我们采访了微软人工智能的总经理大卫·卡莫纳AI ROI与企业的客户，他的作品与微软。从这一事件最大的外卖来的权利开头。关于如何看待在长期人工智能投资回报率和短期大卫会谈。
也就是说，我们如何才能看到人工智能在相对短期内的回归，从而改善我们的状况，同时考虑到我们行业的长期混乱?
订阅我们人工智能产业播客用你喜欢的播客服务：
专长：人工智能和机器学习
介绍识别：卡莫纳在微软担任了18年的各种管理职位，并于2017年成为微软人工智能总经理。
采访中强调了
(01:30)当管理层真正在考虑一个人工智能项目时，他们忽视投资回报是不负责任的，但很难在有限的时间内将人工智能与任何给定项目的具体货币目标挂钩。当涉及到一个特定项目的AI时，你如何做到两全其美?
戴维卡莫纳：所以当我们说投资回报率的时候，我们通常是指我们专注于短期的收益。这很棘手，对吧?当我们谈论像人工智能这样可以彻底改变你的业务的技术时。
因此，我们通常更喜欢谈论价值，而不仅仅是收入。所以这可能是，是的，它可能是更少的成本，它可能是更多的收入，但它可能是改善我的客户体验或它可能是提高员工的生产力或许多其他的不仅仅是短期的收入游戏。但正如你所说，你必须平衡两者。
所以很多时候我们不得不为这个项目付出，因为我们在它的工作，对不对？因此，所有的领导也正在寻找投资的是立即返回。所以我们在做什么微软是我们使用一个非常，非常简单的框架来帮助客户有这两者之间的平衡。
对吧?我们称这个框架为敏捷价值建模，它非常简单。让我给你们一些关于这个框架的提示它更像是与客户的对话，对吧?所以我们要求他们为人工智能定位所有的机会。所以所有他们能想到的为他们的生意带来人工智能的机会。
顺便说一下，我们经常说的一件事是在做之前，请了解人工智能的能力。还记得以前的播客我们讨论的是你需要知道AI能做什么AI不能做什么才能进行对话，对吧?
一旦你有了这些，你就会要求他们定位所有的机会，对吧?你可以用一种非常简单的方式来思考。所以你可以在一边有战术项目，在另一边有战略计划或计划。
就是这样。这是你唯一需要做的事情。然后是一个机会大小的泡沫。所以它可以是更多的收入，就像你说的，或者它可以是更好的客户体验。
然后，当你有一个谈话，这就是为什么我们把它称为敏捷，因为这是一个反复的交谈。因此，问题是，你可能有一个大的泡沫，这是更长期的，然后你需要与左边的小气泡图，对不对？
所以有时候你需要从大的想法开始，从小事做起，但是你需要同时考虑这两件事。在这个框架中,我们试着对话的思维大,但后来有较小的项目,你可以测量的第二件事,我们要求在这种运动总是认为你要如何衡量成功的每一个泡沫。
因此，那些可能是，就像你之前说的，那收入，但它可以是任何东西。这可能是我要提高我的客户服务我的里面。
我打算减少我的呼叫中心的工作量，或者我想提高我对产品的满意度，或者提高某一特定细分市场的收入。所有这些，你需要在这些泡泡里放一个标签。
因此，也许最好的项目才能到大泡沫与大值，你正在寻找的长期，也许它不会是最赚钱的一个在短期内。所以，你需要有一个平衡。你需要考虑，“嘿，我要在目标我公司这个大战略”，然后是的，我需要的是不能立即返回我的投资规模较小的项目到那里。但是你可以有一个公开的讨论。
（08:30）什么是一些把企业AI项目生命这些最佳做法？
DC：通常第一阶段的工作都很棒，对吧?想象一下，你现在已经确定了正确的项目，为了在短期和长期之间取得平衡，你确定了你想要推动每个项目的业务指标。所以在一个理想的世界里，这就像把这些项目扔到墙外那么简单，对吧?
等着它们完成。对吧?那将是一个理想的世界。现在的问题是人工智能并不是那么简单。所以这并不像建房子或建桥那样你只需要按照蓝图去做，对吧?
