人工智能和机器学习正在改变人们使用技术过生活的方式。这种现象不仅在消费者中普遍存在，而且在大型B2B企业中也普遍存在。为了从这种新兴趋势中获得收益，产品经理需要学习新的思维方式，并意识到利用AI模型的挑战。近日，工程和风险投资背景的专家小组，围绕大数据的挑战进行了讨论，包括为构建大规模AI解决方案而进行的变革和人性化的AI。

　　数据–新型“原油”

任何新技术都会伴随着其他技术发展的潮流。就人工智能而言，转折点是当人们有可能以非常快的速度和具有成本效益的方式收集和处理大量数据时。

几乎我们所有人都听说过数据是新的石油。但是，我们的小组成员将数据比喻为新原油。与任何数据科学家交谈，他们会告诉您，他们实际上大部分时间都花在收集，清理和准备数据上，然后才能真正开始使用它做任何事情。模型的准确性在很大程度上取决于所馈送的数据。因此，至关重要的是，产品经理必须在质量和数量方面收集正确的数据。人们对数据安全性和隐私问题的担忧日益加剧，这给这一挑战带来了新的挑战。

产品经理在决定收集哪些数据以及收集多少数据时必须谨慎行事，以便与他们所从事的行业或地理区域的数据和隐私准则保持一致。

　　拥抱变化

各地的企业都希望最大限度地利用人工智能，机器学习和大数据所代表的机会。大规模构建AI和ML解决方案给大型和小型企业都带来了巨大的挑战，但保持开放的态度和开放的变革可以克服这些挑战。

基于在Cloudera上为跨行业的客户实现大规模AI的经验，成员建议重点关注三个关键支柱-人员，流程和基础架构。她极力鼓励领导者和产品经理提倡人们跨职能工作并打破职能孤岛。

从开发机器学习算法到在生产环境中交付它，再到维护和运行它，构建AI产品提出了一系列独特的挑战。您需要了解整个生命周期并愿意端到端拥有流程的人员。

她还敦促产品经理重新访问现有的工程流程，因为这些流程可能已过时且不适用。例如，建立一个AI模型是一个高度迭代的过程，而期望在两周的冲刺中取得结果可能是团队无法实现的目标。

最后，她要求领导者对构建和运行机器学习算法所需的基础设施资源进行必要的投资。当今使用的许多AI / ML工具都是内部构建的，它们基于快速发展的开源应用程序。这些工具可能集成不充分，可能导致泄漏和安全漏洞。投资于具有弹性的基础架构和正确的工具对于确保AI解决方案的安全和高效至关重要。

通过专注于这三个领域，产品领导者可以帮助企业克服构建和扩展AI解决方案的障碍。

　　人为因素

除了大数据和机器学习算法，人工智能还有很多其他东西。认知，人类和情绪智力仍然是非常相关且同样重要的技能。

成员表示：“团队中最成功的人不仅是一位出色的数据科学家，而且还是一位出色的传播者”。

构建模型时，您不仅需要出色的工程师和数据科学家。您还需要主题专家，他们可以帮助解释数据或识别相关信息。“您需要专家的帮助，这是不可避免的。”

她更进一步，强调拥有多元化团队的重要性。“纯粹从商业角度出发，开发仅针对特定人群的产品是没有意义的，特别是在面向广泛消费者的产品的情况下”。

您需要有来自不同背景的决策者来确保模型没有偏见，虽然您可能无法完全消除偏见，但是您当然可以尝试减少偏见。

许多AI产品失败的原因是客户对解决方案的偏见持怀疑态度。人们进一步担心，这样的解决方案可能会取代人类并取代工作。在这种情况下，拥有人类学的心态并真正与客户产生共鸣是很有意义的。当您考虑构建AI产品时，务必牢记人为因素。想了解更多关于大数据的信息，请继续关注中培教育。