討論涵蓋了廣泛的話題，包括“AI之屋”框架、數(shù)據(jù)工程的重要性以及企業(yè)在AI應(yīng)用中的挑戰(zhàn)。Ghose和Bapna分享了關(guān)于如何克服AI實施障礙、解決倫理問題以及建立AI就緒型團(tuán)隊的實際見解。他們還探討了AI如何推動創(chuàng)新與競爭優(yōu)勢，尤其是對于數(shù)據(jù)量有限的小型公司而言。

節(jié)目亮點

構(gòu)建堅實的AI基礎(chǔ)

• 將數(shù)據(jù)工程作為AI戰(zhàn)略的基礎(chǔ)，至少將70%的資源分配給數(shù)據(jù)清理和準(zhǔn)備工作。

• 實施“AI之屋”框架，重點關(guān)注描述性、預(yù)測性、因果性和規(guī)范性分析，以最大化數(shù)據(jù)的價值。

克服AI采用障礙

• 解決阻礙AI實施的“三大障礙”：惰性、無知和缺乏想象力。

• 通過教育領(lǐng)導(dǎo)層了解AI的應(yīng)用場景及其在各業(yè)務(wù)職能中的潛在收益，推動創(chuàng)新文化的形成。

利用AI獲取競爭優(yōu)勢

• 探索AI在預(yù)測建模之外的應(yīng)用，例如因果推斷，以了解業(yè)務(wù)結(jié)果背后的原因，并有效擴展建議。

• 通過遷移學(xué)習(xí)和微調(diào)技術(shù)，克服小型數(shù)據(jù)集的限制，與大型公司競爭。

積極應(yīng)對AI倫理和偏見

• 在AI工作流程中實施去偏見的流程，包括數(shù)據(jù)清理、算法調(diào)整和結(jié)果驗證。

• 制定衡量AI模型公平性的指標(biāo)，發(fā)現(xiàn)偏見時準(zhǔn)備好進(jìn)行重新校準(zhǔn)。

培養(yǎng)AI就緒型團(tuán)隊

• 提升現(xiàn)有人才的技能，招聘具備因果推斷和實驗設(shè)計等全面AI知識的專業(yè)人士。

• 教育高管了解AI的潛力和應(yīng)用場景，彌合技術(shù)能力與業(yè)務(wù)領(lǐng)導(dǎo)之間的差距。

主要觀點

優(yōu)先考慮數(shù)據(jù)工程以實現(xiàn)AI成功。 數(shù)據(jù)工程是成功實施AI的基礎(chǔ)。將至少70%的資源用于數(shù)據(jù)清理和準(zhǔn)備工作，這項對數(shù)據(jù)質(zhì)量的投資將為所有AI應(yīng)用帶來回報，從描述性分析到高級預(yù)測性和因果建模。

克服AI實施的障礙。 解決阻礙AI實施的“三大障礙”：惰性、無知和缺乏想象力。通過教育領(lǐng)導(dǎo)層了解AI應(yīng)用場景和潛在收益，逐步建立AI能力。利用遷移學(xué)習(xí)等技術(shù)克服小數(shù)據(jù)集的局限性。

平衡預(yù)測分析與因果分析。雖然預(yù)測建模具有重要價值，但因果推斷對于理解業(yè)務(wù)結(jié)果背后的“原因”至關(guān)重要，并能夠有效地擴展建議。企業(yè)應(yīng)投資于培養(yǎng)員工的因果建模技能。這種平衡的策略能夠做出更穩(wěn)健的決策，并有助于解決AI系統(tǒng)中可能存在的偏見問題。

節(jié)目嘉賓

Anindya Ghose 是紐約大學(xué)斯特恩商學(xué)院的獲獎教授，也是暢銷書《TAP: Unlocking the Mobile Economy》的作者。Ghose 被列為其領(lǐng)域前1%的頂尖研究人員，并被評為30位最有可能塑造未來的管理思想家之一。他已在頂級科學(xué)期刊和同行評審會議上發(fā)表了超過115篇論文，并在國際上發(fā)表了超過300場演講。他曾為Apple、Facebook、Google、Microsoft、Samsung、Snapchat、Tinder 和 Verizon 等公司提供咨詢服務(wù)，并在包括Tinder與Match估值訴訟、Facebook IPO事件、針對Amazon的假冒商品案件等在內(nèi)的許多高調(diào)審判中提供專家證詞。他的研究多次被BBC、彭博電視、CNBC、《華爾街日報》、《經(jīng)濟學(xué)人》、《金融時報》、?？怂剐侣劇ⅰ稌r代周刊》、《衛(wèi)報》等媒體報道和采訪。

Ravi Bapna 是明尼蘇達(dá)大學(xué)卡爾森管理學(xué)院的商業(yè)分析與信息系統(tǒng)教授。他的研究領(lǐng)域包括在線約會、社交媒體、社交參與、AI和ML創(chuàng)新的因果效應(yīng)(如推薦系統(tǒng))、分析學(xué)、信息系統(tǒng)經(jīng)濟學(xué)、在線信任與同行影響力、數(shù)字服務(wù)中的人力資本以及在線拍賣。他的研究發(fā)表在《管理科學(xué)》、《INFORMS計算期刊》、《統(tǒng)計科學(xué)》、《信息系統(tǒng)研究》、《零售學(xué)報》、《MIS Quarterly》和《決策科學(xué)》等眾多期刊上。他的觀點也被《金融時報》、《華爾街日報》、《沃頓知識在線》和《經(jīng)濟時報》等媒體刊登。他創(chuàng)立了明尼蘇達(dá)大學(xué)的“Analytics for Good Institute”，并因其在分析學(xué)和數(shù)字化轉(zhuǎn)型方面的工作獲得了首屆INFORMS ISS實踐影響?yīng)劇?/p>

Michael Krigsman 是全球知名的分析師、戰(zhàn)略顧問和行業(yè)評論員，因其在數(shù)字化轉(zhuǎn)型、創(chuàng)新和領(lǐng)導(dǎo)力方面的深入研究而廣受認(rèn)可。他在全球行業(yè)活動中發(fā)表演講，并廣泛撰寫關(guān)于IT失敗原因的文章。他的作品被媒體引用超過1000次，并在50多本書和期刊文章中被提及。他關(guān)于技術(shù)趨勢和商業(yè)戰(zhàn)略的評論覆蓋了全球受眾。

訪談實錄

Michael Krigsman：我是Michael Krigsman，我們今天討論企業(yè)AI戰(zhàn)略，重點探討算法與生態(tài)系統(tǒng)。今天的兩位嘉賓是來自紐約大學(xué)斯特恩商學(xué)院的Anindya Ghose和來自明尼蘇達(dá)大學(xué)卡爾森商學(xué)院的Ravi Bapna。他們剛剛出版了一本新書。Anindya，這是你第二次做客CXOTalk。歡迎你，能跟我們談?wù)勀愕墓ぷ鲉?

