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。