《人工智能转型手册》读后感

传送门:原文链接 中文翻译

看完记住了什么

  • 企业进行AI赋能,更高效的策略是要先行动起来,用小范围的实践碰撞出AI的落地点。
  • 在初期AI实践项目的选择上,要选择那些好衡量、好落地、容易出效果的点。
    • 用初期实践项目取得的成果,作为AI赋能至更多业务场景的背书。
    • 增加进一步结合实践的信心。
  • 企业做AI要结合自身业务行业背景,结合自身业务经验知识储备优势,发展出适合自身所处行业背景下的「特色应用」,而非通用AI应用场景(这部分交由Google等大公司来搞吧,自己来做,投入产出比过低)。
  • 识别内外团队能力边界,更好的利用外部团队的研究成果,加速企业内部AI项目的落地。
  • 自上而下的认知,企业不同层级对AI赋能边界的认知,避开不适合AI来做的点,聚焦在更适合来探索实践的方向。
  • 储备更有意义的数据。AI团队的更早加入,随着数据模型探索的开展,将有利于公司数据团队发掘储备更多利于未来业务开展的核心数据维度。而基于AI的特点,数据储备的越早,AI模型的价值就利于更早的发挥出来,更快的落地,正向循环,以致建立商业优势的护城河。
  • 有更多的企业实践成功案例,也为业务AI团队的招聘建立优势。

韩都这边的实践

  • 初期结合贯穿电商运营的核心节拍器销量预测进行了一波数据探索,根据数据模型探索结果,最终确定以大活动销量预测作为初期实践项目。
    • 电商以平台活动脉动的运营节奏,使得活动销量预测对电商运营来说意义颇重。
    • 企业自身也会进行业务专家的活动销量预测,有了人工预测结果,便于模型预测效果的业务衡量。初期模型目标定为达到业务专家的预测水平。
    • 目前实践的结果,基本与业务专家预测效果持平,持续优化中。
  • 其它方向的应用:
    • 封装了AI接口平台「矩阵」,向各业务系统输出AI能力。
    • 商品推荐:结合商品销售数据与商品元素属性,进行关联规则、协同过滤以及货品相似性推荐。结合企业内部的BI系统进行发布落地。
    • 水滴相关性探索平台:将AI探索过程中发掘的数据规律进行集中展示的地方,给运营人员提供业务分析的新视角。
  • 与外部团队的合作:
    • 结合阿里nlp的评价分析应用。
    • 结合百度识图的图片相似度应用,货品图片查重,相似竞品查找等。
  • 数据储备:
    • 韩都核心内部系统全部自研,内部系统数据打通汇流于HBI(韩都商业智能系统)。AI模型所需数据基本可从HBI一点获取,数据获取成本低,数据质量高。
    • 在早期的模型探索中,也发掘反哺出一些有意义的数据特征维度,在HBI中进行沉淀,蓄势待发。
  • 人员招聘。。说多了都是泪。