Anindya Ghose：大家好，我是紐約大學(xué)商學(xué)院的教授。我的研究興趣在因果推斷與機器學(xué)習(xí)的交叉點，主要幫助各類公司——無論是小型、中型還是大型公司——使用預(yù)測和因果推斷技術(shù)來解決數(shù)據(jù)問題。最近，我還參與了一些非常有趣的訴訟案件，作為專家證人在一些美國最大的科技公司(包括Google、Meta、Apple、Snapchat、Pinterest等)的案件中作證。

Michael Krigsman：Ravi Bapna，這是你第一次參加CXOTalk，我非常高興你能加入我們。歡迎你，能跟我們談?wù)勀愕墓ぷ鲉?

Ravi Bapna：我是明尼蘇達(dá)大學(xué)卡爾森管理學(xué)院商業(yè)分析與信息系統(tǒng)的教授，同時也是卡爾森分析實驗室和“Analytics for Good”研究所的負(fù)責(zé)人。

我們差不多在20年前就開始教授這些現(xiàn)在被稱為AI的內(nèi)容了。當(dāng)時我們對互聯(lián)網(wǎng)帶來的海量數(shù)據(jù)感到非常興奮。那時候，互聯(lián)網(wǎng)革命興起，人們開始在Amazon上撰寫評論，這讓我們能夠更好地了解消費者的偏好。隨后是移動革命，Anindya寫了一本關(guān)于移動革命的書。接著又是社交媒體革命，數(shù)據(jù)持續(xù)增長。然而，企業(yè)利用這些數(shù)據(jù)做出更好決策的能力并沒有同步提高，反而出現(xiàn)了更大的差距。我認(rèn)為，這就是我們寫這本書的動力，這本書匯集了我們近40年的研究，花了將近三年時間完成，所以我們今天很高興能談?wù)撍?/p>

Anindya Ghose：在AI的討論中，大家總是談?wù)揂I的負(fù)面影響，但我們意識到AI其實有很多積極的一面，這個敘事是缺失的。

Michael Krigsman：你們描述了一個叫做“AI之屋”的基礎(chǔ)框架，能給我們介紹一下嗎?我可以在你講的時候?qū)⑦@個圖像展示在屏幕上。

Ravi Bapna：在這個房子的基礎(chǔ)層，我們有數(shù)據(jù)工程。正如我之前提到的，許多公司坐擁大量數(shù)據(jù)，但卻無法從中獲取見解。在卡爾森分析實驗室的過去十年里，我們與90多家公司合作完成了超過130個項目，我們一直在跟蹤數(shù)據(jù)清理、匯總和集成的時間，最終才能開始構(gòu)建預(yù)測模型。這個過程占據(jù)了項目時間的60%到70%。

實際上，大部分時間都花在了處理數(shù)據(jù)上，這為接下來的四大支柱奠定了基礎(chǔ)。數(shù)據(jù)工程之上，我們有四大分析支柱。第一個是描述性分析。它不僅僅是做報告和可視化，還可以使用機器學(xué)習(xí)來發(fā)現(xiàn)產(chǎn)品的共同購買模式，并利用這些模式推薦新產(chǎn)品。Amazon 25年前就已經(jīng)在做這些事情了。接下來是像銀行在異常檢測方面做得很好的事情，找到不符合模式的東西，可能是風(fēng)險，也可能是機會，還有客戶分組的工作。所以，這就是描述性支柱。

然后是預(yù)測性支柱。作為公司，你可能想預(yù)測客戶的流失率，或者如果你是HR團(tuán)隊，可能想預(yù)測員工是否會離職。順便說一下，這是未來三年我們看到的主要工作和價值所在。

接著是因果分析，區(qū)分相關(guān)性和因果性。這是一項許多人沒有很好掌握的技能。還有規(guī)范性支柱。然后我們還有幾層，Anindya可能想談?wù)勥@些層次。

Anindya Ghose：在你帶我們回顧這個框架時，一個對從業(yè)者的重要建議或經(jīng)驗教訓(xùn)就是，不要一開始就被建模所吸引。相反，應(yīng)該將大部分時間和資源投入到數(shù)據(jù)工程部分。Ravi和我在這本書中談到的一個重點是，至少70%的時間應(yīng)該花在數(shù)據(jù)清理上。大多數(shù)數(shù)據(jù)集要么是現(xiàn)有的，要么是剛剛生成的，它們往往是原始且雜亂的。所以你必須清理它。我們合作過的很多組織犯了一個戰(zhàn)略性錯誤，就是沒有花足夠的時間清理數(shù)據(jù)，而是急于跳到Ravi提到的那些酷炫的規(guī)范性、描述性、預(yù)測性和因果性支柱上。這一點需要牢記。

在Ravi的基礎(chǔ)上，我還想補充，Ravi和我都非常關(guān)注公平性。我們關(guān)心公平和公正。作為AI之屋的頂層，當(dāng)業(yè)務(wù)領(lǐng)導(dǎo)者或從業(yè)者講述這個框架時，他們必須確保他們對公平性和公正性給予足夠的重視，無論輸入數(shù)據(jù)是什么，還是生成的結(jié)果。

另一個有趣的事情是，GenAI為這四大支柱和數(shù)據(jù)工程部分增添了新的元素。

我認(rèn)為我們即將迎來一段非常精彩的旅程，這是積極的一面，因為從業(yè)者可以從中挖掘出許多潛在的優(yōu)勢。而且，我們在書中詳細(xì)地引導(dǎo)讀者如何進(jìn)行這些操作，所有內(nèi)容都在書里。

Michael Krigsman：對于企業(yè)中關(guān)注各種AI項目的人們來說，他們應(yīng)該如何使用這個框架呢?

