人工智能和機器學習正在改變人們使用技術過生活的方式。這種現象不僅在消費者中普遍存在，而且在大型B2B企業中也普遍存在。為了從這種新興趨勢中獲得收益，產品經理需要學習新的思維方式，并意識到利用AI模型的挑戰。近日，工程和風險投資背景的專家小組，圍繞大數據的挑戰進行了討論，包括為構建大規模AI解決方案而進行的變革和人性化的AI。

　　數據–新型“原油”

任何新技術都會伴隨著其他技術發展的潮流。就人工智能而言，轉折點是當人們有可能以非常快的速度和具有成本效益的方式收集和處理大量數據時。

幾乎我們所有人都聽說過數據是新的石油。但是，我們的小組成員將數據比喻為新原油。與任何數據科學家交談，他們會告訴您，他們實際上大部分時間都花在收集，清理和準備數據上，然后才能真正開始使用它做任何事情。模型的準確性在很大程度上取決于所饋送的數據。因此，至關重要的是，產品經理必須在質量和數量方面收集正確的數據。人們對數據安全性和隱私問題的擔憂日益加劇，這給這一挑戰帶來了新的挑戰。

產品經理在決定收集哪些數據以及收集多少數據時必須謹慎行事，以便與他們所從事的行業或地理區域的數據和隱私準則保持一致。

　　擁抱變化

各地的企業都希望最大限度地利用人工智能，機器學習和大數據所代表的機會。大規模構建AI和ML解決方案給大型和小型企業都帶來了巨大的挑戰，但保持開放的態度和開放的變革可以克服這些挑戰。

基于在Cloudera上為跨行業的客戶實現大規模AI的經驗，成員建議重點關注三個關鍵支柱-人員，流程和基礎架構。她極力鼓勵領導者和產品經理提倡人們跨職能工作并打破職能孤島。

從開發機器學習算法到在生產環境中交付它，再到維護和運行它，構建AI產品提出了一系列獨特的挑戰。您需要了解整個生命周期并愿意端到端擁有流程的人員。

她還敦促產品經理重新訪問現有的工程流程，因為這些流程可能已過時且不適用。例如，建立一個AI模型是一個高度迭代的過程，而期望在兩周的沖刺中取得結果可能是團隊無法實現的目標。

最后，她要求領導者對構建和運行機器學習算法所需的基礎設施資源進行必要的投資。當今使用的許多AI / ML工具都是內部構建的，它們基于快速發展的開源應用程序。這些工具可能集成不充分，可能導致泄漏和安全漏洞。投資于具有彈性的基礎架構和正確的工具對于確保AI解決方案的安全和高效至關重要。

通過專注于這三個領域，產品領導者可以幫助企業克服構建和擴展AI解決方案的障礙。

　　人為因素

除了大數據和機器學習算法，人工智能還有很多其他東西。認知，人類和情緒智力仍然是非常相關且同樣重要的技能。

成員表示：“團隊中最成功的人不僅是一位出色的數據科學家，而且還是一位出色的傳播者”。

構建模型時，您不僅需要出色的工程師和數據科學家。您還需要主題專家，他們可以幫助解釋數據或識別相關信息。“您需要專家的幫助，這是不可避免的。”

她更進一步，強調擁有多元化團隊的重要性。“純粹從商業角度出發，開發僅針對特定人群的產品是沒有意義的，特別是在面向廣泛消費者的產品的情況下”。

您需要有來自不同背景的決策者來確保模型沒有偏見，雖然您可能無法完全消除偏見，但是您當然可以嘗試減少偏見。

許多AI產品失敗的原因是客戶對解決方案的偏見持懷疑態度。人們進一步擔心，這樣的解決方案可能會取代人類并取代工作。在這種情況下，擁有人類學的心態并真正與客戶產生共鳴是很有意義的。當您考慮構建AI產品時，務必牢記人為因素。想了解更多關于大數據的信息，請繼續關注中培偉業。