创新指南｜生成式AI实验 - 企业快速渐进采用人工智能的科学新方法-Toy模板网

这篇具有很好参考价值的文章主要介绍了创新指南｜生成式AI实验 - 企业快速渐进采用人工智能的科学新方法。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

生成式人工智能（Gen AI）正迅速成为各行各业的企业创新焦点。生成式AI实验对于企业创新而言至关重要，不仅可以帮助企业识别最适合和最有影响的应用场景，还能促进组织沿着生成式 AI 学习曲线前进，建立早期的创新领导者和AI人才梯队，为未来的AI创新发展奠定基础。企业应谨慎选择AI实验起点，有意识地管理生成式 AI 的风险，并实施负责任的 AI 实践。

2023年火热的AI炒作，让众多企业进入2024都面临着同一个公司策略问题：我的企业该如何开始运用生成式 AI？

生成式 AI（Gen AI），专注于利用已有知识创造新内容的人工智能技术。Gen AI 拥有改变众多行业和功能的巨大潜力，并在过去几个月里迅速普及。

首先要明确的是，这是一个快速变化的创新领域，企业在采纳时必须小心谨慎。这项颠覆式技术也存在不少风险，包括误导信息、归属缺失、偏见和有害内容等。我们已经看到了许多不准确的声明，这通常称为“错觉”。在将这项技术推向终端用户和客户之前，必须进行人工监督以防范这些风险。本文不打算深入探讨技术风险，而是建议各公司负责任地试验这项技术，比如采用“负责任的AI”等方法。

本创新指南将介绍企业探索实验生成式AI的重要性，快速AI实验的益处，如何挑选最合适的应用场景，以及成功实验所需的能力和技术设施。

1. 为什么要生成式AI实验

让我们回溯一下历史。2000 年代初，互联网的出现带来了空前的颠覆。我们见证了电商的兴起，亚马逊（Amazon）、易趣（Ebay）和阿里巴巴（Alibaba）等公司迅速崛起。媒体行业也经历了巨大的变革：报纸和杂志转向线上，Netflix 和 YouTube 这样的新兴流媒体服务让观众能够随时观看内容。Expedia 和 Booking.com 等公司让旅行者更容易比价和预订航班、酒店和租车服务，绕过了传统旅行社。互联网为企业提供了新的客户接触渠道，从而颠覆了广告行业。总的来说，互联网在 2000 年代初影响了众多行业，迫使公司不得不适应新变化或面临被淘汰的风险。

类似地，像 ChatGPT 这样的生成式 AI 创新不容小觑。如果您管理的是一个企业组织，这同样适用于您的客户和员工（他们可能已经在使用这项技术）。生成式 AI 有可能影响诸多行业，从分子生成到客户服务，从产品设计到内容开发，涵盖艺术、设计、营销和娱乐等领域。通过利用现有数据创造新内容，生成式 AI 能够帮助企业节约时间和资源，同时仍能产出高质量和可信度高的成果。

那些能够在与客户接触时提供智能服务的公司将获得先发优势。看看Microsoft. Adobe和雀巢就是典型的领先案例。

创新指南｜生成式AI实验 - 企业快速渐进采用人工智能的科学新方法,人工智能

生成式AI新兴应用的价值在以下7个大领域得到显现：

(1) 市场营销：我们正见证生成式 AI 营销应用的快速涌现，从生成型产品设计到内容个性化。还包括自动化用户界面设计，这加速了广告活动和产品登陆页面的创建。实际上，有些创新能基于单一提示立即生成数百个活动构思，实现实验和个性化的爆炸式增长。这些创新为缩短营销周期和提高更有针对性的活动交付创造了机会。

(2) 技能培训：虽然像 ChatGPT 这样的工具可能还未完全适合最终用户使用，但它们已能用来创建现有知识库的初稿或概要。正如前所述，这些生成式 AI 的输出需要人工审查以产生最终内容。除了文本创作，还有如 ElevenLabs 和 Synthesia.io 这样的新兴生成式 AI 技术能生成语音和视频。文本、语音和视频的结合将加速培训开发流程，有助于员工入职、产品培训和其他许多应用场景。

