集简介:无论我们是在谈论客户服务,市场营销，或构建开发团队，我们试图在做我们的人工智能在工业播客带来了可以转移的课程。没有什么比什么能让一个公司做好准备更具有可转移性的想法了采用人工智能。当谈到将人工智能整合到公司战略中的意愿和能力，以及卓有成效地采用该技术以真正看到投资回报率时，那些成功做到这一点的公司有什么共同点?那些还没有准备好或者太过害怕而不敢去做的公司有什么共同点呢?
可能有少数几家公司正在瞄准出售AI更热烈进入企业比Salesforce中的AI供应商的空间，并且有更多的了解这个过程是如何比阿利森·威瑟斯彭，Salesforce的爱因斯坦产品营销高级总监去几个人，这是对Salesforce的产品上的人工智能层。
我们与威瑟斯彭谈论了一家了解其行业中人工智能的使用案例，并且很有可能利用人工智能推动价值的公司的蛛丝马迹。我们还讨论了那些可能还没有准备好接受I的公司的共同品质。
我们希望这次采访能让高管们更好地了解自己的公司是否为人工智能做好了准备。
订阅我们人工智能产业播客你最喜欢的播客服务:
客人：埃里森·威瑟斯彭他是Salesforce公司产品营销高级总监- - - - - -Salesforce爱因斯坦
专长：营销，AI收养在企业
短暂的识别:在加入Salesforce之前，她是Enecsys北美部门的营销经理，也是TIBCO软件公司的企业沟通专家。
访谈要点
(03:30)你从哪里看到来自高层的恐惧(关于人工智能的采用)?
好消息是,我认为我们已经看到一个钟摆摇摆在过去的三到五年,我称之为“AI恐惧障碍”——我认为我们看到的开始低一点,我觉得我跟越来越多的客户和高管,艾城人热身。显然，对于企业和消费者来说，这需要更长的时间，但我们开始看到越来越多的公司，尤其是精明的公司，领先的公司，明白他们需要一个合适的人工智能战略。
话虽这么说，我的水桶他们入恐惧的障碍，我们在人工智能看到的四大类的一种。第一个我觉得只是定义问题，或者我们所认为的用例AI。我想很多公司只是不知道从哪里开始，所以他们只是不上手，因为他们不知道机器学习解决问题的权利。
我总是喜欢说先谈一个，然后证明了价值，继续前进。所以我们跟很多公司谁也许有一个列表很长的使用案例20个项目，他们看到AI。从预测流失到预测交易转换的一切，所有他们想要做的这些不同的东西，所有这些不同种类的车型，他们希望打造的，我只是说，“与低悬的果实开始。先从一个，价值证明出你的商业用户谁是真正打算与任何该模型的输出，预测，这种模式使，然后从那里移动上的相互作用“。因此，我认为帮助人们优先考虑20的该列表，然后帮助他们一种数字出低挂水果是做什么用的自动化的工具，可能是很好的，对他们需要自己的数据科学家们关注的焦点。
我们称之为解决方案映射，作为一个供应商，我们不仅仅是这样。我们一个战略伙伴,这意味着我们必须帮助我们的客户看,长串的20个用例,帮助他们解决地图,帮助他们找出我们的技术能适应,并帮助他们说实话找出哪些用例数据科学家更好的离开了。所以这是我们一直与客户一起做的练习，我认为这是非常必要的。
是的。It’s funny because of, you know, in the startup world … You guys are a huge company and have been around for quite a long time, and in the startup world, I think people also have to end up doing this because whether you’re selling into … For example, a lot of our audience is banking in pharma. You’re not walking into a room of folks that are already going to have, click, all the concepts and use cases, so they have to do the same mapping but they don’t have the same team and budget. So for them, it’s kind of annoying. It’s like damn, we want the market share, we want the lock-in. It’d be great to just have a product that could sell, but we know we got to do this dance first-
我想我们在过去的两年里学到了爱因斯坦进入市场以来最大的教训。如果你去推销人工智能，或者推销机器学习，或者推销自然语言处理，或者推销深度学习，你将永远无法赢得与客户的对话，尤其是对高管，尤其是高管。他们不在乎。他们有严重的业务问题，希望供应商帮助他们解决。比如客户流失，交易评分，诸如此类的事情。如果你从一个商业问题开始，如果你从痛苦开始，你用人类的语言和他们交流，而不是用技术来领导，你会赢得他们的支持。
这就是我看到每个人的AI之旅开始的地方，真正定义那些用例。一旦你有你的用例,它的所有数据,这是最常见的挑战,我们听到来自我们的客户,“好了,我们认为我们知道的,我们认为我们有这样的人工智能项目,我们准备出发了,但我们不知道我们需要的数据。它可能存在于多个源中。我们不知道如何把这一切结合起来。我们不知道如何清洗它，确保它没有偏见。我们不知道我们是否有足够的信息来让机器学习变得有价值，所以所有这些问题都是关于数据的。”
(08:45)我们是要过很多年才能达到(人工智能和互联网一样被理解的地步)，还是说我们永远达不到拥有最高管理层的目标?