Anindya Ghose：第一步是確保你組建了一支團(tuán)隊來清理數(shù)據(jù)——也就是數(shù)據(jù)工程部分。很多組織具備收集數(shù)據(jù)的基礎(chǔ)設(shè)施，但他們可能沒有合適的人來清理和策劃這些數(shù)據(jù)。

一旦你將原始數(shù)據(jù)清理完畢，你就可以開始利用四大支柱中的任何一個，無論是預(yù)測性、因果性、規(guī)范性還是描述性分析。這個過程必須分階段進(jìn)行，但也是一個迭代的過程，因為隨著新的數(shù)據(jù)從你的建模技術(shù)中產(chǎn)生，你需要回過頭來查看這些數(shù)據(jù)中是否全是信號，是否仍然存在噪音，或者是否需要再次進(jìn)行清理。我認(rèn)為我們在書中提供了一個循序漸進(jìn)的路線圖，指導(dǎo)人們?nèi)绾芜M(jìn)行這些操作。

我還想補充一點，Ravi也提到了：當(dāng)我們談?wù)撨@四大支柱時，很多人會說，“是的，我們有做預(yù)測分析的技能”，但我認(rèn)為，因果推斷的重要性正在變得越來越顯而易見。如果你無法理解“為什么”，你就無法擴展你的建議。

Ravi Bapna：現(xiàn)在有一個誤區(qū)，認(rèn)為隨著GenAI的火熱，它就是AI的終極定義。我認(rèn)為，在未來至少三到五年內(nèi)，企業(yè)的大部分價值仍將來自我們討論的這四大支柱。關(guān)鍵是GenAI將幫助你更好地完成這些傳統(tǒng)的AI任務(wù)。這是我認(rèn)為非常重要的一點。

Michael，關(guān)于你提到的企業(yè)應(yīng)該如何開始思考這個問題，我們可以討論為什么企業(yè)無法或不善于區(qū)分相關(guān)性和因果性。為什么他們現(xiàn)在還沒有部署AI之屋的全部功能?

Anindya和我討論了很多，我們的觀點是，有三大“障礙”。第一是惰性，這是一股強大的力量?，F(xiàn)狀總是占上風(fēng)，尤其是在高層領(lǐng)導(dǎo)中。如果領(lǐng)導(dǎo)層不熟悉這種語言，或者沒有見過這樣的框架，他們就不知道具體的應(yīng)用場景。因此，改變他們現(xiàn)有的決策方式，去做一些不同的事情，比如需求預(yù)測或庫存優(yōu)化，這對他們來說很困難。惰性是一個巨大的障礙。

第二是無知，即對所有應(yīng)用場景和潛在可能性的缺乏了解。我認(rèn)為這是我們在書中重點解決的問題之一。我們幾乎在每個方面都有應(yīng)用場景，而且根據(jù)我的經(jīng)驗，我們的項目涉及了各個行業(yè)和職能。

第三是缺乏想象力。在過去20年中，我參與過的最具創(chuàng)造性的解決方案——Anindya肯定會同意——都是那些跳出常規(guī)思維的結(jié)果。例如，某個人想到：“如果我可以做X和Y，把這兩個支柱結(jié)合起來，也許我可以發(fā)現(xiàn)趨勢。”你可以看到像General Mills這樣的公司，他們是Yoplait酸奶品類的市場領(lǐng)導(dǎo)者，但突然之間，Chobani崛起了。沒人預(yù)測到這一點，因為他們沒有機制去做你可能稱之為異常檢測的事情。這是什么異常的模式?它是信號還是噪音?我們應(yīng)該如何應(yīng)對?聰明的公司會這樣做。

Michael Krigsman：我們從Twitter上收到一個有趣的問題，來自Arslan Khan，他問道：“數(shù)據(jù)對AI非常重要。企業(yè)如何知道應(yīng)該收集什么，不應(yīng)該收集什么?他們?nèi)绾沃雷约菏欠裾趧?chuàng)建所謂的‘數(shù)據(jù)泡沫’，這些泡沫可能會導(dǎo)致錯誤的建議?”

我們也收到了來自Twitter用戶Rose Semenov的評論，她在問用例問題。也許你們可以談?wù)剶?shù)據(jù)收集的問題，并結(jié)合你們的書，介紹一下幕后發(fā)生的事情。例如，在約會應(yīng)用或金融交易中，如何將數(shù)據(jù)問題與實際的用例聯(lián)系起來?

Anindya Ghose：當(dāng)我聽到這個問題時，我想到的是Ravi提到的惰性問題。我經(jīng)常被問到這個問題：“我們應(yīng)該收集什么數(shù)據(jù)，或者不應(yīng)該收集什么?”有時人們做的額外分析會導(dǎo)致惰性：“我不知道應(yīng)該收集什么數(shù)據(jù)，所以可能我就不開始收集了。”我對這些公司的建議是：“先開始行動吧。這不是一次性完成的過程。”Ravi和我都不會告訴你這是一次性完成的事情。這個過程是非常迭代的。

換句話說，你必須通過實驗和學(xué)習(xí)來確定你正在收集的數(shù)據(jù)集哪些是真正有用的。你在一開始可能有一個大致的判斷，但很難事先確定：“這三件事最有幫助，那兩件事沒那么重要。”你只有在收集了數(shù)據(jù)并將其輸入算法后，看到它的預(yù)測結(jié)果時，才能知道這些。

Ravi Bapna：我想補充的是，最終這歸結(jié)為：是什么問題讓你夜不能寐?你想解決哪些問題?

這是領(lǐng)導(dǎo)層在以數(shù)據(jù)驅(qū)動的方式進(jìn)行決策時遇到的一個缺口。如果他們不知道具體的用例，他們就不會意識到，“嘿，也許我在某個階段的漏斗中遇到了問題，我在這個階段失去了很多人，而這是我想解決的問題。為了做到這一點，我需要預(yù)測X、Y和Z，而為此，我需要這個特定的數(shù)據(jù)集。”

我認(rèn)為Arslan的擔(dān)憂是對的，我們不希望陷入數(shù)據(jù)泡沫，正如他提到的那樣。我們必須基于實際用例來做數(shù)據(jù)收集。一旦我們確定了要解決的問題，我們就可以開始引入不同的數(shù)據(jù)源。這也是當(dāng)今世界的美妙之處。我們可以整合多種數(shù)據(jù)源——例如，構(gòu)建客戶流失模型。在過去，人們可能只會看人口統(tǒng)計信息，或者稍微深入一些，做心理畫像。但現(xiàn)在我們有行為數(shù)據(jù)。我們知道人們在做什么，買了什么，怎么說的。我們知道他們推薦客戶或評論產(chǎn)品的可能性有多大。

還有很多其他行為數(shù)據(jù)。例如，他們是否在社交媒體上談?wù)撃愕漠a(chǎn)品?在這個領(lǐng)域，聰明的公司會整合所有這些數(shù)據(jù)源，但前提是要解決他們想要解決的問題。我與CEO的對話通常是：“什么問題讓你夜不能寐?你的需求預(yù)測做得如何?”