很多事情可能出错的AI项目。我认为这里有趣的是，我们已经领教了。
所以我们真的解决了软件开发的这个问题。这就是创业项目的概念，企业和项目是有联系的，然后确保在实施项目时，企业和项目的执行是有联系的。
因此，它不是那个东西，我们扔在墙上和业务中断，直到结束。我们有独奏真的软件开发，这就是所谓的DevOps。正确的。因此，在某种意义上DevOps的，是作为一个理念更大的东西，是技术，做法。
但在最后，DevOps的本质是确保在您执行项目时，与业务有一个连续的连接，所以它不会分叉。正确的。所以你在这个框架开始时的最初想法，在最后以商业价值结束。
因此，有如此多的名字。因此，我们仍然试图让排列在上的DevOps如何典型行业的事情适用于AI，因为它是不一样的。因此，我认为我在简化这个，对吧？所以，在现实中，AI与传统的软件开发许多不同之处。
你有数据，你有模型的概念，最后你有模型可能会出错因为数据改变了，对吧?所以这是非常非常不同的，你有了一个新的角色。你有传统软件开发中没有的数据科学家。
这样的名字，我从我们所看到的看，市场已开始坚持MLOps的名字吧？这是DevOps的相同的概念，但应用到机器学习。
(11:30)当你想到一个好的、平衡的团队，最终实现了业务价值，看到了其中一些价值的实现，它是什么样子的呢?
DC：我认为我看到的两件事是当它起作用的时候第一件是当然他们的业务不能介入，我不知道日常的发展，对吧?所以并不是说你可以发送一段代码或者我不知道，你的TensorFlow模型给业务人员然后让他们提供反馈，对吧?那是行不通的。
所以，我必须能有业务涉及您的日常过程。你每天需要提供。所以这是MLOps的第一件事就是提供，而不是在项目，不是每个周末的能力，但即使每天都甚至一天这样的企业可以得到在这一过程中持续不断地参与了几次。对？
发生,当然是最佳实践,自动化你的生命周期,确保你有一个技术和流程的时刻,数据科学家创建一个新的模型的一刻,打包,然后这个模型部署到生产环境中。所有这些都必须自动化。对吧?所以这是可能发生的。
我们通常把它叫做是那个时候，它需要一个，我们称之为平均解决时间。正确的。MTTR你想要的时间要尽可能短，最好分钟。对？
所以，你不想手动文档送点东西给开发商为开发者包，然后待上三天，以了解他们所有的，然后移动到生产，通过不同的工艺去。你想这一切自动化。这将是第一件事。
（14:00）在什么样的主题专家在日常交付方面做的方面，就是经常会有某种程度的反馈？
DC：这是一个很好的问题，因为它与我要说的第二点联系得很好，这一点很重要。对吧?事实上，这些自动化的线路，你有自动化的生命周期，它应该是一个闭环。对？
所以，当你的东西在生产中，你必须到位之类的监控或事物只是喜欢健康监测， 对？所以，你可以理解为具有生产该模型的使用，对不对？
所以这并不是说你有一个与业务相关的门，你发送一个新版本，然后业务会去查看它，然后你有这个管道，业务基本上就像一个门，像一个阻滞剂，对吧?那是我的分娩停止了。不，你要做的是不断地转向生产。
因此，在我们的生产或生产前环境中，系统总是最新的，以便企业开始使用它。业务应该开始在项目的上下文中使用它。
因此，我们应该开始把它尽快进入实际使用，并随着业务的使用它，然后开发能够监控发生了什么。
他们不仅可以监视他们的使用情况，还可以监视度量标准、it的结果，并且业务可以在他们使用it时提供反馈。所以当我从中学习的时候，要更多地把它当作是一种利用，而不是相反，不要像一个拦路虎那样停下来，因为业务将一直是一个大门。
然后，我觉得这里最困难的部分是，当你做，你不应该失去你当你在一开始建立你的框架中决定的测量。
So that bubble that you put a value into it as you are developing, you need to make sure that you don’t lose track of that because usually, the other thing that we see all the time is that you have this amazing vision, but then once you a move that vision to the technical teams, all they care is…the model accuracy or the reliability of the system, which of course those are things that we have to care about, but that was not the point.
