利用组织学习释放机器学习的商业价值

关键要点

• 我们常常低估新技术的长期影响，同时高估其短期效果，特别是在人工智能与机器学习（AI/ML）技术的应用中。
• 没有任何“万能”算法可以直接提升客户满意度，实践中需要谨慎评估业务决策的成本与收益。
• 在实施AI/ML之前，组织需逐步降低不确定性并通过持续学习来改进模型，确保最大化业务价值。
• 任何与AI/ML相关的项目都必须具备灵活性，能够根据实际结果进行调整。

作者：Annina Neumann，AWS AI/ML 策略师；Gregor Hohpe，AWS企业策略师

我们时常低估新技术的长期效应，却又倾向于高估它们的短期影响。这种现象被称为阿马拉法则（Amara’sLaw），以已故研究者和科学家罗伊·阿马拉命名，目前在许多采用人工智能和机器学习（AI/ML）技术的组织中得到了充分体现。AI/ML展现了许多曾被认为是科幻的能力，如自动驾驶、图像识别和高级机器人等，但即使是先进的企业也常常难以实现对其AI/ML投资的预期回报。虽然期望值很高，但遵循一些指导原则能够帮助我们的客户最大化他们的AI/ML项目所带来的商业价值。在这篇AI/ML博客的系列文章中，我们将分享这些经验。

重要性：承认不确定性

为了更快、更便宜地交付解决方案，同时确保合规性、安全性和可靠性，许多IT部门面临着压力。因此，它们在寻找新解决方案以突破旧有障碍，这一点并不奇怪：现代技术结合新的工作方式可以将IT部门从成本中心转变为创新驱动者。然而，最新技术往往被视为消除过去缺陷的“灵丹妙药”。因此，我们需要提醒自己，现代IT解决方案虽然能够克服历史上的局限，但并不存在“提高客户满意度”的算法，无论是在AI/ML领域还是其他技术中。

AI/ML解决方案通过基于过去的正面或负面结果，让计算机进行判断（“推理”），其结果仍然是经过推测的。尽管构建更复杂的模型可以提高精度，但这种精度带来的商业价值必须与构建和培训模型的成本进行权衡。

过于乐观的商业案例将AI/ML项目视为确定性软件程序，这可能导致期望的膨胀。不能期望现成的AI/ML模型就能完美地调整到具体的业务问题并立即作出良好决策。解决方案所带来的价值在很大程度上取决于你在面对不确定性时如何平衡投资与收益。例如，如果您希望使用新的数据来源进行机器学习（或任何分析过程），您将面临高程度的不确定性，包括所需的投资和可能的收益。

许多企业因为采取“将所有数据汇入数据湖，事后寻找价值”的策略而遭受损失。仅仅在过程中加入“人工智能”并不会改变这一点。相反，逐步降低不确定性，了解哪些投资会对您的商业价值产生影响至关重要。依托于云分析和AI/ML平台来开始您的学习旅程是一个不错的方式。一旦您驶入正轨，可以使用以下三个机制持续改进和完善。

1) 评估正确决策的价值与错误决策的成本

假设您希望应用机器学习来改善消费品的销售预测，这是我们协助许多客户解决的一个典型用例。这样的系统可以实现多个积极的商业目标，包括通过避免缺货情况来提高净销售额、缩短交货时间以增加客户满意度以及因运营效率而节省成本。理想的机器学习模型会力求实现这三者的平衡，但机器学习模型并不完美。

机器学习模型并不是灵媒。无论训练得多么完美，它们都会出错！这些错误的成本由您的业务决定，并可能是不对称的。比如，季节性商品的过度库存可能与库存不足同样糟糕。此外，某些客户可能更愿意等待五天获取高需求商品，只要他们能获得明确的交付日期。在考虑商品销售成本和存储成本时，您的业务可能更具成本效益，如果集中存放商品于中央仓库并支付优质送货费，而非维护专业或地区仓库。

识别潜在的高成本错误可以校准预期，允许在早期阶段进行调整。这还可以帮助您避免构建那些看似经济但实际上却可能导致损失的机器学习模型。以下是一些零售商销售预测可能出现的高成本错误场景：

高成本错误的代价取决于您所关注的商业价值维度。消除这些错误的诱惑可能会导致额外的成本，通常需要整合全新的数据源，或为特定商品子组设计新的模型。因此，要寻找超越实际模型的解决方案，以减轻高成本错误的发生。例如，可以将预测与定价策略、营销日历、客户反馈和运输优化更加紧密地结合。

