作者都是各自领域经过审查的专家,并撰写他们有经验的主题. 我们所有的内容都经过同行评审,并由同一领域的Toptal专家验证.
我第一次管理人工智能(AI)项目是在2020年, 当时我领导了一个尖端面部识别平台的开发. 我很快意识到,这项工作需要一种高度专业化的方法,专门针对人工智能驱动的创新的复杂性和独特挑战.
根据一项研究,只有54%的人工智能项目从试验阶段进入了生产阶段 2022年Gartner调查,原因不难理解. 人工智能项目管理 不仅仅是监督时间表和资源. 它要求理解数据依赖关系, 熟悉模型训练, 频繁的调整. 我意识到,人工智能项目的纯粹动态性需要一种全新的生命周期管理方法, 一是促进创新, 促进持续学习, 预测潜在的障碍, 并调整敏捷策略,以确保将复杂的概念成功地转化为符合业务目标并交付价值的功能性产品.
人工智能产品和服务开发投资快速增长. Crunchbase实际上数据 显示,今年投资于美国初创公司的四分之一的美元流向了与人工智能相关的公司,这一比例是2022年的两倍多. 从2017年到2022年,各组织对人工智能产品和服务的采用增加了一倍多, 根据麦肯锡 & 公司的 2022年全球人工智能调查, 预计这种指数级增长还将继续:63%的受访者“预计其组织在未来三年内的投资将增加”.“这一切都意味着需求 技术项目经理 毫无疑问也会增加吗.
本指南旨在帮助您驾驭这一新领域. 我剥离了人工智能项目管理的各个层面,将我的经验提炼成可操作的见解. 以下是人工智能项目考虑因素的概述, 我们遍历人工智能项目生命周期的基本阶段:业务理解, 数据发现, 模型构建与评价, 和部署.
人工智能产品开发与传统软件开发在几个关键方面有所不同. 以下是一些需要考虑的敏捷适应性:
这些调整确保框架能够解决人工智能产品开发带来的独特挑战, 在及时交付与最高质量和道德标准之间取得平衡.
现在您已经了解了敏捷的某些方面是如何不同的, 让我们来探索人工智能项目生命周期阶段,并深入了解每个阶段所涉及的内容.
成功的人工智能项目生命周期的启动始于对其旨在解决的业务需求的透彻理解. 这里的关键是将项目需求转化为能够指导AI系统开发的清晰而简洁的规范.
当我领导一家航空公司开发人工智能收益优化工具时, 我们首先确定业务需求:根据实时市场需求调整价格和可用性来增加收入. 这导致了精确规范的创建——从收入分析师那里收集数据并使用人工智能算法进行处理以提出最佳建议所需的工具 定价策略. 我们通过举办研讨会和访谈来细化规范,以明确收入分析师的角色和他们的痛点. 这个过程揭示了意味着解决方案既有用又可用的见解.
挑战在于确保以适当的方式利用人工智能. 人工智能擅长模式识别、数据分析和预测等任务. 像这样, 它非常适合我们的一些项目用例,因为它可以快速分析大量的市场数据, 识别趋势, 并提出准确的定价建议.
以下场景展示了如何将人工智能功能应用于最佳效果:
人工智能功能 | 场景 |
---|---|
预测分析 | 基于历史数据的股票市场趋势预测 |
自然语言处理 | 使用语音助手来理解人类的命令 |
图像识别 | 安全系统的身份验证 |
任务自动化 | 工资处理 |
决策 | 基于患者记录和医疗测试结果的医疗保健诊断 |
个性化 | 流媒体平台的推荐算法 |
相反, 人工智能解决方案在需要人类判断或创造力的领域将不那么有效, 例如解释模棱两可的数据或产生原创的想法.
动作的 2022年人工智能和机器学习现状报告 数据管理是人工智能计划的最大障碍, with 41% of respondents reporting it to be the biggest bottleneck; hence, 在人工智能项目生命周期开始时,健壮的数据发现的重要性怎么强调都不为过. 在一次 SaaS项目 此举旨在帮助会计分析师根据跨州法规评估销售税关系.
A 销售税联系 围绕一个原则,一个国家可以要求一个企业征收销售税,只有当该企业有显著的存在, 或联系, 在那种状态下. 但每个州对联结标准的定义不同. 我们的障碍不仅仅是无数的法规,还有伴随而来的庞大的、非结构化的数据集. 每个州都以不同的格式提供数据,没有统一的标准——有电子表格, pdf文档, 甚至是手写的笔记. 我们专注于了解我们所拥有的数据, 存在差距的地方, 如何通过一个简单的五步过程来弥合它们:
结果是一个非常有效的工具,可以提供实时销售税关联计算, 允许企业主动管理其税务义务,并清楚了解其风险敞口. SaaS平台提高了客户分析师的效率,并为流程带来了以前不可能实现的精度和速度.
选择合适的模型并不是放之四海而皆准的事情. 在模型评估阶段,您的决策过程应考虑以下因素:
准确性: 这个模型的效果如何? 测量其精确度是至关重要的, 从而确保模型在实际场景中是有效的.
