当您准备使用AI运行时，如何应用和优化算法

亚马逊最近推出的sagemaker人工智能服务是一个令人兴奋的新发展，但该程序并不能全部完成。现有的创新人工智能技术与有助于在您的特定情况下推动业务成果的人工智能解决方案之间存在明显的差距。使用SageMaker等产品就像拥有全新的特斯拉Model S: 这是一辆很棒的车，但如果你不知道怎么开车，它是一个巨大的电动镇纸。

我们在先前的企业家文章中与AI讨论了 “步行”; 现在是时候开始了。在Manifold，我们使用一种称为 “精益人工智能” 的方法与客户合作。我们的方法受到许多其他流行过程的启发，包括IDEO以人为中心的设计，敏捷软件开发，theLean启动方法和crisp-DM。精益人工智能有六个步骤: 理解、设计、建模、获取反馈、部署和验证。在这里，我将重点介绍优化人工智能所需的三个关键部分。

1.工程师: 停止玩耍

因为AI工程是软件工程，所以您需要使用良好的实践，例如源代码控制，代码审查和干净的接口等。许多数据科学家对 “在沙箱里玩” 感到内疚，但你应该总是像要生产一样构建。

在Manifold，我们已经实现的最重要的步骤之一是使用Docker来利用容器化的数据科学。由此产生的开发人员流程更加清洁和协作，最终效率更高。

人们使用工程软件的时间比使用人工智能解决方案的时间长得多。将现有的开发和运营最佳实践应用于人工智能系统将使您的流程尽可能高效。

2.型号: 从小开始，然后扩大规模

当将人工智能融入你的业务时，可能性似乎无穷无尽。不要让您的想象力发挥最大的作用-即使您有宏伟的计划，也要从简单开始并扩大规模。接受Insight Data Science的AI负责人Emmanuel Ameisen的建议，Insight Data Science是一个与Facebook和Zillow等硅谷大牌相关的博士后研究金计划: 高效的问题解决发生在最直接、最基本的层面。基线模型将持续提供卓越的最终产品，特别是对用户而言。

我们在过程中使用明确的规则来牢记简单性，尤其是在应用于有监督的学习问题时。我们相信首先要确定一些功能; 您以后可以随时添加更多功能。而且我们总是在回归之前开始分类-处理一定数量的值而不是连续值-因此我们可以从更明显的类错误中学习。

3.获取反馈: 看看 (许多) 人类的想法

归根结底，人类将不得不与你的人工智能的建议互动并理解它们。让你的人工智能出现在用户面前 -- 快。他们可以告诉人工智能什么时候推荐合理的东西，或者搜索结果是相关的。在我们的研究中，我们发现了两种主要模式: 对人工智能的怀疑和对原始预测进行后处理的需要。

人工智能模型很少立即获得信任，尤其是在以前没有使用过机器学习的人中。可解释的AI仍处于起步阶段，但是已经有很棒的软件包，例如tree ship，可以解释AI预测的 “原因”，从而使用户感到更加舒适。

我们还发现，人工智能的原始预测本身往往是不够的。有必要构建一个允许后处理的用户界面，以便用户可以走得更远一些来解决业务问题。我们的客户之一，一家领先的油田服务公司，拥有许多在 “压力” 情况下运行的压缩机单元。虽然原始的人工智能预测正确地预测了这些设备将很快发生故障，但这对维护技术人员来说并不是有用的信息。相反，他们想找到过渡到 “可能失败” 的 “正常” 单位。

为了解决这个问题，我们对原始预测的时间序列进行了后处理，并建立了一个用户界面，该界面仅在一个单元的故障概率发生重大变化时才提醒技术人员。这导致了更少的错误警报和更有用的AI，而效率却更少。对我们来说，重要的是用户界面或UI与AI一样重要。

人工智能可以比我们知道的更快地将企业加速到新的洞察力水平。然而，人工智能和机器学习仍处于相对初级阶段。由于这种新颖性，企业主和企业家可能会被这项技术吓倒，或者他们可能会在走路甚至爬行之前尝试使用它。取而代之的是，遵循一种久经考验的、有目的的、简单的和经过测试的工程实现方法，比如精益人工智能，来释放人工智能的真正潜力。