前 Google 员工 Venkat Malladi 提出

2020-05-22 342人围观 ,发现12个评论

前 Google 员工 Venkat Malladi 最近为AI的使用提出了四个準则。他认为选择一个基本的问题,并评估人工智能是否能解决问题,是决定 AI 成功与否的最大因素。例如销售预测分析公司Vymo的第一个版本就是只能解决一个基本的需求。或许世界各地的销售人员会认为报告销售资料很乏味,但没有销售资料,经理和领导者就无法準确预测或帮助他们的团队实现目标,这直接影响到他们可以达到的顶点。

因此,人们建立了一个以移动优先的解决方案(mobile-first solution)来检测所有的销售活动,然后根据销售资料,解决方案就会执行经理会做的事情。这与人工智慧(AI)解决问题普遍的看法是完全相反的,这取决于你在这个问题上赞同谁的观点。

1.人工智慧(AI)有效解决基本问题

Forbes认为资料驱动软体的主要优势已经超过了仅仅实现标準业务逻辑的软体,因为前者更能符合上文下理,并且可以随着时间的推移而不断发展。例如Vymo的智能建议对于不同类型的销售人员有着不同的结果,而且随着时间的改变会有所不同。这产生的累积影响是实实在在的,如果你能与企业合作来找出最有用的资料来源,构造好的特性并输入到你的演算法之中,那幺它的影响将会更大。

 2.建立在观察的基础上

Venkat Malladi也表示AI给出的建议也在演变。第一个版本的建议是基于这样的前提–更多的销售活动会带来更多的收入。简单来说就是更多现有或潜在客户的互动会增加了达到销售目标的可能性。而事实上,在会议中只有最高30%的人是最佳代表,这使我们走上了一条理解哪些活动具有较高投资回报(ROI)的道路。例如,午餐会议为财富银行业务的销售代表提供了不成比例的高回报率。

Forbes补充第一个主要的关键是基于一个重要的教训–基于观察来构建,而不是基于您认为应用程式可以有多大的帮助。当然您可以从基本前提开始,但您一旦有足够的资料来证明或推翻您的模型,您的演算法应该完全基于最终使用者的资料来运行。我们根据使用者告诉我们的资料来确定构建的优先顺序,而不是我们所期待的机器学习(Machine Learning)或AI的能力,也要坚持在试图保持领先的同时永远不要以与用户相关的成本为代价。

3.将应用程式与用家最终目标联繫起来。

Forbes提出这就是使用者真正关心的,究竟你的应用程式是如何与他们的最终目标联繫在一起?在数位时代我们仍然使用记事本是因为它们仍有用途。同样的情况也反映在应用程式的可用性上,例如其中一个最受欢迎的新功能是“nearby”,它显示了周围销售人员的和客户的位置。与其他更複杂的构建相比,这需要我们在Google API 上构建一个神经网络层,然后使其能跨设备和模式来运行,这虽然不简单,但肯定比弄清楚如何确定优先顺序简单得多。所以,他建议您忘记花哨的模型和演算法,这方面令人清醒的测试是应用程式可用性的统计资料,因为它反映了应用程式最有用的方面。

4. 模糊的正确总比精确的错误好

Forbes的最后提出模糊的正确总比精确的错误为好。他们认为AI为分析和学习大型资料集提供了一个巨大的机会。例如,您的演算法提出最初的几个建议可能有点离谱,但是如果您的实验设置是正确的,并且有足够且巨大的资料,那幺它肯定会变得越来越好。

资料来源: Forbes

不容错过