EricSiegel分离AI事实

自2022年11月刚一年多时, 聊天GPT冲上场并点燃 人工智能和机器学习循环自那以来,Eric Siegel最畅销的预测分析作者:预测谁会点击、买、骗或死之力-看到AI项目飞动和许多其他失败

前哥伦比亚大学教授Siegel最新书AIPlaybook:掌握机器学习稀有艺术部署.发现雄心AI和机器学习项目常停机门

简言之,他们不启动siegel访问时告诉预测数据科学家集成可行模型, 组织利害相关方冷淡

2023年花在传教AI和其他未来人工智能上的潜在作用上的组织,如果想成功,就必须自问为什么人工智能梦想如此之少变成实际应用AIsiegel说,他们必须听从他的建议 将机器学习幻想化为商业建设现实

出错

基因化AI的潜在使用案例多而多siegel表示, AI生成建议可大幅提高新员工生产率带适当治理组织频繁通信或产生大量内容可使用染色AI加速工作个人可使用它编程写图片支持演示文稿,企业可使用它设计产品.

简言之:有很多潜力.

为何努力拖延关键利害相关方何必启动机器学习部署

问题多半组织化比技术化,在一个常见假设中,机器学习模型能产生有用的输出, “但不一定与业务目标相近”。

企业行长不知道传教AI或AI支持预测 将如何改善他们的运营机器学习支持企业函数启动时, “利害相关方必须完全理解它如何提供值 ”Siegel强调

获取正确性

组织需要纪律化方法获取机器学习的好处siegel建议创用AI不只是技术建议主动提升企业功能获取端结果需要团队努力

IT团队和数据科学家简单交出解决方案-教人如何使用机器学习而不必先请利害相关方说明有待解决的问题-项目将无法快速实现。

创建算法满足需求 iegel说,利害相关方想把机器学习编译数据专业人士从头到尾协同参与, 从项目启动到尾端部署

Siegel在书中描述六步操作机器学习项目,

1. 值 :建立部署目标定义商业价值建议
2. 目标 :建立预测目标精确定义模型预测
3. 性能 :建立评价度量
4. 油料库准备数据
5. 算法:训练模型
6. 启动时间 :部署模型

中有一个特殊位置IT头目软件开发商

技术方面的人支持开发并最终部署模型, 通常通过实施机器学习操作或MLOPSSSiegel表示泛指所有工具技术 建立你成功部署组织技巧 组织范式 实践手册

除注重那些技术容量Siegel表示,技术团队必须考虑机器学习步骤的实际应用

通常,Siegel继续使用Siegel后遗症分析技术仿佛对火箭科学更感兴奋 比实际发射火箭以我们也关心发射这枚火箭的程度, 我们需要IT专业人员思考它如何提高运算能力。”

输入软件开发者

改善运算通常需要AI解决方案连接现有系统、数据库和技术驱动过程Siegel表示, 软件开发者需要整合改变系统工作方式

使用AI,“我们将用注入科学来改变事物 并用模型预测直接通知哪个事务审核 或哪个广告显示 或什么操作正在改善开发者需要从上到下参与, 因为他们需要说明可行性 需求与时序

即时部署AI模型时, Siegel表示:「最有效果、最有影响的项目需要改变某些现有系统,软件开发者需要成为对话中心

Hype比斯实战

Siegel鼓励企业领袖实事求是地实现期望值

迄今基因化AI在回答简单问题方面表现良好编辑监督下,它能写可信初稿帮助加速内容创建极能预测更多数据 比人类可能自己分析

即人工通用智能系统不单能自主完成任务,siegel表示:「你可以自发安装它并让它翻转转转转转转转转转转转转转转转转转转转转转转转转转转转转转转转转转转转转转转转转转转转转转转转转转转转转转转转转转转转转转转转转转转转转转转转转转转转转转转转转转转转转转转转转转转转转转转转转转转转转转转转转转,

siegel表示,也没有看到杀手应用 会带AI死按钮推送Sigel建议商业领袖今天必须实战AGI未来未来AI.

第一,他们需要问问题:它是否值得做?帮助组织建立价值吗?"“你需要非常具体地理解技术将如何改善某些现有过程,希望提高它的效率和效果。”

取用潜力时,Siegel总结道,最终目标是什么结束游戏是什么等得到混凝土后,你正在搭建自己以成功测量提高性能,测量值。”

下一年 AI和机器学习橡皮

编辑注解:更多了解Nutanix平台AI包括Nutanix GPT-a-box系统全机软件定义AI-准备平台

Adam Stone是一位记者,20多年经验覆盖公有和私有部门技术趋势

2024Nutanix公司所有权利保留补充法律信息麻烦你到这来.