创新指南｜生成式AI实验 - 企业快速渐进采用人工智能的科学新方法,人工智能

(3) 代码生成：OpenAI 的重大创新之一，Codex，可以理解自然语言并自动编写代码。它被用于支持 Github 的 Copilot，这是一种能根据文字提示编写代码的工具。Copilot 可以作为插件添加到常用编程工具，例如 Visual Studio Code。根据 Github 的数据，代码自动生成能大幅提升工程师的工作效率，提升幅度高达 88%。它还能减少错误，帮助开发者更多地专注于测试和功能提升等增值活动。

(4) 企业搜索：多年来公司积累了大量内部知识，通常储存在内部门户和搜索引擎中。过去，获取这些知识需要依靠预设的索引导航。生成式 AI 则有可能通过文本提示来简化知识搜索。企业搜索使公司能够迅速获取其全部数据资料，从而更广泛、更快速地分享知识。采纳生成式 AI 的先行者正在整合他们的内部知识库，并将其应用于生成式 AI 模型中。这使得员工在寻找知识时能够提出更相关的问题，有助于他们更有效地工作和学习。

(5) 客户服务：现今客户期待获得个性化体验，并对其交易的公司提出更高要求。生成式 AI 可以通过生成个性化推荐和动态内容来满足这些期待，并提供快捷方便的客户支持。在过去十年中，客户变得更懂得数字技术和数据。因此，他们追求个性化和快速响应，在他们选择的时间，通过他们偏好的渠道（聊天、移动、网站、面对面）获得服务。能够在与客户接触时提供及时智能服务的公司将走在行业前沿。

(6) 经营分析：生成式 AI 能帮助公司通过数据驱动的方式获得传统方法无法达到的洞察。目前，生成式 AI 模型在提供精确结果和处理数字或逻辑问题方面还存在困难。然而，新兴的性能结果显示，生成式 AI 模型在训练成本和实施工作量方面已经开始超越传统的 AI 分类模型，如图像分类。鉴于生成式 AI 领域的快速发展，我预计这些准确性的不足将在未来几个月得到解决。

(7) 流程自动化：生成式 AI 能够帮助公司通过自动化重复性工作和简化流程来节约时间和资源。这不仅可以降低成本，提高效率，还能为更多战略性的项目释放资源。早期的实验结果显示，在文本内容生成相关任务中，可以达到 50% 到 90% 的效率提升，准确率在 85% 到 90% 之间。

2. 如何构建生成式AI实验场景

快速实验对于推动生成式 AI 的广泛应用至关重要。通过迅速测试和迭代各种模型和应用场景，组织可以快速识别哪些方法有效、哪些不行，从而更好地决定哪些策略最有效，哪些准备好大规模推广。

企业需要全面考虑他们当前和未来的模型，识别全面机会模式下的应用场景。首先，他们需要了解生成式AI如何影响客户体验。其次，公司需要考虑生成式AI如何创新产品和服务。第三，公司需评估生成式 AI如何提高运营效率。最后，公司需构建能力，扩大生成式AI的应用。

(1) 客户体验：专注于改善全程客户体验的用例。包括个性化的产品或服务推荐、聊天机器人和虚拟助手、动态内容生成（如网站文案、营销材料）以及自动化客户服务。例如：

利用生成式 AI 的力量，公司能够提升客户参与度，提高客户满意度，并推动业务增长。
数字营销和聊天机器人的能力可以通过生成式 AI 的自然语言处理（NLP）能力得到提升。

(2) 产品和服务：专注于通过自动化重复性和耗时任务来加速产品创新的用例（如自动生成产品描述、提出产品特性）。例如：

在医疗保健研发中，生成式 AI 用于提出新疗法和生成分子组合。
生成式 AI 将用于创造更个性化的产品特性（如个性化条款、个性化药物等）。

(3) 业务运营：专注于提升效率、减少手动工作和内容生成。例如：

在数字营销领域，生成式 AI 用于快速生成和迭代产品图像和营销文案。
在回应请求提案（RFP）时，组织正在使用生成式 AI 制作初稿。
生成式 AI 能够总结文档（如会议记录、法律文件）。
公司正在尝试使用他们自己的知识库训练大语言模型，这将帮助员工通过自然语言界面访问所有企业知识。