不要期待您的模型能解决所有问题。正面影响可能更易通过周边系统或流程实现，理想情况下由您的模型支持或告知。

听起来复杂？没错，这正是要点。合理评估成本与收益并不是简单的一次性计算，这对于传统的分析和AI/ML项目都是如此。

2) 随时间测量与改进

由于通往商业价值的途径并非简单直线，您将希望建立一个持续的流程，通过来自正常运作的AI/ML模型获得额外的信息，以减少不确定性。随着时间推移，如果您诚实地测量、学习并根据每个价值维度重新校准模型，做出良好决策的可能性将会增加。正如所警告的：

开发机器学习应用程序是一个迭代过程，需要试验。如果你的组织文化不鼓励实验，或将失败（即学习）视为应避免的事情，那么这将是有效应用机器学习的重大障碍。

这并不意味着在每个迭代周期或小实验后重新计算商业价值。相反，AI/ML开发生命周期提供了多个自然的里程碑来回顾学习：

1. 实施前阶段： 基于用例和行业基准初步估算投资回报率（ROI）的上限和下限。
2. 概念验证阶段： 进行方案测试以使用您自己的数据、IT环境和业务流程估算ROI。
3. 最简可行产品（MVP）： 构建最简可行产品以验证真实商业场景中的ROI。
4. 全面运营产品： 建立稳定的跨功能团队来负责AI/ML产品的运作，并不断测量解决方案的成本与收益，以便根据变化的条件调整。

3) 知道何时转变方向

通过迭代计算AI/ML方案的商业价值，可以根据学习的内容调整方案。许多公司在项目开始阶段往往计算一个详细的商业案例，但这通常是基于不切实际和模糊的假设。当这些假设与现实碰撞时，公司往往会扭曲项目输出以符合原来的商业案例。这样做最终失去的只会是商业价值。

您需要做好转变的准备，无论是调整模型类型、获取额外（可能是外部的）数据来源，还是调整业务流程。记住上述的预测例子：与其试图越来越准确地预测未来需求，不如转向实时查看所有库存（无论是在生产、存放还是运输中），这样可以快速应对客户需求，即使预测不准也可以。类似地，通过动态调整定价和市场活动来影响需求，而不是将这些视为不受限制的输入，可以减少预测错误率并提高全价销售。您还可以实验是否网站上的搜索词或客户评论对短期需求具有预测力。

没有人能预见出最优的转换策略，这完全没关系。机器学习解决方案并不是简单的复制其他组织成功的经验。它们是使您从资产中获得最大价值的工具，或是帮助您克服特定约束的手段。

使用新兴技术意味着不断再校准

对AI/ML方法的更深入理解能够帮助您实现更大的商业价值。然而，全面了解您的业务动态如何与新兴技术的能力相互作用，能够实现更大的成就。

因此，AI/ML不仅仅是另一个技术项目。请牢记以下核心要点：

• AI/ML模型会出错。为了正确评估对您的业务的价值，您需要能够权衡错误的影响与正确决策的收益。
• 现实的商业影响是基于复杂的动态关系，难以精确捕捉，需通过实验和持续学习逐步降低不确定性。
• 您必须愿意根据学习的结果进行调整，即使这意味着放弃曾经看起来的好点子。

以上这些步骤与使您的组织数据驱动密切相关，无论是关注AI/ML技术还是传统分析。这些计算会随着您的商业变化和客户需求而变化。将这种演变融入可持续的AI/ML软件生命周期将是我们下篇文章讨论的主题。

关于作者


Annina Neumann 是AWS专业服务的AI/ML策略师。在她的职务中，她支持AWS客户利用新兴技术创造商业价值。Annina在零售、媒体和制造等多个行业担任过首席顾问，拥有15年的数据相关工作经验，涵盖了从实际数据科学到领导跨职能数据技术团队的各个方面。

标签: , ,

![Gregor删除)

Gregor Hohpe

作为高级首席倡导者，Gregor将无服务器技术与客户的IT战略相连接，以快速促进实验和创新。他相信，现代IT领导者应该与技术“引擎室”保持紧密联系，因为当今的技术决策将决定企业未来的灵活性。在硅谷工作了十年后，Hohpe曾在金融服务行业担任首席架构师，还作为智能国家顾问与新加坡政府合作，推动公共部门的平台和云战略。他喜欢通过他的书籍分享建筑和架构师的想法，包括《软件架构电梯》、《云策略》和《平台策略》。