你可能會驚訝，許多財富500強公司在需求預(yù)測方面表現(xiàn)得非常糟糕。想想所有下游的影響，以及基于這些預(yù)測所做的決策。如果你的預(yù)測誤差是10%，那么你基于這個錯誤預(yù)測做出的20個決策可能都是錯誤的。

Anindya Ghose：我們在市場組合建模和歸因建模中看到了這一點。75%到80%的市場營銷人員理解它的重要性，但他們?nèi)栽诿魅绾稳プ?。這也是為什么我們在紐約大學(xué)MSBA項目中做了很多相關(guān)項目的原因。

Michael，回到你關(guān)于約會的問題，我能分享一個我最喜歡的約會統(tǒng)計數(shù)據(jù)嗎?在我們的書中，我們提到，如果你的約會資料中有兩個拼寫錯誤，你找到靈魂伴侶的幾率會降低14%。14%!兩個拼寫錯誤!所以我們都需要一些靈魂伴侶(笑)。這就是AI真正有幫助的地方。顯然，我們有點幽默，但事實是，人們在資料中會犯拼寫和語法錯誤，而這會對他們造成影響。

AI的一個低成本應(yīng)用就是用它來避免這些簡單且可以預(yù)防的錯誤。幾年前，我為Tinder和Match.com做了一些工作，Ravi也為多家約會公司做過很多工作，所以我們除了AI建議外，還可以提供一些約會建議。

Michael Krigsman：這是CXOTalk第一次給出約會建議。所以，如果你在約會，務(wù)必要確保你的約會資料沒有錯誤。

我們在LinkedIn上收到另一個來自Michael Walton的問題，他問道：“你們對AI在食品研發(fā)和食品制造中的應(yīng)用有什么看法?”

Ravi Bapna：在明尼阿波利斯，我們有一個龐大的食品和農(nóng)業(yè)企業(yè)集群。從像Cargill這樣的商品公司到像General Mills這樣的品牌公司，它們都在各個不同的職能領(lǐng)域深入思考AI的應(yīng)用。

如果你開始思考食物的來源，在我所在的卡爾森分析實驗室，我們與Land O'Lakes合作了近十年，幫助農(nóng)民做出更好的食品生產(chǎn)決策。在典型的一年中，農(nóng)民要做出大約40個重要決定：使用哪種種子，澆多少水，施多少肥料以及在哪里施肥。我們現(xiàn)在開始進(jìn)入一個可以以精確農(nóng)業(yè)的方式處理這些問題的階段。AI模型可以區(qū)分小麥稈和雜草。你希望優(yōu)化農(nóng)業(yè)的生產(chǎn)功能，許多公司都在不同方面努力，如John Deere、Land O'Lakes等公司。

在上游，你會看到像General Mills這樣的品牌公司。它們不斷關(guān)注不同渠道的運作情況，以及影響者如何在使他們的產(chǎn)品成為首選產(chǎn)品中發(fā)揮作用。許多模型被用來預(yù)測這一點。

對我來說，這是一個從頭到尾的流程。順便說一句，幾乎所有日常影響我們的行業(yè)都是如此，食品行業(yè)也不例外。

Anindya Ghose：我剛剛指導(dǎo)了一位高中生，Michael，他想做一個研究項目，試圖找出影響玉米消費和玉米生長的預(yù)測因素。他收集了全國范圍內(nèi)有關(guān)降水、天氣和土壤質(zhì)量的數(shù)據(jù)，并建立了一些預(yù)測模型，以找出哪些地區(qū)最適合玉米的生長和發(fā)展的時間點。

我認(rèn)為，正如Ravi所說，這個行業(yè)還處于初期階段，但發(fā)展迅速。你會看到更多類似的情況。食品的另一個角度是營養(yǎng)。當(dāng)我想到食物時，我會想到營養(yǎng)，想到個性化健康。Ravi談到的是AI在食品制造中的應(yīng)用，但AI在食物消費中的應(yīng)用也非常重要：“我們什么時候吃?我們吃什么?這如何與我們的其他健康行為，如鍛煉和睡眠相互補充?”鍛煉、睡眠和飲食是健康的三大重要支柱。

Michael Krigsman：我們從Twitter上又收到一個來自Arslan Khan的問題，他問道：“數(shù)據(jù)是否正在導(dǎo)致壟斷?擁有大量客戶數(shù)據(jù)的組織可以使用AI，那么那些沒有大量客戶數(shù)據(jù)的小公司該怎么辦?”

Anindya Ghose：是的，數(shù)據(jù)確實有幫助，但根據(jù)我的經(jīng)驗，數(shù)據(jù)并不是進(jìn)入市場或創(chuàng)新的重大障礙。我將這一點放在數(shù)字營銷和數(shù)字廣告的背景中進(jìn)行說明。過去20年里，我們有沒有看到公司進(jìn)入數(shù)字廣告領(lǐng)域的減少或停滯?沒有。實際上，我們看到更多的新公司在這個領(lǐng)域涌現(xiàn)出來，甚至是那些沒有面向消費者數(shù)據(jù)的公司。

想想The Trade Desk。他們現(xiàn)在與一些最大的科技公司直接競爭，并在競爭中擊敗了他們。再比如Criteo，另一家沒有面向消費者產(chǎn)品的數(shù)字廣告公司。當(dāng)他們進(jìn)入市場時，數(shù)據(jù)為零。他們從零開始積累，現(xiàn)在他們與硅谷的大公司競爭，并在競爭中勝出。雖然數(shù)據(jù)肯定有幫助，但它并不是進(jìn)入市場的障礙。

即使你是一家小公司——我剛剛提到了幾個例子，但還有很多——除了The Trade Desk和Criteo，還有Magnite和PubMatic。有很多公司在第一天幾乎什么都沒有，但今天它們是公開上市的公司，給知名的科技公司帶來了很大的競爭壓力。

Ravi Bapna：我想補充幾點。首先，即使是小規(guī)模或合理規(guī)模的數(shù)據(jù)集，你仍然可以使用AI并獲得目前無法獲取的洞察。這不應(yīng)該成為借口，比如你應(yīng)該思考如何通過細(xì)分更好地了解客戶，或者構(gòu)建一個預(yù)測模型，來確定你下一次促銷應(yīng)該針對哪些客戶。我們已經(jīng)看到，使用只有2,500行數(shù)據(jù)集的公司也取得了巨大成功，而不是需要2,500萬行數(shù)據(jù)。所以，這不是借口。你可以開始使用AI，開始利用這些能力。