可解释性: 特别是在决策可能需要解释的高度监管行业(如金融或医疗保健)。, 让模型的预测和解释可以理解是关键.
计算成本: 一个需要很长时间才能产生结果的模型可能是不可行的. 平衡计算效率和性能,特别是对于实时应用程序.
一旦建立了模型,真正的考验就开始了——衡量它的有效性. 评估阶段不仅仅是一个检查点, 就像在一个典型的软件开发过程中一样, 而是一个测试的循环过程, 迭代, 和细化.
您可能会认为,一旦建立并优化了模型, 它仍然是一个静态的完美,但是, 在现实中, 模型的功效可以像我们周围的世界一样动态. Appen的报告显示,91%的组织至少每季度更新一次机器学习模型.
以我们为酒店业开发的人工智能驱动工具为例. 其目标是优化设施的使用,以增加利润率. 要做到这一点, 我们使用机器学习模型来分析客人在各种酒店设施中的互动和行为. 一旦启动, 该系统善于识别模式,并根据空间利用率预测收入. 但随着时间的推移, 我们注意到它在性能上的细微差异, 一旦准确而深刻, 预言开始动摇. 这不是由于模型本身的任何固有缺陷, 而是反映了它所使用的数据不断变化的本质.
有几个固有的数据挑战使得定期模型评估成为必要:
数据漂移: 就像河流会在几千年里改变路线一样,输入模型的数据也会随着时间的推移而漂移. 我们的酒店项目, 客人人口统计的变化, 旅游新趋势, 甚至在附近引入一个受欢迎的景点也会显著改变客人的行为. 如果模型没有根据这些新数据重新校准,它的性能可能会下降.
概念漂移: 有时候,数据所代表的基本原理会发生变化. 奢侈品的概念就是一个很好的例子. 十年前,酒店的奢华可能意味着华丽的服装和私人员工. 今天,它可能意味着极简主义设计和高科技自动化. 如果一个受过老式奢侈品概念训练的模型没有更新, 这必然会误解今天客人的期望和行为.
Training-serving倾斜: 当用于训练模型的数据与它在现实场景中遇到的数据不同时,就会发生这种情况. 也许在训练期间, 我们的模型从商务旅行者那里获得了更多的数据, 但在实际应用中, 它从度假家庭那里获得了更多的数据. 这种偏差可能导致不准确的预测和建议.
部署阶段是人工智能项目中所有辛勤工作的高潮. 正是在这里,精心打造的模型超越了开发的局限,开始了解决实际业务挑战的旅程.
成功部署的本质不仅仅是引入一个新功能, 而且还涉及如何将其无缝整合到现有的生态系统中, 提供价值,对当前操作的干扰最小.
以下是我在自己的人工智能项目工作中看到并应用的一些有效的推广策略:
分阶段推出: 与其全面推出产品,不如先向一小群人介绍产品. 这允许进行实际测试,同时为不可预见的问题提供安全网. 随着对产品信心的增长,它可以逐步推广到更大的团队.
特性标志: 这种策略允许您发布新功能,但对用户隐藏它. 然后,您可以选择性地为特定用户或组启用它, 允许控制测试和逐步释放.
蓝色/绿色部署: 这里维护了两个生产环境. “蓝色”环境运行当前应用程序,而“绿色”环境运行新版本. 一旦在绿色环境中测试成功, 交通逐渐由蓝转为绿, 确保平稳过渡.
另一个障碍是人们天生抗拒改变, 尤其是当它影响到他们的日常任务和惯例时. 这就是 变更管理 策略开始发挥作用:
交流: 从项目开始,让涉众了解情况. 关于变化发生原因的透明度, 他们将带来的好处, 如何实施是关键.
培训: 提供培训课程、研讨会或教程. 为用户提供导航和利用新特性所需的知识和技能.
反馈循环: 建立用户表达关切、提供反馈或寻求澄清的渠道. 这不仅有助于改进产品,而且还使用户感到被重视并参与到变更过程中.
庆祝的里程碑: 承认并庆祝前进道路上的小胜利. 这培养了对变化的积极看法,并为未来的旅程建立了动力.
引导人工智能项目管理具有挑战性,但它也提供了充足的增长机会, 创新, 有意义的影响. 你不只是在管理项目,你还在推动变革.
当你开始探索AI项目生命周期的广阔新领域时,请应用上述建议:明智地实施AI, 使解决方案与实际需求保持一致, 优先考虑数据质量, 拥抱持续的回顾, 有策略地推出. 利用敏捷协作的力量, 灵活性, 在处理如此复杂和复杂的开发时,适应性尤为重要. 还记得, 虽然, 人工智能一直在进化, 因此,您的项目管理方法也应该随时准备发展.
人工智能项目生命周期包括开发人工智能驱动产品和服务的各个阶段. 这些阶段是从传统的项目生命周期阶段改编而来的,以确保人工智能产品或服务的准确性, 组织数据并使用功能模型.
人工智能项目生命周期有四个阶段:业务理解, 数据发现, 模型构建与评价, 和部署. 这些阶段也可能包含迭代模型训练, 探索性数据分析, 原型和实验.
世界级的文章,每周发一次.
世界级的文章,每周发一次.