是的。我不知道。我认为，在短期内，这将需要一些帮助。我确实认为你必须……这是我的第三个和第四个障碍，我倾向于把它们放在一起，是关于信任和改变管理，因为我认为它们是不可分割的一部分。
因此，通过变更管理，我们考虑业务用户，他们的日常工作将受到AI的影响。让我们举个例子，比如领先分数。如果我们打开机器学习,我们得分领先的公司,告诉他们哪些是最可能和最不可能转换,销售代表必须开始相信机器现在,过去和他们也许是凭直觉得分或者他们有不同的方式调用导致每一天。
所以他们有一种历史性的做事方式。我们要求他们改变。我们要求他们相信一个数字，而这个数字是突然被提供给他们的。这需要一些变革管理和一些信任。所以这是关于在工具中，在过程中，在模型中构建东西，在那里，一，我们展示为什么事情是按照他们的方式评分的，这样销售代表就会开始相信那个数字。
所以，我们喜欢说喜欢AI不只是一个黑盒子。我们向您展示的是有助于实现这一成绩的根本因素。所以，这一块，然后第二件是给他们这些信息的自主权，以一种行为，也影响它。所以一个，没有什么是有史以来被自动完成，无需其监督，但随后两种，它们是如何与分数自动交互，然后返回并馈送到模型中。因此，该模型是不断地从如何与铅得分销售代表交互学习。
（11:30）你是否觉得透明度是克服在某种意义上关键样的模式？它是一种使的主题专家技术人员可能不会参与我们如何构建它的讨论?是什么让人们得到它t买的跨专业?
我认为有几件事情。一个是我认为你必须解决一个KPI，并证明了投资回报率，你打开AI之前。因此，让我们例如铅得分。你测量，如果铅转化和您的线索是否被有效转换方式是导致电梯。你将更多的潜在客户？因此，如果我们能够证明出一组销售代表，嘿，如果我们打开AI，你会看到你的潜在客户转化3倍的增长，那么他们那种坐起来对他们的座位边。所以，我认为，如果你可以开始做的是投资回报率模型，证明了你连上的功能开启之前，之前，你甚至投资项目，不管它可能是，你开始自己买，因为他们看到他们的生活意志提高。无论是生产力的提高，节省了时间，处理转换，赢率，不管它衡量是你的解决上，证明它提前出局。
但是，再回到这个想法太不厚道了黑盒和透明度，与每一个预测，爱因斯坦使Salesforce的的，比如，我们的船什么所谓的预测因素。因此，对于铅的得分，例如，你不会只看到一个95或72。下一步，这个数字，你会明白为什么它被拿下事情是这样的，前五大负，排名前五位的正相关因素。因此，一个积极的促进因素可能是邮政编码或铅源。所以这些类型的触发器和这方面的信息也有助于与透明度。
(13:45)我们怎样才能把这种挫折感降到最低呢?因为你可以看到如果测试版发布给所有的销售人员，他们可能会说，“我从来不用这个。“有那么一小群人需要把训练记下来吗?”这是怎么做到的呢?
