构建人工智能产品/业务的两种策略(by Andrew Ng)

这是 Andrew Ng 在 2021 年写的一篇老文章, 但它的思想没有过时. 在这里简单翻译, 送给大家

https://read.deeplearning.ai/the-batch/how-to-build-ai-products-and-businesses-two-strategies/

构建人工智能产品/业务的两种策略:

构建人工智能产品/业务需要对构建目标, 以及如何构建做出艰难的选择。

我听说过两种风格：

* 准备、瞄准、射击：计划并进行仔细研究。仅当你对某个方向非常有信心时才投入资源。

* 准备、射击、瞄准：立即开发并尝试执行。这样可以使你快速发现问题并及时进行调整。

假设你想为餐馆构建一个客户服务聊天机器人:

 * 你是否应该在开始开发之前花时间研究餐饮市场以及聊天机器人的情况? 等研究清楚了, 再逐步开发. 这样减少了总体的时间浪费和资源的风险？

 * 还是立即动手，快速行动并在失败的时候及时调整方向？

两种方法都有其拥护者，但我认为最佳选择取决于具体情况。

当执行成本很高时，准备、瞄准、射击 往往更胜一筹，仔细研究可以揭示项目的价值。

例如，如果您的团队可以集思广益一些其他用例（餐馆、航空公司、电信公司等）并评估这些用例以确定最有希望的方向，那么在确定行动之前可能值得花额外的时间。

如果您能够以低成本执行, 并在此过程中确定方向是否可行, 并及时调整方向. 准备、射击、瞄准往往会更好。

例如，如果您可以快速构建原型产品以确定用户是否想要该产品，那么快速行动就是有意义的。

在就产品方向达成一致后，在构建作为产品一部分的机器学习模型时，我倾向于准备、射击、瞄准。

构建模型是一个迭代过程。对于许多应用程序，训练模型和进行错误分析的成本并不高。

但当选择一个方向意味着进行昂贵的投资或这个方向是个单向门（意味着一个难以逆转的决定）时，通常值得提前花更多时间来确保它确实是一个好主意。

Keep learning!

Andrew

KNIME 比较适用于 “准备、射击、瞄准” 风格. 在数据相对充分的情况下, 只要有一个新主意, 一般不超过一个下午, 我就能简单评估这个主意是否可行. 这在以前纯粹使用 Python、Matlab、R 等语言的我是完全无法想象的.

Happy KNIME!