例如，Amazon剛開始時并沒有大量的消費者數(shù)據(jù)，但他們?nèi)匀惶峁┊a(chǎn)品推薦，可能使用的是關(guān)聯(lián)規(guī)則挖掘算法，基于人們購買的商品和共同購買的商品。即使是這樣簡單的東西，每個有一千個交易的公司都可以使用，這是觸手可及的低成本成果。

另一個要點——Anindya和我前幾天也討論過——是GenAI的設(shè)置方式將消除大型數(shù)據(jù)壟斷的優(yōu)勢。如果過去我想構(gòu)建一個情感分類器，可能需要一個相當(dāng)規(guī)模的數(shù)據(jù)集?？赡苄枰?萬行標(biāo)記數(shù)據(jù)來構(gòu)建一個準(zhǔn)確的模型。而現(xiàn)在，我可以在ChatGPT上提出這個問題，它會給我答案。每個小企業(yè)都可以訪問這種能力。順便說一句，我們稍后應(yīng)該討論一下：GenAI也可以為你構(gòu)建一些模型。如果你有一個小數(shù)據(jù)集，且沒有數(shù)據(jù)科學(xué)家來構(gòu)建XGBoost或機器學(xué)習(xí)模型，GenAI現(xiàn)在具備了這種能力。我們在大學(xué)教授的課程中已經(jīng)開始試點這種方式。

我不接受“小數(shù)據(jù)”作為借口。每個人都可以開始爬這座山。在我們書的最后一章中，我們使用了“AI峰會”作為比喻。我認(rèn)為Anindya是一位登山愛好者;我年輕時在喜馬拉雅山花了很多時間——15歲時我去過珠穆朗瑪峰大本營。這里有一個一號營地;有一個大本營——大本營就是數(shù)據(jù)工程。一旦你到達(dá)大本營，你就可以開始做其他事情，比如描述性分析和預(yù)測性分析。到達(dá)第三營地時，你會開始思考相關(guān)性和因果性。每個人都可以開始考慮這個問題;每個人都可以從中受益。

我經(jīng)常聽到“小數(shù)據(jù)”借口，但人們對這一領(lǐng)域的理解還不夠深入，不能以此為借口。

Anindya Ghose：這正是我們提到的惰性。分析麻痹導(dǎo)致惰性，而惰性又導(dǎo)致缺乏創(chuàng)新。也許這是我們應(yīng)該考慮的第四個“I”：無知、惰性、缺乏想象力，最終導(dǎo)致缺乏創(chuàng)新。

Michael Krigsman：但這不意味著，如果你有一個小數(shù)據(jù)集，在個性化方面你會處于劣勢嗎?

Ravi Bapna：不完全是，Michael。現(xiàn)在有了GenAI，我們可以進(jìn)行微調(diào)。我們可以使用現(xiàn)有的GenAI模型，即使是小數(shù)據(jù)集，我們也可以稍微調(diào)整參數(shù)，使其適應(yīng)一個小型初創(chuàng)公司。還有其他架構(gòu)，比如RAG(檢索增強生成)，也可以幫助我們做到這一點。這已經(jīng)改變了游戲規(guī)則。

在機器學(xué)習(xí)中有一個叫做遷移學(xué)習(xí)的技術(shù)概念。它的想法是，你可以拿一個為X構(gòu)建的模型，通過稍微調(diào)整，就可以用于Y。而這種調(diào)整并不需要大量數(shù)據(jù)。

Anindya Ghose：Ravi，記得我們幾天前還在短信中討論這個話題。這是個很好的問題。是Arslan提問的嗎?

Ravi Bapna：是的。

Anindya Ghose：我們經(jīng)常被問到這個問題，我們兩人都迫不及待想告訴大家，這個問題現(xiàn)在已經(jīng)不再是擔(dān)憂了，多虧了遷移學(xué)習(xí)、RAG和GenAI。小數(shù)據(jù)不再是進(jìn)入障礙。

Michael Krigsman：我們又收到一個來自Twitter用戶Ravi Karkara的問題，他問道：“為什么世界需要就政策和倫理問題進(jìn)行討論?”他特別想了解AI在食品領(lǐng)域的應(yīng)用。你可以稍微談一下這個問題，但這里還有更廣泛的問題。你能討論一下AI倫理及其對食品行業(yè)的影響，特別是對企業(yè)的影響嗎?

Ravi Bapna：首先，算法本身從來不會有偏見。算法是數(shù)學(xué)中的一個概念，它會根據(jù)你輸入的數(shù)據(jù)提供洞察。那么，我們輸入了什么數(shù)據(jù)呢?讓我們來看一些例子。幾年前，Amazon因為開發(fā)了一款對女性有偏見的簡歷篩選工具而受到批評。事實上，Goldman Sachs和Apple Card也有類似的問題，都是在AI算法中的性別偏見問題。那么，為什么會出現(xiàn)這種情況呢?

如果你回到Amazon的簡歷篩選器這個例子上，為什么算法會將技術(shù)崗位的高績效與男性聯(lián)系在一起?可能是因為歷史上，社會生成了反映這種偏見的數(shù)據(jù)?；蛟S高中里沒有足夠的孩子，尤其是女孩，報名參加數(shù)學(xué)和科學(xué)課程。因此，她們沒有獲得STEM學(xué)位，因而不符合技術(shù)崗位的要求。這不是算法的問題，而是社會的問題——一個復(fù)雜的社會過程生成了有偏見的數(shù)據(jù)。

偏見的起點不是算法。這正是偏見的來源。而我們現(xiàn)在正處于設(shè)計算法以修復(fù)和識別這些偏見的階段。這也是我們教給管理者的內(nèi)容。參加Anindya負(fù)責(zé)的紐約大學(xué)MSBA項目或者我們的項目的學(xué)生，都會學(xué)習(xí)一個完整的課程，專門討論如何去偏見這些算法及其結(jié)果。這意味著AI更可能是解決方案，而不是問題。

Anindya Ghose：我們必須非常重視AI倫理，這個問題是可以解決的。它之所以可解決，是因為在第一階段，當(dāng)你查看輸入數(shù)據(jù)時，你可以識別出可能導(dǎo)致結(jié)果偏差的數(shù)據(jù)元素——我們稱之為離群值。如果它們偏移了輸出，可能就會導(dǎo)致偏見。這個問題可以解決，因為你可以識別出離群值，清理數(shù)據(jù)，然后再將其輸入算法。這就是去偏見過程的開始。

我認(rèn)為到目前為止發(fā)生的情況是，由于這個我們談?wù)撨^的小型產(chǎn)業(yè)，很多討論都集中在問題的一方面，而忽略了這是一個可以解決的問題。實際上，這并不是什么難事。我們在MSBA項目中教授這一點，并看到了很好的結(jié)果。所以，不用擔(dān)心!

