構建機器學習產品需要不同類型的技能和流程，而這些技能和流程需要逐步被吸納并融入組織的日常運作中。

計劃在組織內部引入人工智能/機器學習的產品經理通常會提出這樣一個問題：“我從哪里開始著手？”對于缺乏該領域經驗的組織來說，深入研究人工智能/機器學習可能會讓人感到不知所措。構建機器學習產品需要不同類型的技能和流程，而這些技能和流程需要逐步被吸納并融入組織的日常運作中。

事實表明，成功的關鍵在于從小處著手，并且需要具有戰略眼光。組織啟用首個人工智能/機器學習項目的目標是，在不會造成太多干擾的情況下，使組織逐步熟悉并接納機器學習技術。這可以幫助組織建立必要的基礎設施，并為致力成為人工智能/機器學習驅動的組織奠定基礎。

從“容易實現的目標”開始

最好的方法是從“容易實現的目標”開始——這些項目相對容易實現，但可以提供清晰和可衡量的商業價值。

人工智能/機器學習項目中容易實現的目標通常具有以下特征：

• 對現有工作流程的干擾最小。這些項目可以與組織當前的業務無縫集成。例如，可以使用機器學習自動執行通常需要人工完成的多步驟任務的一個階段。
• 明確的成功指標，便于從一開始就衡量結果。例如，它可以是每項任務節省的時間或在特定時間內完成的工作量。
• 快速實施時間表，需長時間等待就能看到價值。得益于生成式人工智能工具，許多原型和概念驗證項目的實施時間表正在縮短。

組織選擇首個人工智能/機器學習項目的標準

組織在選擇首個人工智能/機器學習項目時，需要關注三個關鍵因素：數據可用性、流程特征和影響。

1.數據可用性

組織可以從已經擁有大量數據的任務開始，最好是數據倉庫中干凈且結構化的數據。如果沒有這樣的數據，那就尋找擁有大量非結構化文檔的領域，這些文檔具有很大的價值。在許多情況下，可以從原始文檔中獲得很多價值，或者用最少的注釋就可以使其準備就緒。

如果沒有可用的數據，可以尋找數據收集或創建容易且成本低的任務，并且最好由小團隊執行。確保計劃使用的數據符合隱私和監管標準。

2.流程特征

尋找涉及大量人工工作且過于復雜以至于無法通過基于規則的簡單方法實現自動化的流程。如果這是一項重復但人工難以編碼的任務，那么這是一個很好的跡象，表明它可以從人工智能中受益。具有明確的輸入輸出關系和可預測模式的任務是機器學習的理想選擇。

此外，還要嘗試選擇一個對其他系統或團隊的依賴最小的項目，這樣組織就可以控制流程并快速交付結果。為了降低入門門檻，可以選擇無需完全自動化即可改進的任務。例如，即使機器學習模型只能將任務速度提高10%～15%，也可能為組織帶來巨大的價值。

3.影響

在理想情況下，人工智能/機器學習項目應該通過節省成本或提高效率來交付可量化的投資回報率（ROI）。但是組織啟用首個項目的重點應該是熟悉構建機器學習產品的過程。采用機器學習需要許多支持功能，例如建立數據管道和模型服務平臺、性能監控和模型再訓練。在采用大型人工智能/機器學習項目之前，一個小項目可以幫助組織逐步試驗和構建這些部分。

人工智能/機器學習項目的實際示例

以下是許多組織首次嘗試機器學習時成功實施的人工智能/機器學習項目的兩個實際示例。

1.客戶支持票據分類

對于在線服務大量客戶的組織來說，這通常是一個很好的項目，因為可能已經有數千張票據來訓練其模型。此外，票據通常有很多非結構化的文本，無法通過基于規則的方法進行分類，這使得它們適用于機器學習。

處理票據需要閱讀許多內容，這可能會花費很多時間。機器學習可以節省大量時間。票據分類是簡單的第一步，可以快速實現并集成到現有的工作流程中，而不會中斷它們。客戶服務人員可以逐步地將機器學習系統納入他們的工作流程，建立信任，并提供有助于改進底層模型的反饋。

得益于大型語言模型（LLM），票據分類可以很容易地實現，而不需要訓練自己的模型。組織可以使用少量帶注釋的示例獲得良好的結果，并且隨著收集到更多數據，可以逐步提高模型性能。一旦擁有足夠多的示例，最終可以為該任務訓練專用模型。此外，LLM還可以幫助生成其他見解，例如行動項目和摘要。

同樣的流程可以應用于任何其他需要文檔分類的任務，例如電子郵件、合同、簡歷等。

2.文檔處理/數據提取

合同、發票和采購訂單等文檔采用不同的格式，無法使用基于規則的方法輕松處理。如果組織處理大量這樣的文檔，那么從其中提取信息可能是一個很好的起點，可以凸顯機器學習在組織中的價值。

創建用于提取文檔數據的機器學習系統非常容易，特別是對于LLM來說。與前面的示例一樣，可以輕松地創建一個具有幾個文檔和預期結果的工作系統。組織還可以設計提示，以獲得可以輕松輸入到下游系統的格式化輸出。

此外，可以從小處開始，只指示模型提取非常基本的信息，從而讓用戶有更多時間處理更復雜的任務。該模型可以輕松監控，并與現有流程進行驗證。隨著收集到更多數據，可以逐步將更多工作負載轉移到模型上，包括對文檔內容進行推理和總結。

實施文檔提取系統并將其集成到現有工具中將會十分簡單。投資回報率（ROI）清晰明確，用戶將立即看到減少人工輸入的好處，這將有助于獲得利益相關者對未來機器學習項目的支持。

需要注意的是，組織啟用的首個人工智能項目/機器學習的目標不是在一夜之間改變自己的業務，而是證明機器學習在組織中的價值，并為未來的計劃提供動力。因此，組織可以從小處著手，專注于快速的成功，并在這一基礎上不斷發展。

原文標題：??How to start with machine learning in your organization??，作者：Ben Dickson