介绍
根据公司如何推销自己以及媒体报道的内容，人工智能似乎无处不在。然而，尽管大肆宣传，但今天在生产中几乎没有实际使用AI。当然，谷歌和亚马逊等公司在其产品中使用人工智能来帮助您撰写电子邮件回复或推荐您可能感兴趣的产品。但是，大多数人仍然会在没有获得帮助或委派工作的情况下度过一整天到AI。这是为什么？我们一直听到的所有认可机构在哪里？
简短的回答？他们还没有建成。在这篇文章中，我们将描述创建人工智能产品的障碍以及如何以正确的方式构建它们。
如何识别机会
具有讽刺意味的是，尽管该领域取得了非凡的进步，但该行业正在努力寻找人工智能的应用。以Open AI令人印象深刻的GPT-2语言模型为例。基于几句话，它可以写出一篇包含主题，主题和首选风格的整篇文章。虽然这真的令人难以置信，但它的真正应用是什么？如果AI足够好，它就有能力取代作者甚至剧本或新闻作者。但它还没有到那里。那么我们如何利用其目前的权力呢？
GPT-2的例子说明了该行业如何倒退。我们对这一领域的巨大进步感到失明，正在拼命寻找能够通过人工智能解决的问题。实际上，我们应该反过来思考：采用以人为本的方法，首先要了解用户的背景和需求。通过这种方法，AI是我们可以使用的另一种工具 – 一种非常强大的工具，可以让我们想象得比我们想象的更进一步。
双钻石框架
我们以一种在问题解决过程开始时观察和发现用户需求的方式来进行产品开发。这是我们使用称为“双钻石框架”的东西捕获的端到端流程的一部分。
第一颗钻石的目标是确保我们正在解决正确的问题。我们通过揭示用户面临的核心挑战并将这些见解转化为创意来实现这一目标。一旦理解了这些，并且已经定义了想法，我们就会转向第二颗钻石。这里的目标是以正确的方式解决问题。我们通过实施构建 – 度量 – 学习过程来设计和构建体验，从而使硬数据能够指导我们的优先级并验证我们的假设。
在下表中，前三列突出了活动和结果。最后一栏描述了如何在双钻石框架的各个阶段考虑AI。
虽然我们不应该总结“AI”是否应该成为第一个钻石解决方案的一部分（步骤1和2），但是要意识到这个工具集提供的巨大功能可以带来更好的想法。例如，每当我们遇到因不得不从事繁琐或重复性任务而感到沮丧的用户时，我们就可以考虑人工智能。AI非常适合自动执行这些任务。
请注意我们思考过程的顺序：我们从用户和他们的挫折开始，设计出解决问题的想法，然后将AI视为设计解决方案的工具。
AI产品执行：
一旦定义了如何解决问题以及如何满足用户的需求，下一步就是构建解决方案。以下是一些需要考虑的指导原则：
1. 开始小：构建一个可以增加成功几率的解决方案。这可能意味着，从一开始就有纪律，不能解决需要复杂AI解决方案的大问题。相反，一种更有效的策略是将解决方案优先化为不太复杂的问题，因为这会增加成功几率。这种方法还提供了在组织内构建AI动力的额外好处。
2. 增强与自动化：术语AI与自动化同义，因为AI允许用户将先前手动完成的重复或不需要的任务委派给计算机。但是，有时用户更喜欢使用 AI而不是完全自动化任务。这有两个原因：
- 假阳性或假阴性的含义很高：例如，错误可能危及人身安全或增加财务风险的用例，完全自动化任务的好处可能不会超过成本。
- 增强可以是逐步实现自动化的有效方式。部分自动化解决方案的价值可以减少时间并增强开发人员和模型更快学习的能力。
数据是一种分心
在人工智能解决方案的设计过程中，有一段时间需要担心数据太少。此时，车轮停止运转，整个项目可能会因焦点偏离用户问题而脱轨。相反，努力转移到积累大量数据的盲目练习，创建数据基础设施，数据质量和清洁练习。
这并不是说数据并不重要，但它不应以牺牲用户体验为代价。数据，模型和用户体验是相互依赖的，不能独立解决。单单花费数据就有可能获取错误的数据并创建无效的基础架构。构建模型并将其暴露给用户可以帮助告知数据采集过程。关于数据的体积，状态和预测性的许多问题只能通过构建机器学习模型来回答。模型的洞察力是否需要，有用和可操作的问题只有在目标用户接触到它们后才能得到解答。
最后，AI应用程序应设计为收集自己的数据以实现扩展。自动驾驶汽车就是一个很好的例子。“自动驾驶仪”本质上是四轮驱动的应用程序，用于收集数据。每次驾驶员介入并纠正AI时，它都会学习有价值的反馈。这改善了自动驾驶仪的预测，从而增加了人们选择使用此功能的次数。结果，收集了更多自动驾驶数据。AI应用程序设计人员应该建立这种良性循环，而不是旨在预先收集数据。
结论
对于每个具有产品开发背景的人来说，我们在这里展示的内容可能非常熟悉。似乎软件行业在AI解决方案的开发方面再次经历了另一个“重新发明轮子”的循环。从用户需求开始，然后考虑人工智能如何满足这些需求，采取以人为本的方法，是创新和建立用户喜爱体验的有力方法。
本文转自medium，原文地址