Ravi Bapna：我們AI之屋的中層部分之一是強化學(xué)習(xí)。這是一種基于“探索與利用”理念的強大方法。

在篩選求職者的背景下，什么是“探索與利用”?也許，如果你運行一個算法，完全基于歷史招聘模式和人們的表現(xiàn)模式——比如Amazon早期做的那樣——你可能會給某個候選人打出非常高的分?jǐn)?shù)。但這個算法會說，“等等，這個人的分?jǐn)?shù)最高，但讓我冒個險，10%的時間我會嘗試一下第三高分的候選人，或者下一個人。”

這自動增加了你招聘的人員池的多樣性?？赡苡幸恍┨囟ㄈ后w的人——例如具備超強技術(shù)能力的女性——在探索過程中被算法納入。然后算法會學(xué)習(xí)到這些人表現(xiàn)得非常好，這就引入了平等性。我們看到，強化學(xué)習(xí)通過這種“探索與利用”的方式，幫助實現(xiàn)去偏見。

我們還會指導(dǎo)與我們合作的公司員工以及我們的學(xué)生，在看模型性能時，不僅僅關(guān)注準(zhǔn)確性。還有一些圍繞公平性的特定指標(biāo)，比如真正率(True Positive Rate)。這些指標(biāo)在不同的群體中是否不同?在男性和女性之間是否不同?在不同種族之間是否不同?我們必須將這一整套校準(zhǔn)過程嵌入到模型中，以確保它們也是公平的。今年夏天，我們兩人一直在建議公司將這些因素納入考量。

有時，這會帶來一定的成本。如果你關(guān)注公平性，可能短期內(nèi)無法實現(xiàn)利潤最大化，但從長期來看，你可能就不會被起訴!<笑聲> 我認(rèn)為這就是我們現(xiàn)在的處境。

Michael Krigsman：不過，說實話，我覺得你們把這個問題簡化得有點過頭了。是的，從數(shù)學(xué)的角度來看，你可以剔除數(shù)據(jù)中的問題并調(diào)整算法，但這些產(chǎn)品依然在社會背景中運作，問題往往在此處出現(xiàn)。這也是為什么全球，尤其是美國和歐洲，對AI監(jiān)管如此重視。

Arslan Khan 繼續(xù)提出異議，他說他不同意“算法不能有偏見”的觀點。他舉例說，他9歲的女兒指出，Tesla屏幕上只顯示了一個男人的輪廓，即使是一個女人正在過馬路。

Anindya Ghose：我不認(rèn)為我們說過“算法不能有偏見”。我們說的是，如果存在偏見，它可以很容易地被去偏見化。

回到第一步，我確實認(rèn)為我們在簡化這個過程，但Ravi和我做過很多次，這是一個簡單的過程，并不復(fù)雜。它不是火箭科學(xué)。你必須愿意并有意識地去改變和回顧你正在做的事情;你必須愿意適應(yīng)和嘗試。

許多人被這個問題的復(fù)雜性困住了，但這個去偏見化的問題并不是火箭科學(xué)。它需要一些工作來解決，但這是一個可解決的問題。

這也是我們對AI保持樂觀的部分原因。我們并不是空談。Ravi和我與大約200家公司合作過，我們非常實際地參與了這些過程。我們做了很多次，并經(jīng)歷了去偏見化的過程。我們找出了問題，并使用正確的模型解決了跨行業(yè)和跨國家的問題。這是一個可以解決的問題，并不像人們想象的那么復(fù)雜。我們應(yīng)該放下那三個“I”——惰性、無知、缺乏想象力——朝著創(chuàng)新前進(jìn)。

Michael Krigsman：在Twitter上，Rose Semenov再次提到偏見和公平性，提出了AI作為黑箱的問題，這可能導(dǎo)致缺乏透明性。你能談?wù)勥@種不可解釋性是如何導(dǎo)致表面上缺乏公平性的?

Ravi Bapna：現(xiàn)在有很多工作正在進(jìn)行中。許多研究部門和大學(xué)的聰明人都在撰寫博士論文，專注于解釋黑箱模型。在我教授紐約大學(xué)MBA學(xué)生的三天課程中，我們有一個下午專門討論如何解釋黑箱模型。有一些方法，雖然它們并不完美，但我們認(rèn)識到這是許多公司采用AI時的關(guān)鍵障礙。

我有一個曾經(jīng)的學(xué)生，構(gòu)建了一個復(fù)雜的需求預(yù)測模型。他進(jìn)行了25年的季度回測。當(dāng)模型預(yù)測某個業(yè)務(wù)單元的需求會下降6%時，經(jīng)理的第一個問題是：“基于什么?你能解釋這個預(yù)測是如何得出的嗎?”學(xué)生無法真正解釋，因為這是一個復(fù)雜的深度學(xué)習(xí)模型，使用了諸如LSTM之類的技術(shù)。

經(jīng)理不相信這個預(yù)測。猜猜后來發(fā)生了什么?需求確實下降了6%。<笑聲> 公司失去了這個機會，他們就是這樣學(xué)到的。我給他們的建議是：“讓我們運行一個影子過程。繼續(xù)做你們原本在做的事情。如果有人在構(gòu)建一個黑箱模型，我們可以將這兩個過程并行運行一年，看看哪個更勝一籌。”很快他們就信服了。他們不需要詳細(xì)了解模型是如何預(yù)測需求的，只要他們知道預(yù)測是準(zhǔn)確的。只要他們知道模型是準(zhǔn)確的，他們就可以根據(jù)結(jié)果進(jìn)行相應(yīng)的規(guī)劃，正確安排人員和招聘。我認(rèn)為現(xiàn)在很多人都在采用這種方式。

大家經(jīng)常談?wù)摽山忉屝?，但讓我們看看醫(yī)療保健領(lǐng)域。想象一下醫(yī)療成像。如果我構(gòu)建了一個模型，它可以通過X光片檢測骨折，我真的需要知道圖像中的哪個像素負(fù)責(zé)這個診斷嗎?不需要。在很多用例中，我們得到了大量的實際價值。很多醫(yī)院都在這樣做。我們可以通過X光片檢測到骨折。如果你在撒哈拉以南的非洲，無法獲得受過訓(xùn)練的放射科醫(yī)生或骨科醫(yī)生，AI可以為你提供幫助。在我們的書中，我們有一整章討論這個問題。我們提到了東歐的一些診所使用這種AI來檢測乳腺癌——比人類更準(zhǔn)確，實際上。

