AI革命和人类进化的开始 — 第3b部分：商业应用案例和AITaaS

继续从本系列的第3部分之前的章节开始，本文的这一部分将涵盖商业应用中的人工智能以及作为服务提供的人工智能技术（AITaaS）。

AI 用于商业应用

这是一个多年来许多公司的IT经理、CIO/CTO一直在思考的一个话题，甚至很多人已经成功地在他们的IT/业务系统中实施了一些AI技术。作为IT行业的从业者，我能理解这场新的AI革命可能对构想一条路线图带来的困难挑战。即使是作为部落格的一部分来写这个话题，我也不得不写一遍又一遍，并进行修改和审核，以保持其简洁和与当前背景相关的性质。

随着这项技术的迅猛发展，我推测Gartner象限图必定会以多次浪潮的形式重复出现。这会在上面的图片中产生一个不断变化的现实与技术趋势感知之间的差距。

这对于那些承担着将人工智能引入业务角色的人来说是具有挑战性的，因为他们需要不断跟上趋势，将技术稳定引入人工智能平台，同时对业务没有任何影响。几年前，人工智能在许多行业和业务功能中得到了广泛应用，尤其是通过使用深度学习、数据集中算法，大多数情况下在用户不知情的情况下实施。

具体来说，过去低悬的简单用例主要是涉及到人工智能/数据科学和统计方法方面的。这些用例为其自身职位和公司品牌形象提供了良好的营销效果。然而，在当前的 #GenerativeAI 趋势中，情况已经发生了变化。跟上如此爆炸性技术的挑战导致了对适应这些变化的压倒性感觉。这加剧了与IT相关的常规风险和关切，比如信息/网络安全、数据隐私、GRC和合规以及成本增加等。

技术的增长无法阻止。创新和市场因素将成为推动人工智能进一步应用和风险管理以及合规性的触发器。但在这个新时代，即使在使用人工智能的情况下，技能的可用性也将增加，各种不同规模的用例可以通过人工智能来构建。现在已经有公司开始发布“Prompt工程师”的工作要求，而Prompt工程师是一种需要掌握的技能。【免费学习@AndrewNg的课程】技术/互联网行业一直是在快速适应和接受变化场景方面的先驱者。在我的观点中，微软在将OpenAPI与Office 365和Power Platform整合，并利用人工智能来提高生产力、在编码和软件开发生命周期中助力方面击败了谷歌和其他公司。GitHub（微软在2018年购买的）紧随其后推出了Github Copilot。对于非技术行业来说，由于大多数业务流程都已数字化，人工智能的采用程度各有不同，并引入了Copilot方法来充分利用可用的人工智能。

让我们看看组织如何开始并继续推动人工智能/机器学习融入他们的业务目标。

内部IT系统的用途案例

应用程序在组织内部（员工使用）可能是查找可以使用人工智能/机器学习进行试验的潜在最简业务案例的一个好的起点。

• 与外部系统或第三方API接触较少的系统
• 几乎不对现有信息安全、数据治理或合规控制进行任何改变的系统

少数示例：

我在这里简要分享一下上面列出的一些用例。

• JD（Job Description）的创建：这是一个非常简单的用例，适用于组织中需要将基于文本或关键技能清单的需求转换为自动生成JD的人，然后根据所需模板进一步发展JD以发布关键集需求。下面是一个简单的Github存储库示例供某人参考。
• 候选人简介匹配度：这对评估候选人简介（以不同格式）与特定职位描述的匹配度非常有用。可以借用另一个Github存储库进行操作。

为了自行实现这些微用例，团队成员可以利用非常少的编码经验，类似于低代码无代码的方法，或者使用 Co-pilot 开发功能，该功能借助 AI 自身来进行实现。例如，这是我与 ChatGPT 对话的一个例子，利用它的帮助来查看招聘业务流程，并借助它的帮助开发了一个 Python 应用程序，其中一个使用了 Python 库，另一个使用了 OpenAPI。

您可以访问我的GitHub获取其他商业用例的更多详细信息。我计划持续更新我的Github，以开展#众包创意和小型POC实施。

例如，下面是我与ChatGPT关于其对SAFE敏捷和敏捷原则的理解进行的简短访谈，我要求它为一个虚拟Scrum Master代理提供一个概要代码。[ VSM — ChatGPT ] [ VSM — Python概要代码 ]

当我们以这种方式对应用程序中的业务流程进行分类时，有助于找到开发基于人工智能的用例。而且它进一步简化为创建多个可重复使用的人工智能组件，涉及大量直接从系统中获取的文本/媒体内容。随着时间的推移，可以开发出一种基于人工智能的IT架构，使用即插即用的方法。

为了最小化与大多数AI相关的某些事实风险，可以考虑以下关键因素：

• 为从现有系统向基于人工智能的系统切换开发一个过渡时期。
• 利用过渡期训练数据模型并使用更多的数据集。
• 比较非人工智能和人工智能的结果，并建立反馈循环，以考虑向最终用户提供潜在的建议和支持。

