从人工智能中获取商业价值：将解决方案映射到业务：作者：Alastair Gill

现在，我们将注意力转向实际理解解决方案如何适应业务流程和运营并为其提供有效价值的过程。尽管听起来相对简单，但为了在企业内部采用该解决方案，这一点至关重要。机器学习 (ML) 模型可以经过训练来回答特定问题，或者生成式 AI (Gen AI) 模型可以响应（策划的）提示，但是与模型的这种输入/输出交互可能无法直接或整齐地映射到业务需求中出现的问题。那么，人工智能专家将如何处理这样一个业务驱动的项目呢？为了考虑这一点，出于本文的目的，我们考虑一种典型情况。例如，高级利益相关者可能有一个雄心勃勃的目标，即使用人工智能或机器学习解决方案来实现营销自动化。

在这种情况下，可能需要组合多个模型和组件才能为用户提供有用的解决方案。孤立地看，问题（和客户期望）可能并不完全符合传统人工智能的“数据输入/推理输出”格式或Gen AI的“提示/响应”格式。因此，理解这里的业务问题至关重要，将差距（目前是一个神秘的黑匣子）分解成可以理解和实现的东西。

对于这个问题没有单一的解决方案，而且每种情况都不同，但对于人工智能项目来说，一般有用的方法可能是：

1. 了解并记录所需工具或系统以及任何用户界面的功能。
2. 记录可用数据。
3. 分解为可以通过人工智能模型（ML、自然语言处理、计算机视觉或生成人工智能）解决的元素。
4. 对于剩下的差距，能否结合多种办法来解决？
5. 能否制定规则来成功解决这个问题？
6. 如果仍然存在差距，是否可以由在解决方案中执行任务的人来填补，也许可以在人工智能系统的选项的帮助下？为了解决这种差距，理想的情况是能够学习/编码集成到系统中的人类的行为（类似的方法可以用于增强性能不佳的模型）。

在整个业务逻辑映射的过程中，我们需要意识到不同元素带来的价值，以及有多少金钱和时间可用。创建价值图通常是值得的：哪些任务对业务有价值且难以自动化，哪些任务耗时且可以使用人工智能方法轻松自动化。

该图显示了 AI 解决方案的图示。请注意，两个粉色小矩形包含人工智能，但解决方案的大部分内容是通过映射到业务逻辑并使它们能够与数据和用户交互来使它们变得有用。

以人工智能解决方案自动化营销为例，在选择有价值的用例后，我们发现可以构建一个模型来预测客户流失。这非常适合传统人工智能 (ML)，但如果该技术碰巧是生成式人工智能，则可以应用相同的方法。抛开构建此类模型的细节不谈，它似乎运行良好，因为它可以成功预测客户是否可能流失（甚至评估模型的性能也取决于业务应用程序，这应该事先与相关利益相关者达成一致）。假设工程考虑因素已经成功解决，例如将其与数据和现有基础设施集成（在项目中永远不应低估所需的工作量），我们仍然需要确保这样的模型真正为业务增加价值。

回到我们上一篇文章的主题，我们还想确保我们不是在真空中工作。因此，为了确保最终结果能够产生期望和预期的影响，而不是被视为寻找问题的解决方案，有必要继续与高级利益相关者和最终用户合作，以​​确保这确实发生。在这种情况下，在与相关利益相关者合作后，为业务带来价值的方法可能是将模型的输出提供给公司内部的营销人员，以便他们能够专门针对可能流失的个人。

用户与 ML 模型的输出进行交互的一个关键考虑因素是确保它对他们有用。例如，它可能会集成到某种营销用户界面中，但是什么是有用的数据呈现呢？ 0.0-1.0 的概率本身不太可能有意义且有价值，但是高/中/低，甚至前 N 或前 N% 最有可能流失又如何呢？在这里，正如您所看到的，需要在整个过程中与相关利益相关者密切合作做出决策，以确保项目取得有用的结果。

以对营销人员有用的方式向营销人员展示模型输出，将为我们提供一种展示模型价值并获得用户认可的方法（这可能会导致进一步的自动化或将其构建到端到端解决方案中）。这清楚地说明了与用户和高级利益相关者密切合作的双重好处，不仅可以验证解决方案的价值，还可以作为检查点，从而扩大项目范围或增加投资。

以营销部门想要整合人工智能来自动化其流程为例，我们探索了如何考虑将人工智能（在本例中为机器学习）模型纳入现有业务流程。具体来说，它对最终用户有用、可用，并最终带来商业价值。

在下一篇也是最后一篇文章中，我们将考虑将人工智能项目从设计转变为工作解决方案的一些实用性。