我們將達(dá)到一個階段，沒人再討論這些極其復(fù)雜模型的可解釋性問題，因為我們正在驗證其輸出，并看到它們確實在挽救生命。因此，這里有兩點：許多人正在研究可解釋性，但也有許多用例實際上不需要關(guān)注可解釋性。

Michael Krigsman：我們又有一個關(guān)于偏見和去偏見的有趣問題。Lisbeth Shaw 說：“如果去偏見意味著質(zhì)疑現(xiàn)有的數(shù)據(jù)集，可能需要從頭開始?公司想要執(zhí)行和上市的速度，這一步可能不會被批準(zhǔn)。”

Anindya Ghose：這種情況在理論上可能會發(fā)生，但在實踐中，通常數(shù)據(jù)集中只有某些觀察值或變量是有問題的。我沒有遇到過整個數(shù)據(jù)集都有問題的情況。更有可能的情況是，假設(shè)一個數(shù)據(jù)集中有10個變量，其中7個是沒問題的，只有3個有問題。

在這種情況下，你需要意識到這些問題，并找到解決方法，或者通過數(shù)據(jù)工程過程修復(fù)這些問題，或者通過調(diào)整基礎(chǔ)設(shè)施來從源頭上生成和收集更好的數(shù)據(jù)。

簡而言之，更可能的情況是你將擁有一個混合的數(shù)據(jù)集，其中一部分是好的，另一部分有問題?，F(xiàn)在有很多工具可以解決這些問題，例如外推、插補和數(shù)據(jù)策劃。

Ravi Bapna：更廣泛的信息是：首先，我們必須認(rèn)識到這是一個問題，因此討論這個問題是有益的。其次，我們現(xiàn)在有具體的指標(biāo)和文獻(xiàn)，背后有科學(xué)來檢測算法中的偏見，而不僅僅是基于它們的準(zhǔn)確性。我們可以通過公平性測試來運行這些算法。如果我構(gòu)建一個模型，結(jié)果是否公平?假設(shè)我決定某人是否應(yīng)該獲得信用卡，我是一家銀行，我查看不同子群體的真正率，發(fā)現(xiàn)存在顯著差異。我的學(xué)生知道這是一個停止點，意味著我們必須回頭重新校準(zhǔn)模型。我們可能需要對某些子群體進(jìn)行過采樣，嘗試從代表性不足的群體中學(xué)習(xí)更多。

這也是正確使用AI模型教育的一部分。這個技術(shù)不會消失，所以我們必須教育自己如何以最佳方式使用它。從許多方面來說，這就是我們書中的信息。

Michael Krigsman：再次來自Arslan Khan的問題：“如果組織部署了有偏見的系統(tǒng)導(dǎo)致問題，他們沒有意識到這種偏見，消費者應(yīng)該起訴誰?誰應(yīng)該對這些AI負(fù)總體責(zé)任?”

Anindya Ghose：在美國，我們是一個訴訟頻繁的社會，所以起訴很容易。這不應(yīng)該是問題。在海外，這可能會更難一些。

我會質(zhì)疑這個問題的前提。如果一個組織在使用一個有偏見的數(shù)據(jù)集，首先要問的是，這種偏見的程度如何?是重要的還是無關(guān)緊要的?當(dāng)最重要的輸出變量有偏見時，偏見才是有意義的。如果只是某個次要變量有偏見，那就不重要了。你需要先弄清楚這一點。正如我所說，解決這些問題是有路徑的。你不需要火箭科學(xué)家，一個好的數(shù)據(jù)科學(xué)家就可以解決這個問題。

大多數(shù)組織都意識到這一點的重要性。根據(jù)我的經(jīng)驗，好的一面多于壞的一面。CEO、CTO和CIO們并沒有故意創(chuàng)建有偏見的系統(tǒng)。他們是在解決問題的過程中，可能無意間使用了未去偏見的算法和數(shù)據(jù)集。重要的是他們意識到了這一點。在我與至少12個行業(yè)中50家公司的合作中，他們都愿意解決這個問題。我從沒遇到過有人在我指出偏見問題后說：“哦，沒關(guān)系，別擔(dān)心。”

Michael Krigsman：在AI之外也有類似的例子。如果食品有問題，F(xiàn)DA會進(jìn)行召回。如果汽車有問題，汽車也會被召回。我們有處理這些無意中產(chǎn)生的問題和影響的歷史。

我們繼續(xù)討論，因為時間有限。你們經(jīng)常談到與AI相關(guān)的生態(tài)系統(tǒng)。你們所說的生態(tài)系統(tǒng)是什么意思，為什么它如此重要?

Ravi Bapna：AI是一種快速發(fā)展的、復(fù)雜的、無形的通用技術(shù)。正如我們所說，很多人并沒有真正理解它——這也是我們寫這本書的原因，試圖揭開它的神秘面紗。

我認(rèn)為我們已經(jīng)看到的——而明尼阿波利斯雙城地區(qū)的公司也明白這一點——是能夠接觸到像明尼蘇達(dá)大學(xué)和其卡爾森分析實驗室這樣以研究為導(dǎo)向的大學(xué)的重要性。我們與幾乎所有中型公司和財富500強公司都有很好的合作伙伴關(guān)系。公司可以向我們提出問題，我們可以幫助他們找到答案。由研究生組成的團(tuán)隊在導(dǎo)師的監(jiān)督下解決這些問題，這為我們創(chuàng)造了一個充滿活力的生態(tài)系統(tǒng)。它形成了一個良性循環(huán)。我們的學(xué)生通過處理真實的世界數(shù)據(jù)和問題進(jìn)行學(xué)習(xí)，這些不是某個教授編出來的理論性問題!<笑聲>公司在市場之前就能夠接觸到人才，并且還能獲得教師和博士生的專業(yè)知識。我認(rèn)為Anindya在紐約大學(xué)建立的生態(tài)系統(tǒng)也非常相似。

Anindya Ghose：我們有一個名為“Capstone Program”的項目，這個項目非常貼近現(xiàn)實。學(xué)生小組會嵌入公司，處理真實的數(shù)據(jù)集和問題，且有一位教師顧問指導(dǎo)。Ravi曾擔(dān)任顧問，而我作為項目主管也深度參與其中。

關(guān)于你提到的生態(tài)系統(tǒng)問題，我認(rèn)為這是學(xué)術(shù)界、產(chǎn)業(yè)界和政策制定者共同努力的結(jié)果。私營部門必須參與進(jìn)來。好消息是他們已經(jīng)參與了，這是一個持續(xù)的旅程。我們在學(xué)習(xí)中前進(jìn)，但好消息是人們已經(jīng)在參與其中了。兩年前，如果你說“你在運行一個AI項目”，人們可能會說，“哦，那是什么宅男或極客的事情?”但自從ChatGPT問世后，大家都想加入AI的路線圖。

Michael Krigsman：你在與公司合作時，看到哪些與勞動力相關(guān)的問題?

