所以，你想构建一个人工智能解决方案。很好。但也许，只是也许，在你开始之前，没有人告诉你一切。作为一名深耕人工智能工程领域的人士，我来谈谈如何创建人工智能解决方案，这更坦诚，也更直白一些。让我们深入探讨一下人们经常忽略的那些问题。
1.“问题”先于“解决方案”
提供人工智能解决方案的最大错误之一就是直接跳到建模、技术和花哨的工具上。你拿起一个巧妙的算法，或者读了一篇新的法学硕士论文，就直接上手了。但这是本末倒置。
相反，首先要问自己要解决的是什么业务问题或人为问题。哪些指标得到了改进？哪些用户痛点得到了解决？一篇博客文章指出：“我构建了技术上令人印象深刻的人工智能实现，但却没有解决任何真正的业务问题。”
如果你跳过这一步，你的 AI 解决方案会感觉很酷，但结果……没有任何意义。
2.数据是你的致命弱点
真相是：AI 解决方案的好坏取决于你输入的内容。输入的是垃圾，输出的也是垃圾。最近一篇关于 AI/ML 项目常见陷阱的文章指出，数据质量差、值缺失、偏见以及基础设施不足，这些因素决定了项目的成败。
如果您不尽早投入时间清理、审核和维护数据管道，您的 AI 解决方案就会在您最意想不到的时候出现问题。
提示：将数据视为一等公民，而不仅仅是“稍后”处理的东西。
3. 生产（不仅仅是“在我的机器上工作”）
你可能构建了一个原型或研究模型，并且它“有效”。但将 AI 解决方案投入生产需要更多。从延迟到可扩展性再到资源限制，这些都是真实存在的。一篇文章指出：“将模型部署到现有生产系统中时，集成复杂性会成倍增加。”
因此，在设计 AI 解决方案时，请问：
• 能否承受重负载
• 基础设施和成本是否可控
• 当模型漂移或现实世界数据发生变化时会发生什么
如果您不为生产而构建，您最终会得到一个设计精美的研究玩具，而不是一个可行的人工智能解决方案。
4. 简单比花哨更胜一筹
在人工智能解决方案的世界里，各种炫酷的新框架、花哨的代理和多模型架构会分散你的注意力，让你偏离简单的方向。我在工作中发现了这一点，其他人也报告了这一点。
一个简单高效的解决方案胜过过度设计、不稳定的系统。所以：追求极简，追求可维护。目标是交付可靠且技术精湛的产品。构建 AI 解决方案时，请思考：“这种复杂性真的有必要吗？”
5. 产品+用户体验=成功（或失败）
很多工程师都会惊讶于一件事：有时候你的AI解决方案失败，并非因为模型不好，而是因为围绕它的产品不好。例如，一个团队开发了一个会议记录摘要工具（一个AI解决方案），并认为摘要的长度是关键。结果发现，用户只是想要一些行动方案。
如果你不考虑谁会用它、他们怎么用它、他们关心什么，你最终会开发出一些没人用的东西。所以，把人工智能解决方案当作一个更大产品的一部分吧。
6. 道德、偏见和治理问题（认真对待）
好吧，这可不仅仅是“感觉良好”那么简单。如果你的人工智能解决方案忽视偏见、透明度和数据隐私，那你就是在自找麻烦。不公平、意外伤害以及人们被排除在外的案例屡见不鲜。
监管也即将出台。因此，请尽早嵌入道德、问责和人机交互机制。这样做，你的人工智能解决方案将更加强大，更加值得信赖。
7. 这是一段旅程，而不是短跑
你的第一个 AI 解决方案不会完美。从原型到可靠、可维护的系统，通常需要比预期更长的时间。记住：许多团队很快就能实现 80% 的目标，而剩下的 20% 则需要数月时间。
所以，要与利益相关者设定预期：你正在构建一个会学习、会发展、需要监控的东西。没关系。最好事前透明，以免事后措手不及。
8. 可维护性和技术债务是真实存在的
当你将 AI 解决方案上线时，你会发现新的债务：数据债务、模型债务、配置债务和道德债务。这些债务会迅速累积。
因此，计划维护包括模型版本控制、偏差监控、管道管理以及新数据更新。如果没有这些，您的解决方案会随着时间的推移而性能下降。
9.团队和技能比工具更重要
最后，要知道：工具（框架、库、SaaS）很有帮助。但真正重要的是团队以及如何跨职能整合。一个了解业务、基础设施、机器学习和道德的人会比一个孤独的“模型奇才”更好地为你服务。
文章“人工智能工程师正在解决的 9 个现实问题”指出，基础设施限制、遗留系统集成、成本优化和法规遵从等问题都需要软技能和硬技能。
因此，在规划 AI 解决方案时，务必组建一支技能多元化的团队。不要过度依赖“找到合适的算法”。
总之
当你作为工程师创建 AI 解决方案时：
• 从实际问题开始，而不是模型
• 将数据作为基础
• 尽早进行生产设计
• 尽可能选择简单性
• 思考产品 + 用户体验，而不仅仅是代码
• 嵌入道德、治理和监控
• 认识到这是一场持久战
• 规划技术债务和维护
• 建立合适的团队和跨职能技能
如果您牢记这些，您的人工智能解决方案产生影响的机会就会大大增加，而悄然失败的风险也会降低。
另请阅读： 为什么AI不需要ML，但是没有AI，ML无法生存
