我喜欢不完美的东西。我喜欢我肘部有洞的毛衣，喜欢我的那幅画，我的猫在晾晒的时候从它身上走过，喜欢我在攻读博士学位时使用的源代码，它似乎从来没有像我预期的那样运行过。不过我喜欢这样。不完美让事情变得更有趣。
然而，当你在谈论商业时，就会有赚钱的机会——可能是很多钱。与生活中的其他部分不同，在商业世界里，一个小小的缺陷就可能导致数百万美元的损失。
这是可怕的。更可怕的是，当这些损失发生时，工程师们在试图实施一项快速发展的新技术时犯了错误，而这种技术的风险还没有人完全了解，相关法规也刚刚制定出来。如果商界领袖对这个潜在的雷区犹豫不决，那只能证明他们也是人。
我说的是人工智能。然而，无论多么可怕，许多人，包括许多商业领袖，仍然对人工智能充满热情。潜在的好处是巨大的，因为人工智能可以在几秒钟内完成过去需要几个小时的流程。节省的时间是几个数量级的改进。考虑到这样的回报，难怪企业每年都在人工智能领域投入数十亿美元。
尽管有如此大规模的投资，人工智能的应用仍然时断时续。困难不仅来自风险和监管的不确定性，还来自许多企业(至少在最初阶段)未能对人工智能能带来和不能带来的变化类型做出现实的评估。
拉里·克拉克在《哈佛商业评论》上分享了一件轶事，完美地概括了这个问题。他曾与一位咨询师交谈，这位咨询师的客户在25%的时间里对行业做出了正确的预测。顾问建议他们，人工智能解决方案可以将这一数字提高到50%。然而，团队的高管拒绝实施一个“有一半时间是错误的”解决方案。
毫无疑问，在大多数情况下，50%的失败率是非常高的。但它仍然是现有解决方案的两倍!
许多高管在看到人工智能不会在一夜之间彻底改变他们的公司时感到失望。但正如《连线》杂志创始编辑凯文·凯利(Kevin Kelly)所说:“未来发生得非常缓慢，然后突然发生。”
我认为这条规则适用于科技的许多领域，尤其是人工智能。当然，伟大的新发展即将到来，但你不能指望它们明天就会发生。好的东西需要时间来培养。即使在快节奏的科技世界里，耐心也是一种美德。
因此，当人工智能没有突然把他们的业务变成下一个谷歌时，领导者不应该感到不满。事实上，如果一个新的人工智能解决方案随着时间的推移带来许多小的改进，从长远来看可能更有价值。大的破坏往往会损害到目前为止标准的其他业务流程，尽管大的破坏浪潮有好处，但这种改组最终可能是一个冒险的举动。
人工智能并不总是最好的解决方案。图片来源:作者
如果你以前使用过人工智能，你无疑听说过包括准确性、精密度、召回率、F1分数、欠拟合、过拟合、假阳性和假阴性在内的概念。但如果你带着这样的技术术语去找大多数商业领袖，他们会把你当成外星人看待。高管们更关心结果，而不是技术细节。
Ron Glozman创立了一家为保险业开发人工智能解决方案的公司，他已经明确指出了这一点。真正重要的是，人工智能解决方案是否能让人类工作更轻松、降低成本或提高利润率。只要你的解决方案改善了公司的现状，你是否在技术层面上取得了惊人的结果并不重要。
当然，数据科学家将继续用技术术语来表达他们的目标，因为这对他们很有用。然而，为了将这些术语转化为业务术语，高管们需要与数据科学家密切合作，让他们参与业务运营，并且永远不要停止询问他们不同技术指标的性能如何影响整个业务。
然而，更复杂的是，数据科学家的需求量很大。因此，许多公司在这方面人手不足。因此，许多有太多项目的数据科学家需要优先考虑硬分析，而没有时间考虑他们工作中的业务部分。
为了避免这种情况，在真正需要数据科学家之前雇佣他们，并为新团队成员提供内部培训。当然，在公司内部增加培训需要一些前期投资，但这样做有两大好处。首先，内部培训让数据科学家从第一天起就熟悉公司的具体情况。其次，这种类型的培训对年轻求职者尤其有吸引力，因为他们经常能带来新鲜的想法，而且对薪水的要求也不像同龄人那么高。严格的内部培训制度可能需要一段时间才能建立起来，但从长远来看会有回报。
准确不是一切
机器学习算法应该尽可能精确，对吧?毕竟，我们不希望我们的机器做出错误的判断，例如，将恶性肿瘤错误地归类为良性肿瘤。这个概念听起来是正确的，但准确性并不总是我们的目标。让我解释一下。
首先，有过度训练的风险。人工智能模型可以很好地学习数据集，甚至可以识别与结果实际上无关的小细节。例如，考虑一个人工智能解决方案，它对包含许多不同动物物种的数据集进行分类。让我们进一步想象，这个数据集只包含猫、狗和长颈鹿的一种类型。但它也有两种猴子:黑色和橙色。
如果你把这个模型训练得太好，以至于它不仅能识别猴子，还能知道它是黑色的还是橙色的，会发生什么?这听起来可能很甜蜜，但如果你用一只灰猴子的图片来测试这个模型，就会出现问题。模型将如何对动物进行分类?一只猫?一只灰色的狗?
