在大型組織內開發AI產品與在初創企業內開發獨立解決方案或為博士編寫代碼是完全不同的過程。為此工作。為什么它是一個不同的——而且通常更復雜的——過程有多種原因。

首先，大型組織之所以龐大，是因為它們已經在其運營領域內擁有產品/解決方案。對于此類組織，人工智能通常是一種工具，是改進其現有產品的推動者。其次，幾乎沒有團隊或部門獨自推動產品開發。在大型組織中，產品開發需要多個團隊協作。

過去三年，我一直在一家大型汽車制造公司開發自動駕駛解決方案。以下是我在構建基于AI的產品方面的一些經驗。

熟悉該領域或認識熟悉該領域的人

作為AI專家，您很可能一直在開發和優化通用模型，例如深度神經網絡，這很棒，因為，嘿，您可以在任何情況下應用它們，對吧?那么，當您進入產品領域時，您很快就會意識到產品性能的評估方式與通用模型的性能評估方式不同。歸根結底，產品的好壞取決于它的銷量。

例如，如果你在一家汽車公司工作，在你進入自動駕駛解決方案之前，首先你需要了解現有的駕駛輔助產品，它們的能力、痛點、數據收集方法、客戶需求、發布流程，甚至是各國的一些法律規定。好消息是在大型組織中，您可以與許多領域專家交談以獲取此類領域知識。

開始很簡單，很簡單

您正在從事的工作很可能不是同類產品中的首創。您的組織已經為客戶提供了一種產品，但它正在尋找一種更高效、成本更低的開發方法。僅僅因為圍繞它有一個基于AI的新概念，他們不會丟棄現有產品并從頭開始部署最先進的 AI 解決方案。

因此，用最先進的純數據解決方案替代產品，尤其是復雜的工程產品，短期內幾乎不會發生。但是，您仍然可以利用您的AI專業知識進入現有開發。關鍵是開始簡單，非常簡單。一旦你對上述領域有了很好的理解，你就可以確定一兩個問題，用簡單的、現成的機器學習方法來解決。

將此視為您的“最小可行產品”，但在本例中將“產品”替換為“ml方法”。這樣做有兩個好處。首先，您可以通過使用數據和形式化問題來檢查基于AI的解決方案是否有意義，而無需花費太多精力構建復雜模型。其次，簡單的模型通常更容易解釋，因此對您的非 AI 領域專家同行來說不那么嚇人。

先建立信任，再建立傳輸管道

到目前為止，您已經努力了解該領域，使用您的簡單AI模型展示了產品的幾個方面的一些改進，并解釋了為什么您的模型對您的領域工程師同事和業務部門有意義。在某種程度上，在這一點上，你已經與他們建立了信任。使用這種信任來構建連續的傳輸管道。

傳輸管道是從您的AI解決方案到產品模擬和測試環境的接口。在這樣的測試和模擬環境中，產品的性能是通過一組關鍵性能指標來評估的。令您驚訝的是，這些指標通常與標準的機器學習評估指標不同。這需要另一篇文章來解釋 ML 評估指標和系統性能指標之間的相互作用，但讓我說這些指標最重要。

從那時起，擁有一個快速集成到測試和仿真環境中的管道并使用系統性能指標進行評估將指導您的模型開發。它會給你一些提示，告訴你什么類型的模型和架??構是有意義的。換句話說，它將構建您的開發流程，避免您花費時間和精力來構建對產品沒有明顯好處的復雜模型。

最后，正如您可能已經從以上幾點中提煉出來的那樣，在大型組織內成功部署AI解決方案需要與他人進行大量良好、有效的溝通。您可能需要參加許多會議才能圍繞產品目標進行調整。對于許多 AI 開發人員來說，這感覺像是一種開銷，但它確實是核心，并且從一開始就接受它會使開發過程更加愉快!