(4) 生成式 AI 能力：在这一领域，公司将专注于建立关键能力，以便解锁更广泛的应用。例如：

负责任的 AI 将使公司能够测试 AI 模型的偏见和不良行为，并加以消除，这将使高层领导和监管者更有信心谨慎、深思熟虑地推进。
数据科学将帮助实施和微调模型，对于持续测试新的大语言模型和构建特殊用途模型至关重要。

实验生成式 AI 将需要对行业的深入了解、数据科学和负责任 AI 的技术专长，以及数字化产品开发经验。

创新指南｜生成式AI实验 - 企业快速渐进采用人工智能的科学新方法,人工智能

3. 如何优选生成式AI的实验场景

在考虑进行生成式 AI 的实验时，关键在于慎重选择最有可能从这项技术中受益的应用场景。这可能需要考虑的因素包括所生成内容的类型、目标受众，以及进行实验的可用资源。以下是一份初步的标准列表，帮助您优先考虑生成式 AI 的应用场景：

(1) 创造价值：这一标准关注生成式 AI 应用场景在创造价值方面的潜力。那些有可能显著提升收入、降低成本或提高效率的应用场景应该被优先考虑。这种方法有助于快速建立动力，并在早期形成良性循环。

(2) 战略契合：接下来，企业应当选择与其商业战略和优先事项相符合的应用场景。这包括改善客户体验、加速产品上市和降低成本等。例如，如果一家公司致力于提升客户体验，那么能够提供个性化推荐或创新产品描述的生成式 AI 应用场景就会非常合适。

(3) 功能可行性：重点关注在文本、图像、语音、视频等内容生成方面能带来好处的应用场景。目前，文本和图像领域已有多个生成式 AI 应用，并且我预计在未来几个月内其他类型的内容也将迅速发展。

(4) 技术可行性：此标准涵盖数据可用性、内容策划、技术能力、安全性、数据隐私、性能等因素。

(5) 风险与收益：最后，评估实施生成式 AI 应用场景的风险非常重要。其中一个需要考虑的风险是内部知识的保护。组织需要注意，与公共语言模型（如 OpenAI 的 ChatGPT）共享的数据可能会被任何人访问，因此建议实施私有模型或在分享前清洗数据。另一个需要考虑的风险是模型输出可能存在的不准确性、偏见或有害内容。目前，建议将生成式 AI 应用优先于内部用户，而不是最终客户。为了应对这些风险，组织需要建立负责任的 AI 实践，监控风险并就实施提供指导。

4. 生成式AI实验所需的技能

开展生成式AI实验不仅需要对行业有深入的理解，还需要在数据科学、负责任 AI 和产品开发方面具备技术专长。此外，强烈的业务和领域知识也非常重要，以确保AI实验与公司的目标和目标一致。

组建一个全能型的AI创新实验团队，针对每个应用场景，大致需要以下角色：

生成式 AI 产品负责人：负责明确生成式 AI 应用场景的价值，并领导跨学科团队。他们需要深谙生成式 AI，理解其如何创造价值并管理风险（例如偏见、有害内容和不准确性）。
业务分析师：深入了解需解决的具体业务场景（如优化、创新），并理解生成式 AI 解决方案如何融入业务流程。他们在定义需求、策划知识、用户测试和实施方面发挥着关键作用。
生成式 AI UX/UI 设计师：与业务分析师合作，识别每个用户角色的痛点和需求。设计师负责开发、测试并迭代用户界面设计，交付视觉指南、UI 线框图和可点击原型，为工程师构建应用层提供必要支持。
数据科学家：负责实施和测试生成式 AI 模型，微调大语言模型（LLM）设置，建立模型监督措施，并输入训练数据。他们还需告知模型的能力限制，并就准确性和负责任 AI 提出风险警告。
数据工程师：负责构建生成式 AI 的平台基础设施和与大语言模型（LLM）组件的 API 集成，实现数据和内容流程，开发测试自动化用例，以及构建面向最终用户的前端应用程序。
DevOps 和 SRE 工程师：为生成式 AI 工程师和数据科学家提供所需的基础设施即代码、大语言模型（LLM）监控和运营，以及数据内容管道的批量调度和模型训练。