我们不不仅要可靠的系统，我们希望连接到我们在开始定义它的商业价值的系统。所以这应该是整个循环中的所有时间的一部分。
（11:30）什么是一些其他的方式，人们引导错误的方式和种类得到这个错了吗？
DC：我认为你在之前的评论中提到了一点我经常做的测试是当我和一个企业交谈时想象你去找一个数据科学家或者你组织中的一个开发人员。现在想象一下，你问那个人他们拿工资做什么?
这个问题很简单，你到底是怎么赚钱的?一个常见的答案是，99%的情况下他们会告诉你，“嘿，我的工作是提供高质量的代码，或者我的工作是提供精确的模型。”
如果那个人是数据科学家，对吧?这是不接受MLOps的症状，对吧?就像我之前说的，那个人应该说，“嘿，我的工作是提高客户满意度X点或者降低成本X美元，”或者项目的任何指标。
对吧?这是一个很常见的测试你可以很容易地理解你的公司在整个过程中都是将商业和技术联系在一起的。
我可以跟大家分享，我们实际上是如何把这一理念发挥到了极致微软内部在我们自己的发展。
是的，我们所做的是，这是一段时间以前的事了，但是我们在微软有一个非常实用的组织。我们有数据科学家团队的概念有开发人员团队，产品所有者团队等等，对吧?
所以现在我们使用的哲学是非常不同的。所以我们，不是拥有那种组织，我们现在拥有的是跨学科的团队，对吧?
你有一个团队，其中有几个数据科学家，几个开发人员，几个产品管理员，产品所有者等等。这背后的关键是，我们实际上，我们甚至更极端因为我们把所有的人都聚集在一个房间里。
所以我们改变它在很多球队。我们改变了我们办公室的配置有较大的房间，我们可以拥有所有这些一起工作的团队。所以，当你是一个数据的科学家，你，我不知道，送你的模型给开发者，开发者是在你的身边。于是我们去远在这个模型中，对不对？且报告灯在这里并不重要。
所以，你仍然可以有行报告称，也许是对数据科学家的纪律。但是拥有的人由行业结果连接在一起的是概念，即取得了巨大的差异我们。对吧?
因为当你在一个团队，任何人问：“嘿，你有什么目标？”开发商会说是代码质量。在团队开发人员或任何其他人会说什么他们的业务成果是该项目，他们的一部分。所以这有一个大的影响，那就是DevOps的文化的一部分，现在MLOps文化，对，就是确保每个人都对准同一个目标和他们一起工作决策。
(23:00)人们还应该注意到其他方面的变化吗?
DC：因此，我们在商学院所涵盖的文化转型中，有三件事要做。一个是数据驱动的概念。所以我们之前提到的那个团队，他们必须有数据作为他们DNA的一部分。所以他们做的每一个决定，他们做的每一件事都应该基于数据。
这就是你需要加强的以数据为中心的文化，因为这是人工智能的基础。因为当你这样做的时候，你将会创建数据，你将会共享数据，你将会有高质量的数据，然后你可以用来创建相关的AI。
这是我要说的第一件事。第二点是授权，这是整个概念，如果没有领导，完全鼓励业务和技术，采取所有权，被授权，以获得业务成果，这是非常困难的。
因此，这不是让团队一起，它确保随后领导小组授权的那支球队要做出的决定，以有业务的影响。因此，在您的组织的业务目标赋予每个人的整个概念。
然后第三个，我认为这是对AI非常独特，虽然也是对软件开发产生一定的影响，是责任。因此，AI是在这个意义上的软件开发很大的不同，它配备了像公平，透明，隐私，以及其他许多，你必须牢记的是迭代，我们说，继续担任MLOps的一部分开发前的一些挑战。
每一个任务，每一个阶段，你都在那里也要考虑这些具体方面是AI带来的业务。
订阅我们人工智能产业播客用你喜欢的播客服务：
标题图片来源:barns.com
