作者 | Scott shaw

圍繞AI的熱議意味著它可能成為“手里拿著錘子到處找釘子”，公司們急于將AI融入流程中，而實際上這可能并不必要，或者AI并不是解決問題的最佳工具。

AI的成功依賴于公司對運營進行重組，并采用以不斷試驗、穩健的工程實踐和明確的邊界為指導的迭代AI策略。

隨著人工智能(AI)在各個行業的廣泛應用，從概念驗證(POC)到可擴展解決方案的轉變變得至關重要。最近的一項研究表明，高達90%的AI和生成式AI(GenAI)項目都停留在POC階段，未能投入生產。

在Thoughtworks，我們觀察到2024年開始出現一種新的緊迫感。領導團隊迫切要求從他們初期的AI探索中獲得實際成果。然而，這需要組織認識到，AI并不是一個獨立的工具，也不是簡單的即插即用。

AI的成功依賴于公司采用以不斷試驗、穩健的工程實踐和明確的邊界為指導的迭代AI策略。這種方法可能需要對公司運營方式進行重新構建。

為AI實施打下基礎

在利用每天都在涌現的AI突破之前，組織需要先建立一些基本的構件。首先是一個穩健的數據戰略，確保有足夠的相關、可靠且可追溯的數據隨時可供AI模型使用。如果沒有這個基礎，AI解決方案可能只會讓企業更快地做出錯誤的決策。

此外，在使用生成式AI(GenAI)等工具時，必須對領導者希望實現的結果有一個基本的“好”的標準。雖然這些工具可以被引導，但不能在沒有監督的情況下依賴它們，也不能指望它們自行檢驗結果的質量。建立持續監控和評估AI系統輸出的工具和流程是負責任的技術實踐的一部分，也是避免意外后果的關鍵。

一旦這些參數到位，Thoughtworks鼓勵組織開始在其運營中測試可能的AI應用場景。與所有創新一樣，只有在技術得到充分應用后，才有可能真正理解其全部潛力或應用范圍。

高質量的標注數據和數據訪問權限

阻礙公司將模型投入生產的另一個常見挑戰是復雜AI模型缺乏透明性。這種“模糊性”使得難以評估模型的準確性和是否適合特定需求。Thoughtworks通過提供工具和專業知識，幫助企業有信心地評估大型語言模型(LLMs)，從而解決這一問題。

通過提供用于文本分類和數據標注等任務的加速器，Thoughtworks的預構建解決方案簡化了開發流程，鼓勵公司超越概念驗證(POC)階段，并在AI項目中更快地取得成果。

隨著對AI模型部署的信心增強，公司能夠解決大型語言模型(LLMs)的不透明性，從而做出更有根據的決策。領導者將能夠準確回答諸如“我如何知道LLM的輸出是否準確?”或“哪個模型/方法最適合我的使用場景?”等問題。

除了數據標注，AI概念驗證(POC)還必須反映并遵守組織的隱私和安全政策。將現有的訪問控制融入大型語言模型(LLM)的行為中，不僅能增強安全性，還能降低訓練成本。

例如，在將大型語言模型(LLM)與數據平臺集成時，應該考慮用戶的角色和訪問權限來處理上下文和模型輸出。這確保用戶僅能訪問他們有權限查看的數據，從而增強系統的整體安全性。

有效的提示技巧

目前，制作有效的提示往往依賴于反復試驗，這使得擴展和維護生成式AI(GenAI)解決方案變得困難引導AI回復的指令，隨著模型的演變，可能會變得無效。Thoughtworks的解決方案通過開發優化特定模型的指令的工具來解決這一問題。這不僅簡化了GenAI應用的生產維護，還允許在模型之間實現更大的可移植性——確保企業能夠利用最適合其需求的模型，而無需從頭開始設計指令。

Yuu Rewards Club：快速AI擴展的案例研究

yuu Rewards Club，新加坡領先的聯盟顧客會員 平臺，展示了AI如何實現快速擴展。該平臺整合了零售、餐飲、娛樂、銀行等多個領域的頂級品牌，提供高度個性化的移動體驗和統一貨幣，以最大化獎勵。

憑借先進的AI和機器學習(ML)能力以及強大的合作伙伴生態系統，該平臺徹底革新了傳統的顧客會員計劃，為消費者提供了全新的購物體驗。例如，通過一個應用程序即可方便地在多個品牌之間兌換優惠，并獲得個性化的優惠和獎勵。

由minden.ai(一個由淡馬錫創辦的科技公司)與Thoughtworks合作開發，該平臺在短短一個月內迅速躍升為主要應用商店的第一款應用，并在僅100天內吸引了超過一百萬的會員。

這是一個出色的案例，展示了以用戶為中心的設計、敏捷開發和關注可擴展性如何在AI驅動的平臺中實現快速增長。

南亞銀行的生成式AI聊天機器人革新了客戶服務

Thoughtworks與一家領先的南亞銀行合作，解決了一個常見問題：分散的數據阻礙了客戶體驗。數據被孤立在多個來源中，導致產品經理難以高效地訪問客戶信息。

利用生成式AI(GenAI)，團隊分析了數據集，識別了關鍵痛點，并構建了一個生產就緒的GenAI驅動聊天機器人。此外，他們還創建了一個可重用的框架，能夠適應任何經過微調的語言模型，從而確保了可擴展性。

生成式AI(GenAI)代理成為了一個重要的突破。客戶服務能力顯著提升，用戶體驗了更加流暢的對話過程。

負責任的AI

在上述兩個案例中，從概念驗證(POC)到全面生產的迅速推進得到了強有力的領導支持。這樣的組織范圍內認可是通過動態的生成式AI(GenAI)戰略得以增強的，這些戰略能夠跟上快速變化的市場和用戶需求。

組織還應建立一個負責任的AI框架，涵蓋隱私、安全以及法律法規遵循等關鍵方面。隨著AI及其能力的發展，保護措施對于確保其倫理和負責任的部署至關重要。例如，我們與聯合國合作開發了一個全面的《負責任技術手冊》，其中包括AI以及可持續性、數據隱私和可訪問性等方面的考量。

對于那些希望熟練運用AI的組織來說，成功的真正衡量標準不僅在于自動化常規任務，更在于提升人類能力和放大個體在組織中的貢獻影響力。