Anindya Ghose：我來舉個明確的例子。這些年來，我們發(fā)現(xiàn)每個人都可以做預(yù)測建模，但很少有人能夠做因果建模。我一直在推動的一項勞動力技能要求，終于得到了實施，就是修改課程以顯著增加因果推斷這個第三支柱的內(nèi)容。我們正在為學(xué)生提供計量經(jīng)濟學(xué)、因果機器學(xué)習(xí)和現(xiàn)場實驗的培訓(xùn)。

僅僅擅長預(yù)測建模是不夠的。你還需要具備因果推斷的能力。我們看到招聘人員回來告訴我們：“這非常有幫助，因為你們的畢業(yè)生具備全面的工具。他們不僅理解預(yù)測，還理解‘為什么會發(fā)生這種情況?接下來會發(fā)生什么?是什么導(dǎo)致了這些變化?’”我們對此感到非常自豪。

Ravi Bapna：在AI框架內(nèi)，有能夠工作的供給方人才，也有來自公司的需求方。在我看來，存在一個巨大的、不斷擴大的差距。領(lǐng)導(dǎo)者、高管、高級副總裁、總監(jiān)——他們并不清楚AI可以做什么。我曾在一個活動中和一位校友交談，我問她，“工作情況如何?”她說，“我找到了一份很棒的工作，我不會說出公司名字。我很開心，薪水不錯，還買了一輛新車。但老實說，教授，我在工作中真的很無聊。我仍然在用Excel做報告和創(chuàng)建可視化圖表。你們教了我們很多東西——強化學(xué)習(xí)、深度學(xué)習(xí)——但我的公司沒有管理者和高管能給我們提供可以用這些技術(shù)解決的問題。”

這就是我所說的公司內(nèi)部的需求方問題。我們一直在通過高管教育來努力培養(yǎng)高管群體，教育他們。“看看，你們坐擁大量數(shù)據(jù)。你們做了很多錯誤決策，因為你們把相關(guān)性和因果性混淆了。讓我們開始攀登AI的高峰吧!讓我們開始創(chuàng)造業(yè)務(wù)價值!”

Michael Krigsman：Arslan Khan問：“如果企業(yè)在進(jìn)行可能直接影響人們生活的AI應(yīng)用，比如在金融、住房、就業(yè)等領(lǐng)域，是否需要某種政府機構(gòu)來提供制衡機制?”換句話說，“你們?nèi)绾慰创贏I領(lǐng)域的監(jiān)管和政策制定?”

Anindya Ghose：確實有監(jiān)管的潛力，但目前沒人知道這種監(jiān)管應(yīng)該是什么樣的。我建議保持謹(jǐn)慎。是的，新技術(shù)可能被濫用或得到良好使用，因此有些監(jiān)管的空間，但我們不能操之過急走得太遠(yuǎn)，因為我們——包括我們自己——還在學(xué)習(xí)。我們還不知道需要監(jiān)管的具體內(nèi)容。這是我的總體看法。當(dāng)然，情況可能更加復(fù)雜，但簡而言之就是這樣。

Ravi Bapna：在結(jié)束之前，你對企業(yè)界的朋友們有什么最后的建議嗎?

Anindya Ghose：請閱讀我們的書，這不是因為我們想賣書，而是因為Ravi和我在過去20年里付出了大量心血——加起來就是40年!我們迫不及待想與大家分享這些知識。如果可以的話，我愿意免費贈書。只是我們沒有這種能力。我們希望你們能傳播這個信息。我們盡力使這些內(nèi)容變得淺顯易懂，并期待聽到你們的反饋。

Ravi Bapna：我完全同意。這項技術(shù)將長期存在。如果我們正確使用，所有早期的研究都表明我們將看到生產(chǎn)力的提高。我們不會取代人類的勞動，而是以正確的方式增強它。領(lǐng)導(dǎo)者需要加速學(xué)習(xí)，教育自己，并找到更好的工作方法。社會上有很多需要解決的挑戰(zhàn)，企業(yè)有創(chuàng)新的空間。AI將是實現(xiàn)這一目標(biāo)的能力。

正如Anindya所說，我們很高興充當(dāng)向?qū)?，幫助大家攀登這座AI高峰。

Michael Krigsman：你們與許多不同規(guī)模的組織合作，能否指出一個最大的絆腳石是什么?最大的挑戰(zhàn)是什么?你建議如何解決它?

Ravi Bapna：就是我們一開始提到的那三個“I”：惰性、缺乏意識(我們稱之為無知——可能這個詞有點嚴(yán)厲，但的確如此)，再深入一點，就是缺乏想象力和創(chuàng)造力。Anindya和我討論過，這些都會導(dǎo)致缺乏創(chuàng)新。這是我們一再看到的現(xiàn)象;我們知道問題的癥結(jié)所在。它是在人的層面上。

Anindya Ghose：我來給一個長期的觀點。我合作的許多管理者——包括CEO——都在考慮下一季度。“我如何讓下一季度表現(xiàn)得好?”但當(dāng)你思考基于AI的轉(zhuǎn)型時，這不是三到六個月的旅程。這是一段長期的旅程，所以不要指望立竿見影的效果。要意識到長期的規(guī)劃，相信我們，采用AI，從長遠(yuǎn)來看，它會有回報的。

Michael Krigsman：非常感謝Anindya Ghose和Ravi Bapna。謝謝你們花時間與我們在一起，我非常感激。

Ravi Bapna：感謝你邀請我們。

Anindya Ghose：非常感謝你們的邀請。

企業(yè)網(wǎng)D1net(m.r5u5c.cn)：

國內(nèi)主流的to B IT門戶，旗下運營國內(nèi)最大的甲方CIO專家?guī)旌椭橇敵黾吧缃黄脚_-信眾智(www.cioall.com)。旗下運營19個IT行業(yè)公眾號(微信搜索D1net即可關(guān)注)。

版權(quán)聲明：本文為企業(yè)網(wǎng)D1Net編譯，轉(zhuǎn)載需在文章開頭注明出處為：企業(yè)網(wǎng)D1Net，如果不注明出處，企業(yè)網(wǎng)D1Net將保留追究其法律責(zé)任的權(quán)利。