“通往可信赖和价值驱动的人工智能之路：从提出正确的问题开始”

Building Trustworthy and Value-Driven AI Starting with Asking the Right Questions

迈向构建更好AI解决方案的第一步。

最近生成式AI的进展引起了企业的关注，无论其规模如何，都在实施这项技术以获得可观的商业利益。然而，许多组织在快速采用现有的AI模型或着手开发自己的模型时，并没有对他们希望解决的挑战进行战略评估，也没有评估他们对AI集成的准备程度。

尽管AI无疑提供了加速增长、增加收入和提高客户满意度的潜力，但要提取其真正的价值，就需要为技术创造一个有利的环境。

作为一名高级主管，你很可能会遇到各种利益相关者的支持，无论是你的董事会、已经从AI中受益的竞争对手，还是第三方实体，他们都会为你的组织推动AI采用。当前的行业格局不仅需要大量的AI解决方案，还需要可信赖和价值驱动的解决方案。

多年来，我在为许多组织工作和咨询中有幸帮助客户设计和构建与他们的使命相一致且能推动他们使命的AI能力。今天，我将分享“可信赖和价值驱动的AI之路”，意在引导读者在他们的旅程中更接近创造价值驱动的解决方案，远离围绕AI的过度炒作。

• 在大型语言模型（LLM）时代平衡创新与安全与隐私
• 使用Zipper快速构建无服务器应用程序：编写TypeScript，将其他所有工作卸载
• VoAGI新闻，9月20日：Python在Excel中：这将永久改变数据科学 • 新的VoAGI调查！

我们从哪里开始？

首先，始终从“为什么”开始。虽然这似乎是显而易见的，但许多组织关注的是“什么”。除了简单地确定正确的解决方案或答案之外，还必须提出正确的问题——那些能够真正释放价值的有意义的问题，即使它们具有挑战性。正如西蒙·西涅克在他的书中所表达的那样：

“一切都始于为什么。”

确定可解决且具有巨大潜力的最关键问题至关重要。只有在理解这一点之后，尤其是在AI实施中，才可以进行有针对性的行动。彻底审查问题的根本原因需要谨慎和审慎的方法。经常情况下，这项工作可能是一项复杂而费力的任务，特别是当面临复杂困难时。你的信息中的模糊不清可能会增加定义问题的复杂性。企业必须展示好奇心和勇气，在正确的背景下不断提出正确的问题。

在认知科学中，人们普遍知道推理有两个不同的认知系统。系统1是快速的，侧重于即时可用的信息，通常由“你所见即所得”（WYSIATI）原则总结。它擅长于快速发现关联，连接线索，并迅速构建一个连贯的故事。正如亚当·格兰特在他的书《Originals》中指出的：

“人们无法帮助自己看到信号，即使在噪音中。”

另一方面，系统2被认为是更近期发展的，大多数理论家认为它是独特的人类思维。系统2的思维方式是缓慢和顺序的。尽管它的方法很有条理，但系统2使得抽象和假设性思考成为可能，这是系统1无法做到的。

这些认知系统的动态在商业领域中明显可见。组织经常在两个极端之间摇摆。在光谱的一端，有一种倾向于迅速做出选择，这是因为迅速行动的吸引力。这可能导致在不充分审查可用信息的充分性或相关性的情况下做出决策。这种急于行动的紧迫感可能导致策略不协调或忽视细微差别。在光谱的另一端，有些组织变得过于谨慎，并进行详尽的讨论。他们可能会浏览无数的PowerPoint演示文稿、报告和会议，以评估每一个可用信息。虽然严谨性值得赞赏，但这种方法有时会导致“分析麻痹”，即数据和观点的压倒性数量阻碍而不是促进决策。企业必须平衡这两个极端，以做出明智、及时和有效的决策。

在企业界，术语“快速成功”和“低悬果实”经常引起共鸣。然而，组织常常会为“概念验证”（POC）投入大量时间，通常是数周或数月，并投入大量财力资源用于工具、云基础设施和其他相关成本。

具有讽刺意味的是，这些概念验证有时旨在自动化一些手动执行只需几分钟的流程。为了有效利用人工智能的能力并获得可衡量的投资回报（ROI），必须明智地分配资源。在识别真正的人工智能应用机会时进行战略判断，而不是为了自动化而追求自动化，对确保投资产生有意义和可持续结果非常重要。

其次，保持专注，避免追求闪光物体综合症。被最新的创新和趋势所吸引是很容易的。追求“闪光物体综合症”即追逐最新的技术或趋势，而不充分意识到它们的影响和对商业目标的一致性，可能是有害的。企业经常在最新的流行词上大量投资：有时是机器学习，下一刻是深度学习，然后聚光灯转向生成式人工智能。这种频繁的关注转移可能导致大量的支出，却没有相应的投资回报。

然而，关键是记住已经确定的问题并致力于解决它。这种专注确保更有效地利用资源，并最大限度地释放真正的价值。虽然紧跟技术进步非常重要，但确保这些创新服务于组织的核心目标，并且不分散注意力和资源至关重要。

此外，他们无疑会面临不确定性和“未知的未知”。这些是未预料到的挑战或最初未考虑的变量，但可能对问题解决产生重大影响。在这种情况下，组织必须为实验分配一个缓冲区，以实现适应性和灵活性。这样可以通过从意外结果中学习和根据实际反馈调整策略。

此外，在过程的早期阶段引入主题专家是至关重要的。凭借他们广泛的知识和经验，这些专家可以提供宝贵的见解，指导实验过程，并帮助解决复杂性，确保组织朝着具有影响力的解决方案和实现价值的道路前进。

最后，采取行动。一旦组织彻底理解问题并考虑到潜在的不确定性，下一个关键步骤是采取连贯的行动。连贯的行动意味着每一步都与总体目标一致，并与理解问题和实验阶段一致。这不仅仅是实施解决方案，而是确保它们是协同的，相互建立以创建一个整体的方法。

这需要战略远见、战术执行和持续的反馈循环，以根据需要调整方向。还需要创建一种合作文化，跨职能团队合作，利用其独特的专业知识推动解决方案的发展。通过确保行动连贯和一致，组织可以优化自己的努力，减少冗余，并加快从问题识别到解决方案实施的路径。

最后，AI实施的旅程与问题或挑战的解决方案一样重要。AI的变革承诺有时可能超过其实际用途。然而，以技术为先的方法——选择AI，然后寻找要解决的挑战——可能导致不一致的策略和不令人满意的结果。

通过问出正确的问题，组织可以确保它们不仅仅是利用AI的宣传，而是利用其真正的能力来解决特定挑战。这种以问题为先的方法确保AI作为一种适应公司特定需求的工具，而不是组织为了满足技术的限制而屈服。简而言之，AI实施的成功取决于目标的明确性，这是通过从一开始就问出正确的问题获得的。

关于作者：

Hajar是一位人工智能倡导者、演讲者和顾问，她重视技术、创新和卓越。

她帮助使命驱动型组织充分利用数据和人工智能的力量，最大化其影响力。她以倾听客户需求、打造建构良好、创新且价值驱动的解决方案为荣，帮助客户实现他们的目标。

她的LinkedIn和Twitter账号如下。