项目高不确定性长期和利用性项目低不确定性短期。尝试从探索性的想法快速收益开始以便更快地证明价值、获得关注并建立信任。一旦这些管理得当也许你可以开始引入探索性想法长期目标与月球任务它们旨在实现更长远、更大的转型但也涉及更高的失败风险。平衡持续交付与改进以及月球任务的探索对于长期保持信任同时探索真正的创新至关重要。在上一篇文章“从正确的起点开始机器学习产品的倡议”中我深入探讨了如何从一开始就成功启动机器学习倡议并管理其固有的不确定性。## 从正确的起点开始机器学习产品的倡议学到的前三个教训问题、规模和数据towardsdatascience.com总结在公司中推广人工智能是一个长期的旅程而不是一蹴而就的事情。根据我的经验重要的是从生成意识和教育开始展示应用案例并与处于合适位置的支持者对齐。只有这样提出应用案例时才能获得关注甚至其他人也可能会带着相关的想法来找你一旦收集了一些应用案例并且有足够的带宽和支持来优先考虑某些投入就该专注于战略性问题准确量化机会和潜力并在快速收益与长期目标之间取得平衡。我们正处在一个每个人都在讨论人工智能的时刻。特别是各家公司都在思考他们的生成性人工智能战略以及这一新技术如何改变业务和工作方式。这对你有利现在是开始引入这些步骤的好时机因为人们特别渴望学习、尝试并利用人工智能。