AI黄金热潮中的导航：揭示企业冒险中技术债务的隐藏成本
Navigating the AI Gold Rush Revealing the Hidden Costs of Technical Debt in Enterprise Ventures
在过去的一年里，人工智能引起了企业领导者的关注，促使他们加快对人工智能公司的投资或加快推出自己的产品以赶上潮流。然而，在加入这个新的技术进步时代的急迫中，对于新手来说，他们可能没有考虑到一个重要因素，即在投资或创建新的人工智能产品时应该放在首要考虑的位置上：技术债务。
尽管技术债务的概念并不新鲜，但与常规软件服务相比，人工智能技术带来了一种不同类型的技术债务。随着人工智能的快速发展，这个重要问题也随之增长。
什么是技术债务？
技术债务，简单来说，就是在创建软件时积累了质量低劣的代码。这通常源于加快上市时间以满足业务需求，或者为了更快地获得客户反馈而推出产品。在考虑技术债务时，重要的是要关注它的蓄意性，因为决策者通常对软件的风险和因速度而采取捷径的影响有所了解。人工智能的出现给技术债务带来了不同和独特的挑战，以及可能导致的重大风险和后果。
随着人工智能系统逐渐老化，其训练数据变得不准确和过时，投资于人工智能的成本现在超过了维护高质量训练数据所需的时间和投资，也就是所谓的数据卫生。
让我们探讨一下技术债务是如何积累的，它对利润的影响以及组织如何解决它。
组织如何获得技术债务？
软件积累技术债务有两种方式。一种是通过糟糕的代码。组织可能购买产品或通过并购活动继承产品，只是后来发现质量问题，加之变化和创新速度缓慢。另一种方式是领导人有意选择承担技术债务。
当涉及到人工智能时，超过72%的领导者希望采用人工智能来提高员工生产力，然而，实施人工智能的最大担忧是数据质量和控制。对一个组织来说，使用一款被推广用于提高生产力的产品，同时将时间从持续解决由技术债务引起的任何质量问题的重要工作中分散出去，似乎是逆向作用。但是，未来增加的生产力承诺超过了当前可能导致软件长期遭受损失的障碍。
模型漂移：一种新型的技术债务
随着对人工智能的投资增加，组织们急于推进上市战略以从生成式人工智能矿藏中获利。虽然这可能作为短期收入驱动因素，但组织正在忽视可能导致大量技术债务的问题，即模型漂移。
当人工智能系统的性能开始下降，输出变得不太准确时，就会发生模型漂移，这是由于训练数据的老化。从人工智能的生命周期来看，显然需要持续维护和更新训练数据，以确保机器提供的响应尽可能准确，这就是问题的关键所在。当急于推出解决方案时，决策者通常会将获取额外的训练数据、维护系统的数据卫生以及确保有足够的人力支持这些任务等问题放在次要位置。
随着训练数据的不断老化和现实与输出之间的差距扩大，组织将面临越来越高的成本和时间来解决这些差距，这些差距本来可以通过适当的规划程序和协议避免。简而言之：在规划上市战略时跳过下一步可能会加快交付，但在长期来看，这是不值得的，因为必然会以多种方式造成损失。
技术债务对利润的影响
技术债务也会深刻影响组织的效率，例如考虑销售团队。当技术债务开始积累，变化速度减慢时，销售代表很难吸引客户，这会降低成交率，最终导致收入流失。
除了销售，技术债务还严重影响开发团队。不仅需要更多时间用于更新代码，而且这种注意力转移实际上推迟了创新。通过将注意力和时间转向维护，产品路线图就会延迟或被放弃，从而产生连锁反应，最终可能导致工程和商业部门之间的不信任。没有产品路线图可供跟随，销售团队要么无法兑现承诺，要么无法向潜在客户展示任何东西，这再次严重影响收入。
如何解决技术债务
随着交付可预测性的下降，组织将开始看到组织效率的崩溃，从而引发对如何解决当前挑战的讨论。决策者可以利用两种方法来应对技术债务。第一种是完全放弃平台和代码，重新平台化，或者采取小的渐进式变化，类似于逐一清理卧室中的物品，最终使系统达到速度。
第一种方法，重新平台化，需要对系统进行彻底改造，这是一个巨大而昂贵的风险。类似于大规模的建设过程，任何进度延误都可能打乱产品时间表，并可能导致整个努力失败。不过，这种方法有时也可以奏效。以LinkedIn为例 – 在2011年IPO后，该公司对网站进行了重新平台化，并且现在是市场上的主要参与者。
更安全的方法是进行小的改变，最终累积成重大改进，这也是另一个使用案例的论据。由于开发人员已经每天与数据进行交互，进行一些微调可以改进系统，摆脱技术债务。这也有利于开发人员的技能，因为它要求他们与最新的代码和技术标准保持同步，从而使组织在技术上取得成功，减少技能差距。实施一项由工程师驱动的倡议，他们将20％的时间用于计划产品更新，是一个很好的开始。虽然这个过程比重新平台化要慢得多，但风险较小，仍然为业务模型产生价值。
在人工智能时代抛弃技术债务
随着人工智能领域的快速发展，我们将继续看到更多解决方案涌现，宣称带来生产力增长和组织效率。虽然这是真实的，但决策者在考虑解决方案的生命周期时必须优先考虑嵌入式技术，如持续的数据维护，并考虑到整体情况。投资人工智能并不需要成本高昂和压力重重，在规划和市场推广策略上进行一些小的变化，您可以避免下一堆技术债务。
