译者 | 李睿
审校 | 重楼
计划在组织内部引入人工智能/机器学习的产品经理通常会提出这样一个问题：“我从哪里开始着手？”对于缺乏该领域经验的组织来说，深入研究人工智能/机器学习可能会让人感到不知所措。构建机器学习产品需要不同类型的技能和流程，而这些技能和流程需要逐步被吸纳并融入组织的日常运作中。
事实表明，成功的关键在于从小处着手，并且需要具有战略眼光。组织启用首个人工智能/机器学习项目的目标是，在不会造成太多干扰的情况下，使组织逐步熟悉并接纳机器学习技术。这可以帮助组织建立必要的基础设施，并为致力成为人工智能/机器学习驱动的组织奠定基础。
从“容易实现的目标”开始
最好的方法是从“容易实现的目标”开始——这些项目相对容易实现，但可以提供清晰和可衡量的商业价值。
人工智能/机器学习项目中容易实现的目标通常具有以下特征：
- 对现有工作流程的干扰最小。这些项目可以与组织当前的业务无缝集成。例如，可以使用机器学习自动执行通常需要人工完成的多步骤任务的一个阶段。
- 明确的成功指标，便于从一开始就衡量结果。例如，它可以是每项任务节省的时间或在特定时间内完成的工作量。
- 快速实施时间表，需长时间等待就能看到价值。得益于生成式人工智能工具，许多原型和概念验证项目的实施时间表正在缩短。
组织选择首个人工智能/机器学习项目的标准
组织在选择首个人工智能/机器学习项目时，需要关注三个关键因素：数据可用性、流程特征和影响。
1.数据可用性
组织可以从已经拥有大量数据的任务开始，最好是数据仓库中干净且结构化的数据。如果没有这样的数据，那就寻找拥有大量非结构化文档的领域，这些文档具有很大的价值。在许多情况下，可以从原始文档中获得很多价值，或者用最少的注释就可以使其准备就绪。
如果没有可用的数据，可以寻找数据收集或创建容易且成本低的任务，并且最好由小团队执行。确保计划使用的数据符合隐私和监管标准。
2.流程特征
寻找涉及大量人工工作且过于复杂以至于无法通过基于规则的简单方法实现自动化的流程。如果这是一项重复但人工难以编码的任务，那么这是一个很好的迹象，表明它可以从人工智能中受益。具有明确的输入输出关系和可预测模式的任务是机器学习的理想选择。
此外，还要尝试选择一个对其他系统或团队的依赖最小的项目，这样组织就可以控制流程并快速交付结果。为了降低入门门槛，可以选择无需完全自动化即可改进的任务。例如，即使机器学习模型只能将任务速度提高10%～15%，也可能为组织带来巨大的价值。
3.影响
在理想情况下，人工智能/机器学习项目应该通过节省成本或提高效率来交付可量化的投资回报率（ROI）。但是组织启用首个项目的重点应该是熟悉构建机器学习产品的过程。采用机器学习需要许多支持功能，例如建立数据管道和模型服务平台、性能监控和模型再训练。在采用大型人工智能/机器学习项目之前，一个小项目可以帮助组织逐步试验和构建这些部分。
人工智能/机器学习项目的实际示例
以下是许多组织首次尝试机器学习时成功实施的人工智能/机器学习项目的两个实际示例。
1.客户支持票据分类
对于在线服务大量客户的组织来说，这通常是一个很好的项目，因为可能已经有数千张票据来训练其模型。此外，票据通常有很多非结构化的文本，无法通过基于规则的方法进行分类，这使得它们适用于机器学习。
处理票据需要阅读许多内容，这可能会花费很多时间。机器学习可以节省大量时间。票据分类是简单的第一步，可以快速实现并集成到现有的工作流程中，而不会中断它们。客户服务人员可以逐步地将机器学习系统纳入他们的工作流程，建立信任，并提供有助于改进底层模型的反馈。
得益于大型语言模型（LLM），票据分类可以很容易地实现，而不需要训练自己的模型。组织可以使用少量带注释的示例获得良好的结果，并且随着收集到更多数据，可以逐步提高模型性能。一旦拥有足够多的示例，最终可以为该任务训练专用模型。此外，LLM还可以帮助生成其他见解，例如行动项目和摘要。
同样的流程可以应用于任何其他需要文档分类的任务，例如电子邮件、合同、简历等。
2.文档处理/数据提取
合同、发票和采购订单等文档采用不同的格式，无法使用基于规则的方法轻松处理。如果组织处理大量这样的文档，那么从其中提取信息可能是一个很好的起点，可以凸显机器学习在组织中的价值。
创建用于提取文档数据的机器学习系统非常容易，特别是对于LLM来说。与前面的示例一样，可以轻松地创建一个具有几个文档和预期结果的工作系统。组织还可以设计提示，以获得可以轻松输入到下游系统的格式化输出。
此外，可以从小处开始，只指示模型提取非常基本的信息，从而让用户有更多时间处理更复杂的任务。该模型可以轻松监控，并与现有流程进行验证。随着收集到更多数据，可以逐步将更多工作负载转移到模型上，包括对文档内容进行推理和总结。
实施文档提取系统并将其集成到现有工具中将会十分简单。投资回报率（ROI）清晰明确，用户将立即看到减少人工输入的好处，这将有助于获得利益相关者对未来机器学习项目的支持。
需要注意的是，组织启用的首个人工智能项目/机器学习的目标不是在一夜之间改变自己的业务，而是证明机器学习在组织中的价值，并为未来的计划提供动力。因此，组织可以从小处着手，专注于快速的成功，并在这一基础上不断发展。
原文标题：How to start with machine learning in your organization，作者：Ben Dickson