所以我们有一些客户会开启这个功能并进行AB测试。所以他们可能会在一半的测试中打开它，然后让另一半继续使用他们正在使用的方法，可能是基于直觉的，他们会做一种内部测试，再一次，回到这种提前证明价值的想法上。如果我们能在这种AB测试中证明模型比直觉更有效，我们就能从第二组人群中获得购买。这是一个例子。我认为，是的，这很棘手。
它需要信任，也回到整个变更管理部分。我认为我们可以做的更多方便管理者使用这一信息没有公开…就像,你进入房间,他们就像,嗯……也许你房间里有一个数据科学家谁想看到模型,但十有八九你会说话的人不在乎。
他们不想知道如何正在作出预测的还是什么数据在被送入。他们只是想回到这一想法的解决了他们的一些业务问题。
除了烘烤大赛的想法,AB测试,模型应该不断提炼和变得更好,这是我们在Salesforce相信一件事,就是我们的模型不断地重演,供应量的客户,基于所有的间接和直接的反馈。因此，直接反馈可能就像聊天机器人对话中的大拇指朝上，大拇指朝下的箭头那么简单。
是这样的谈话有帮助吗？这是有帮助的。大。该模型将从中受益很多。这是一个很好的交谈。对战一种间接反馈，回引得分例如，也许Salesforce的或爱因斯坦分数在95铅它不会结束转换。好的。这是一个非常糟糕领先比分。该模型将从中受益很多。所以这个想法，它不只是你发货一次，它的工作，但它的不断调整，它不断地学习，当您去。
(16)我想很多时候销售到企业,这将是厂商的保持模型的,我不想说咨询或辅导在某种意义上,但这是在一种技术途径看到迭代继续成熟。这就是爱因斯坦的理论吗?
Salesforce的很多Einstein功能都是启用了管理的，Salesforce管理员会进入设置。他们将会开启它们，他们将是配置它们的人，他们将是监控它们的人。所以我们也把模型指标和我们的模型一起发布，所以你可以看到预测的强度，模型的强度，你可以看到随时间变化的趋势，所以
所以我们不需要为我们的客户监控这些。我们给他们工具，我们给管理员，超级用户，工具来监控它自己，希望他们看到趋势线上升到正确的模型是不断学习和调整，变得更好。
We get a lot of customers who come in and they say, “Well, it’s great that Einstein can do a lot of this kind, these CRM specific use cases, but I also have a team of data scientists internally who have already built a churn model, who have already built a lead scoring model,” and I say, “That’s fine.” Like Einstein, any AI system can coexist with an internal team of data scientists. It’s back to that use case list. What are your 20 use cases? What can machine learning from Einstein just chop off, versus what do you need your experts who know your business, who know your data, who can focus on more complex use cases that are specific to your company? Save that for your data scientists.
（18:30）什么感觉低挂水果吗？什么这些球队的共同点，我们觉得也许他们已经准备好做这个东西的工作？难道是具有数据准备，是它的人才？
它有点像是回到了这四件事上，然后是它们的倒数。他们知道用例。他们把数据放在一个地方，用结构化的格式，因为为了进行机器学习。你的数据必须结构化，这就是Salesforce的美妙之处。我们所有的数据都位于字段、记录和对象上。因此，我们已经可以从这些结构优美的数据中开始学习了。所以他们进来的时候对他们的用例有一个非常清晰的想法，就像我几周前做的一个客户会议，客户进来后说，“我们知道我们需要聊天机器人来提供服务。”我们知道我们需要一些次佳的动作工作流引擎。“就像他们进来的时候，他们已经知道他们需要解决的问题，所以和他们谈话很容易。
因此，他们已经把在将要通过AI影响的部门。对于聊天机器人，也许是客户服务。对于电子邮件得分，这是你的营销，无论它可能是。他们在谁正在经历的痛苦，客房内的业务组，因为它不是IT这是在经历了痛苦。It’s that marketer, it’s that sales rep, it’s that service agent, so that person is in the room, the person who’s going to be using the features, consuming the AI, and the IT decision maker, and you have alignment between those two constituent groups.
(20:15)那些执行人员，他们理解用例。他们有自己的数据。他们在哪里学的这些东西，或者他们是在旧金山出生和长大的那些人可以做到吗?他们会参加很多活动吗?他们是在谷歌上搜索一堆东西吗?
我不知道是否有一个答案，一个银弹。我想这可能就是当初投资于移动应用程序和社交软件，并首先投资于云计算的人。
I think the important thing is it doesn’t just have to be the big enterprises, and that’s really kind of our mission at Salesforce is democratizing access to this type of technology because I think in the past there’s this misconception that, oh, well, in order to do AI, like I’m never going to be able to do AI. I can’t hire data scientists. They’re the most expensive people to hire these days, and they’re too hard to come by. Like I guess I’ll just never scratch the surface of that. And so it’s about, how do you ship features and functionality that any size company, whether you’re a six-person nonprofit or multi-hundreds of thousands big corporation, you can leverage the technology and leverage the insights.
订阅我们人工智能产业播客你最喜欢的播客服务:
标题图像信贷:重力支付