在这个例子中，错误分类新数据的风险出现了，因为模型在训练过程中变得过于准确。为了避免这个问题，数据科学家和业务主管需要在训练期间少关心一点准确性，而在测试期间多关心一些性能。完美不是我们的目标。
在上面的肿瘤例子中，这意味着允许算法在训练时对肿瘤进行错误分类。这种重新校准可能意味着瞄准90%的准确度，而不是98%。然后，当算法在现实生活中部署时，它将更好地准备对与训练阶段看到的任何肿瘤都不一样的肿瘤进行分类。这是至关重要的，因为遇到不同于其他数据点的情况经常发生。此外，你给了算法一个机会来提高它在现实生活中的准确性，因为每个新的数据点都会反馈到系统中，并帮助重新训练它。
一步一步来。图片来源:作者
培训并不是高管们需要降低野心的唯一地方。正如乔恩?赖利(Jon Reilly)在Dataversity网站上所写的那样，企业倾向于用人工智能解决巨大的问题，并期待有意义的结果。
然而，这还不是人工智能的运作方式。相反，它在需要以某种方式处理大量数据的较小的、非常专门的任务上工作得最好。开始将人工智能整合到那些对人类来说过于重复的工作中，然后从那里开始构建。可以认为这是一种自底向上的方法。自上而下的方法很难与当今的人工智能相匹配。我们离能够将知识从一个领域转移到另一个领域的人工智能还很远，甚至离广义智能还很远。目前，即使手头有充足的时间，教机器如何以极快的速度完成无聊和重复的任务要比让它完成复杂的任务容易得多。不过，这并不排除这种情况在未来可能会发生变化。
如果高管们真的想在任何可能的地方实施人工智能，他们应该记住经典的80/20规则，即20%的工具和资源导致80%的产出。首先关注这些工具和资源，以确保您的解决方案具有最大的影响。
再说一次，与其把整个公司重新设计成一个人工智能算法，不如从简单的部分开始。您应该优先考虑合并一些实际工作的拼凑解决方案，而不是一个过于复杂而无法有效部署的大型整体解决方案。
犹豫不决的公司将会失败
就像每一项成为主流的新技术一样，早期采用者将会获得所有的现金。好消息是，现在进入人工智能领域还为时不晚。
不过，这并不是一个精心完善你的AI模型并在未来五年内使用它的借口。尽管我提到了所有这些障碍(除此之外还有其他障碍)，但越来越多的公司看到了人工智能的潜在好处，并现在就开始使用它，不管一开始的事情有多小或多bug。
这是正确的方法。这项技术足够新，我们还没有测试所有的利基和边缘情况。你应该测试不成熟的解决方案，然后对它们进行迭代。如果你不定期更新你的AI，并让所有利益相关者都可以使用它们，你就有可能错过关键的经验教训。
我在学习期间就遇到过这样的问题。我正在研究一个程序，以一种比以前更有效的方式处理大量数据。这个过程是我在项目中的一部分，所以我想在与我的团队分享之前，我应该独自开发和完善它。
然而，三个月后，当我最终分享它时，我从同事的反馈中意识到我错过了一些关键的想法。我自己设法使代码比旧版本的效率提高了三倍。然而，在实施了同事们的想法后，改善不是三倍，而是五倍。尽管我的工作是一个公共研究项目，而不是一个企业，即使几乎没有任何资金风险，但一想到没有早点与同事交谈，浪费了几周时间，我仍然感到刺痛。
过早追求完美或尚未决定实施人工智能的公司将被甩在后面。矛盾的是，如果你想要领先于其他人，你需要能够放下自己的野心，接受一个不完美的解决方案。
不要对不完美的代码过于焦虑。图片来源:作者
不完美的解决方案让人不舒服，因为你永远不能下班开车回家，假装你的工作已经完全、完全完成了。总有漏洞要找，总有调整要做，总有功能要添加。
如果你的业务需要人工智能，你需要学会热爱这个现实。当然，这条规则不仅仅是关于商业的。打个比方说，与那些精心安排的过程相比，粗糙而肮脏的实用主义会更好地解决生活中的许多问题，而这些过程只是因为公共汽车晚点一分钟就失败了。
这不是偷懒的借口，也不是只做最基本的必要工作来跟上竞争。永远尽你所能做到最好。只要记住，最好的往往离完美很遥远。
本文最初发表于内置。