在微观层面上，使用案例的数量非常庞大，因为每个工作流或业务流程都可以逐步尝试使用基于人工智能的方法。想象力是唯一的限制。可能存在成千上万（如果不是数百万）的潜在使用案例。因此，随着其中一些案例的建立，特定于组织的使用人工智能/机器学习的核心基础方面将得到形成，这可能导致在不同情景下进行扩展和复制。

更重要的是，内部开发这样的用例有助于组织内培养所需的技能和能力。并不是说人工智能会取代人类。随着人工智能技术的发展，人类需要开发更多的技能来帮助人类系统与人工智能系统接口，面向人类消费者[请参考Andrew Ng的提示工程课程]。除此之外，人类的智慧也将需要用来解释结果并管理这些系统。因此作为人类，我们需要学习和适应新技术来推进我们自己的进化！以下是一些用于业务的更多案例的参考资料：

[ @Nickolas Belesis 的帖子 FinTech 应用案例 ] [ @Stev Nouri 关于微软 AI 和开放式 AI FinTech 应用案例的帖子 ] [ @Senthil Nathan 关于制造业用户案例的帖子 ] [You.com 的 YouAgent ]

人工智能技术即服务（AITaaS）

我并不是独自进入人工智能即服务（AIaaS）领域，这更多是提供云计算服务的一部分，虽然它们属于人工智能服务提供商的范畴。在这一部分，我想从技术服务提供商（AITaaS）的角度来重点讨论这一部分，他们是组织中不同IT需求的实施伙伴/供应商。

与其他ISV一样，一些服务提供商拥有人工智能产品和解决方案框架，可集成到不同的业务流程中，这些公司可以帮助客户定制解决方案，不断发展和扩大自己的人工智能应用案例。部分服务提供商还可以提供人工智能集成服务，并提供“人工智能分析师”来帮助培训和优化数据集上的LLM。

[ 分词、模型架构、预训练、微调、评估和迭代改进 ]

在我看来，与传统的应用开发或ERP实施不同，AI技术作为一项服务将会在服务提供商和客户的思维方式上出现明显的转变。

这将为提供商的新模式——提供、AI平台架构、AI开发生命周期和相关的项目管理活动铺平道路。

我将在这里简要涉及一下：

AI平台架构

目前，人工智能的应用案例市场非常零散。随着越来越多的应用案例在不同的业务领域得到实施，并经过多次细化训练模型的迭代，生成式人工智能平台架构将会根据以下一些因素不断发展：

• 单个LLM架构
• 多元LLM架构
• 混合LLM架构
• 单模态和多模态使用案例
• LLM 数据训练模型【Databricks 上的链接 1】 【@doriandrost 上的链接 2】

希望稍后能够详细扩展这个内容。

AI 实施生命周期 / 项目管理

这可能与主题无关，但是当技术实施模型改变时，需要对AI发展的不同阶段采取更具适应性和实用性的方法，以及如何管理围绕这些活动。与传统的瀑布式、敏捷式或咨询式实施模型不同，我相信我们将看到组织进入探索阶段和概念验证阶段，然后是以混合AI/非AI模式运行的“数据分阶段”阶段。这些阶段可能采取迭代方法（同时训练数据模型），并且由于实时数据对齐的原因，其结果可能不可预测、不一致，可能需要更长时间进行改进。为此类AI系统精心设计的“支持流程”将有助于进入“稳定阶段”，这可能成为基于AI的业务系统的新的可接受标准（尽管可能会出现一些问题，无法找到合理的解决方案）。在实施GenerativAI中的一个重要方面是开发一种新的QA/测试方法。谷歌提出了“Poka-Yoke”质量测试原则。目前，大多数LLMs在筛选和测试“潜在误信息”、“偏见”和“幻觉”的广泛范围上持相同观点。以下是一些相关思考的参考文献：[Meta公司的负责任AI实践] [谷歌的负责任AI] Facebook / Meta的LLaMA研究也明确指出了这一点。

正如我在早前关于AI治理和对齐的博客中提到的， 在制定AI平台和质量工程方法时，牢记这些是很重要的。OpenAI也呼吁对齐。考虑到这些因素，AI的项目管理方法需要进行修订。我个人偏好使用PMI的纪律敏捷原则，通过根据当前情况开发“工作方式（WoW）”并进行适应来实现。就像我在嘉宾@Daniel Gagnon的播客《在数字混沌中引领》中所说，“没有统一的愿景，数字转型可能会带来更多的破坏性而不是益处。”

在这个领域，AITaaS供应商面临的挑战将是将这些要求转化为财务模型，并借助合同文件中适当的相互认可的法律约束来支撑。或许这本身就是另一个人工智能使用案例！😀

感谢大家一直阅读到这一点。一如既往地期待着你们的反馈和建议。

少数参考资料：

[ IBM Watsonx.AI ] [ Framer AI ] [ Teachable AI ] [ MLOps ] [ AutoML ] [ Apple 的 CreateML ] [ Akkio 的 Generative BI ] [ Canva 的 Magic Studio ] [ 亚马逊 SageMaker 机器学习服务 ] [ Bernard Marr 对于低代码无代码 AI 的观点 ] [ Facebook Meta 的 LLaMA 研究与发布 ] [ Google 的 Palm2 ] [ Yann LeCun 对于自主智能的观点 ]