構(gòu)建機器學習產(chǎn)品需要不同類型的技能和流程，而這些技能和流程需要逐步被吸納并融入組織的日常運作中。

計劃在組織內(nèi)部引入人工智能/機器學習的產(chǎn)品經(jīng)理通常會提出這樣一個問題：“我從哪里開始著手？”對于缺乏該領(lǐng)域經(jīng)驗的組織來說，深入研究人工智能/機器學習可能會讓人感到不知所措。構(gòu)建機器學習產(chǎn)品需要不同類型的技能和流程，而這些技能和流程需要逐步被吸納并融入組織的日常運作中。

事實表明，成功的關(guān)鍵在于從小處著手，并且需要具有戰(zhàn)略眼光。組織啟用首個人工智能/機器學習項目的目標是，在不會造成太多干擾的情況下，使組織逐步熟悉并接納機器學習技術(shù)。這可以幫助組織建立必要的基礎(chǔ)設(shè)施，并為致力成為人工智能/機器學習驅(qū)動的組織奠定基礎(chǔ)。

從“容易實現(xiàn)的目標”開始

最好的方法是從“容易實現(xiàn)的目標”開始——這些項目相對容易實現(xiàn)，但可以提供清晰和可衡量的商業(yè)價值。

人工智能/機器學習項目中容易實現(xiàn)的目標通常具有以下特征：

• 對現(xiàn)有工作流程的干擾最小。這些項目可以與組織當前的業(yè)務(wù)無縫集成。例如，可以使用機器學習自動執(zhí)行通常需要人工完成的多步驟任務(wù)的一個階段。
• 明確的成功指標，便于從一開始就衡量結(jié)果。例如，它可以是每項任務(wù)節(jié)省的時間或在特定時間內(nèi)完成的工作量。
• 快速實施時間表，需長時間等待就能看到價值。得益于生成式人工智能工具，許多原型和概念驗證項目的實施時間表正在縮短。

組織選擇首個人工智能/機器學習項目的標準

組織在選擇首個人工智能/機器學習項目時，需要關(guān)注三個關(guān)鍵因素：數(shù)據(jù)可用性、流程特征和影響。

1.數(shù)據(jù)可用性

組織可以從已經(jīng)擁有大量數(shù)據(jù)的任務(wù)開始，最好是數(shù)據(jù)倉庫中干凈且結(jié)構(gòu)化的數(shù)據(jù)。如果沒有這樣的數(shù)據(jù)，那就尋找擁有大量非結(jié)構(gòu)化文檔的領(lǐng)域，這些文檔具有很大的價值。在許多情況下，可以從原始文檔中獲得很多價值，或者用最少的注釋就可以使其準備就緒。

如果沒有可用的數(shù)據(jù)，可以尋找數(shù)據(jù)收集或創(chuàng)建容易且成本低的任務(wù)，并且最好由小團隊執(zhí)行。確保計劃使用的數(shù)據(jù)符合隱私和監(jiān)管標準。

2.流程特征

尋找涉及大量人工工作且過于復雜以至于無法通過基于規(guī)則的簡單方法實現(xiàn)自動化的流程。如果這是一項重復但人工難以編碼的任務(wù)，那么這是一個很好的跡象，表明它可以從人工智能中受益。具有明確的輸入輸出關(guān)系和可預測模式的任務(wù)是機器學習的理想選擇。

此外，還要嘗試選擇一個對其他系統(tǒng)或團隊的依賴最小的項目，這樣組織就可以控制流程并快速交付結(jié)果。為了降低入門門檻，可以選擇無需完全自動化即可改進的任務(wù)。例如，即使機器學習模型只能將任務(wù)速度提高10%～15%，也可能為組織帶來巨大的價值。

3.影響

在理想情況下，人工智能/機器學習項目應(yīng)該通過節(jié)省成本或提高效率來交付可量化的投資回報率（ROI）。但是組織啟用首個項目的重點應(yīng)該是熟悉構(gòu)建機器學習產(chǎn)品的過程。采用機器學習需要許多支持功能，例如建立數(shù)據(jù)管道和模型服務(wù)平臺、性能監(jiān)控和模型再訓練。在采用大型人工智能/機器學習項目之前，一個小項目可以幫助組織逐步試驗和構(gòu)建這些部分。

人工智能/機器學習項目的實際示例

以下是許多組織首次嘗試機器學習時成功實施的人工智能/機器學習項目的兩個實際示例。

1.客戶支持票據(jù)分類

對于在線服務(wù)大量客戶的組織來說，這通常是一個很好的項目，因為可能已經(jīng)有數(shù)千張票據(jù)來訓練其模型。此外，票據(jù)通常有很多非結(jié)構(gòu)化的文本，無法通過基于規(guī)則的方法進行分類，這使得它們適用于機器學習。

處理票據(jù)需要閱讀許多內(nèi)容，這可能會花費很多時間。機器學習可以節(jié)省大量時間。票據(jù)分類是簡單的第一步，可以快速實現(xiàn)并集成到現(xiàn)有的工作流程中，而不會中斷它們。客戶服務(wù)人員可以逐步地將機器學習系統(tǒng)納入他們的工作流程，建立信任，并提供有助于改進底層模型的反饋。

得益于大型語言模型（LLM），票據(jù)分類可以很容易地實現(xiàn)，而不需要訓練自己的模型。組織可以使用少量帶注釋的示例獲得良好的結(jié)果，并且隨著收集到更多數(shù)據(jù)，可以逐步提高模型性能。一旦擁有足夠多的示例，最終可以為該任務(wù)訓練專用模型。此外，LLM還可以幫助生成其他見解，例如行動項目和摘要。

同樣的流程可以應(yīng)用于任何其他需要文檔分類的任務(wù)，例如電子郵件、合同、簡歷等。

2.文檔處理/數(shù)據(jù)提取

合同、發(fā)票和采購訂單等文檔采用不同的格式，無法使用基于規(guī)則的方法輕松處理。如果組織處理大量這樣的文檔，那么從其中提取信息可能是一個很好的起點，可以凸顯機器學習在組織中的價值。

創(chuàng)建用于提取文檔數(shù)據(jù)的機器學習系統(tǒng)非常容易，特別是對于LLM來說。與前面的示例一樣，可以輕松地創(chuàng)建一個具有幾個文檔和預期結(jié)果的工作系統(tǒng)。組織還可以設(shè)計提示，以獲得可以輕松輸入到下游系統(tǒng)的格式化輸出。

此外，可以從小處開始，只指示模型提取非常基本的信息，從而讓用戶有更多時間處理更復雜的任務(wù)。該模型可以輕松監(jiān)控，并與現(xiàn)有流程進行驗證。隨著收集到更多數(shù)據(jù)，可以逐步將更多工作負載轉(zhuǎn)移到模型上，包括對文檔內(nèi)容進行推理和總結(jié)。

實施文檔提取系統(tǒng)并將其集成到現(xiàn)有工具中將會十分簡單。投資回報率（ROI）清晰明確，用戶將立即看到減少人工輸入的好處，這將有助于獲得利益相關(guān)者對未來機器學習項目的支持。

需要注意的是，組織啟用的首個人工智能項目/機器學習的目標不是在一夜之間改變自己的業(yè)務(wù)，而是證明機器學習在組織中的價值，并為未來的計劃提供動力。因此，組織可以從小處著手，專注于快速的成功，并在這一基礎(chǔ)上不斷發(fā)展。

原文標題：??How to start with machine learning in your organization??，作者：Ben Dickson