作者 | Scott shaw
围绕AI的热议意味着它可能成为“手里拿着锤子到处找钉子”，公司们急于将AI融入流程中，而实际上这可能并不必要，或者AI并不是解决问题的最佳工具。
AI的成功依赖于公司对运营进行重组，并采用以不断试验、稳健的工程实践和明确的边界为指导的迭代AI策略。
随着人工智能(AI)在各个行业的广泛应用，从概念验证(POC)到可扩展解决方案的转变变得至关重要。最近的一项研究表明，高达90%的AI和生成式AI(GenAI)项目都停留在POC阶段，未能投入生产。
在Thoughtworks，我们观察到2024年开始出现一种新的紧迫感。领导团队迫切要求从他们初期的AI探索中获得实际成果。然而，这需要组织认识到，AI并不是一个独立的工具，也不是简单的即插即用。
AI的成功依赖于公司采用以不断试验、稳健的工程实践和明确的边界为指导的迭代AI策略。这种方法可能需要对公司运营方式进行重新构建。
为AI实施打下基础
在利用每天都在涌现的AI突破之前，组织需要先建立一些基本的构件。首先是一个稳健的数据战略，确保有足够的相关、可靠且可追溯的数据随时可供AI模型使用。如果没有这个基础，AI解决方案可能只会让企业更快地做出错误的决策。
此外，在使用生成式AI(GenAI)等工具时，必须对领导者希望实现的结果有一个基本的“好”的标准。虽然这些工具可以被引导，但不能在没有监督的情况下依赖它们，也不能指望它们自行检验结果的质量。建立持续监控和评估AI系统输出的工具和流程是负责任的技术实践的一部分，也是避免意外后果的关键。
一旦这些参数到位，Thoughtworks鼓励组织开始在其运营中测试可能的AI应用场景。与所有创新一样，只有在技术得到充分应用后，才有可能真正理解其全部潜力或应用范围。
高质量的标注数据和数据访问权限
阻碍公司将模型投入生产的另一个常见挑战是复杂AI模型缺乏透明性。这种“模糊性”使得难以评估模型的准确性和是否适合特定需求。Thoughtworks通过提供工具和专业知识，帮助企业有信心地评估大型语言模型(LLMs)，从而解决这一问题。
通过提供用于文本分类和数据标注等任务的加速器，Thoughtworks的预构建解决方案简化了开发流程，鼓励公司超越概念验证(POC)阶段，并在AI项目中更快地取得成果。
随着对AI模型部署的信心增强，公司能够解决大型语言模型(LLMs)的不透明性，从而做出更有根据的决策。领导者将能够准确回答诸如“我如何知道LLM的输出是否准确?”或“哪个模型/方法最适合我的使用场景?”等问题。
除了数据标注，AI概念验证(POC)还必须反映并遵守组织的隐私和安全政策。将现有的访问控制融入大型语言模型(LLM)的行为中，不仅能增强安全性，还能降低训练成本。
例如，在将大型语言模型(LLM)与数据平台集成时，应该考虑用户的角色和访问权限来处理上下文和模型输出。这确保用户仅能访问他们有权限查看的数据，从而增强系统的整体安全性。
有效的提示技巧
目前，制作有效的提示往往依赖于反复试验，这使得扩展和维护生成式AI(GenAI)解决方案变得困难引导AI回复的指令，随着模型的演变，可能会变得无效。Thoughtworks的解决方案通过开发优化特定模型的指令的工具来解决这一问题。这不仅简化了GenAI应用的生产维护，还允许在模型之间实现更大的可移植性——确保企业能够利用最适合其需求的模型，而无需从头开始设计指令。
Yuu Rewards Club：快速AI扩展的案例研究
yuu Rewards Club，新加坡领先的联盟顾客会员 平台，展示了AI如何实现快速扩展。该平台整合了零售、餐饮、娱乐、银行等多个领域的顶级品牌，提供高度个性化的移动体验和统一货币，以最大化奖励。
凭借先进的AI和机器学习(ML)能力以及强大的合作伙伴生态系统，该平台彻底革新了传统的顾客会员计划，为消费者提供了全新的购物体验。例如，通过一个应用程序即可方便地在多个品牌之间兑换优惠，并获得个性化的优惠和奖励。
由minden.ai(一个由淡马锡创办的科技公司)与Thoughtworks合作开发，该平台在短短一个月内迅速跃升为主要应用商店的第一款应用，并在仅100天内吸引了超过一百万的会员。
这是一个出色的案例，展示了以用户为中心的设计、敏捷开发和关注可扩展性如何在AI驱动的平台中实现快速增长。
南亚银行的生成式AI聊天机器人革新了客户服务
Thoughtworks与一家领先的南亚银行合作，解决了一个常见问题：分散的数据阻碍了客户体验。数据被孤立在多个来源中，导致产品经理难以高效地访问客户信息。
利用生成式AI(GenAI)，团队分析了数据集，识别了关键痛点，并构建了一个生产就绪的GenAI驱动聊天机器人。此外，他们还创建了一个可重用的框架，能够适应任何经过微调的语言模型，从而确保了可扩展性。
生成式AI(GenAI)代理成为了一个重要的突破。客户服务能力显著提升，用户体验了更加流畅的对话过程。
负责任的AI
在上述两个案例中，从概念验证(POC)到全面生产的迅速推进得到了强有力的领导支持。这样的组织范围内认可是通过动态的生成式AI(GenAI)战略得以增强的，这些战略能够跟上快速变化的市场和用户需求。
组织还应建立一个负责任的AI框架，涵盖隐私、安全以及法律法规遵循等关键方面。随着AI及其能力的发展，保护措施对于确保其伦理和负责任的部署至关重要。例如，我们与联合国合作开发了一个全面的《负责任技术手册》，其中包括AI以及可持续性、数据隐私和可访问性等方面的考量。
对于那些希望熟练运用AI的组织来说，成功的真正衡量标准不仅在于自动化常规任务，更在于提升人类能力和放大个体在组织中的贡献影响力。
