評估 AI 解決方案優於傳統方法的架構

問題:哪些產品適合機器學習?
專案經理的回答:是的。
玩笑歸玩笑,生成式人工智能的興起大大重塑了我們對哪些用例最適合機器學習的看法。傳統上,ML 應用於客戶體驗中重複性的、可預測的模式。但如今,我們甚至可以在不需要大量訓練資料集的情況下使用某些形式的 ML。
即使如此,「這些客戶需求是否需要人工智能解決方案?」的答案並不總是肯定的。大型語言模型 (LLM) 對某些專案來說仍可能太昂貴,而且就像所有 ML 模型一樣,它們也無法保證精確度。總會有一些情況,實施 ML 並非最佳方法。那麼 AI 專案經理應該如何評估客戶的需求是否值得使用 ML 解決方案?
引導這項決策的關鍵因素包括
- 滿足客戶需求所需的輸入與輸出:客戶向您的產品提供輸入,然後產品再提供輸出。例如,由 ML(輸出)產生的 Spotify 播放列表可能會依賴使用者偏好、喜歡的歌曲、最喜愛的藝人和喜歡的類型等輸入。
- 輸入與輸出的組合:客戶需求的不同取決於他們期望從相同或不同的輸入獲得相同或不同的輸出。隨著可能的輸入輸出組合數目不斷增加,尤其是在規模較大的情況下,使用 ML 而非基於規則的系統的理由就更為充分。
- 輸入和輸出的模式:識別輸入和輸出的關係模式有助於確定 ML 模型的正確類型。如果存在明確的模式,例如分析客戶回饋以判斷情感,有監督或半監督模型可能比 LLM 更具成本效益。
- 成本與精確度:在規模上,LLM 的調用可能會很昂貴,而且即使經過微調和快速工程,其輸出也不一定精確。在某些情況下,使用固定標籤集對輸入進行分類的監督模型或神經網路,甚至是基於規則的系統,可能是比 LLM 更好的選擇。
為了幫助專案經理評估客戶需求,並決定 ML 是否是正確的方向,我以簡單的表格總結了上述的注意事項。
客戶需求類型 範例 ML 實作 (是/否/取決於) ML 實作類型 相同輸入需要相同輸出的重複性工作 線上表格自動填寫電子郵件 無 基於規則的系統足以處理這些輸出 相同輸入需要不同輸出的重複性工作 客戶正在探索,並期望每次重複操作(例如登錄)都能帶來新的體驗:
- 每次點擊都會產生新的作品
- StumbleUpon (記得嗎?) 在網際網路中隨機尋找新的角落 是的 - 圖片產生 LLM
- 推薦演算法 (協同過濾) 不同輸入需要相同或類似輸出的重複性任務 - 作文評分
- 識別客戶回饋的主題 視情況而定 如果輸入 - 輸出組合簡單直接,則基於規則的確定型系統可能就足夠了。
當規模擴充導致基於規則的系統有太多組合時,請考慮:
- 分類器
- 主題建模
但前提是輸入中必須存在模式。
如果沒有模式存在,LLM 可用於一次性的任務 (雖然精確度不如監督模型)。 需要針對不同輸入提供不同輸出的重複性任務 - 回應客戶支援查詢
- 搜尋功能 是 如果沒有 ML,要在規模上處理不同的輸入和輸出是不常見的。
以規則為基礎的方法無法有效管理大量的排列。請考慮:
- 具有檢索增量生成 (RAG) 的 LLM
- 搜尋產品的判斷樹 具有不同輸出的非重複性任務 撰寫飯店或餐廳評論 是的 在 LLMs 之前,這類任務通常需要經過特別訓練的模型,例如
- 循環神經網路 (RNN)
- 用於預測下一個字的長短期記憶體網路 (LSTM)
LLM 現在非常適合這種情況。
主要的啟示剪刀可以用的時候,就不要用光劍。使用上述矩陣評估客戶需求,同時考慮實施成本和輸出精確度,以建立可擴充、精確且具成本效益的產品。
Sharanya Rao 是金融科技組產品經理。本文所表達的觀點僅屬作者個人意見,不代表其雇主或關聯組織的觀點。
相關文章
美國股市觸及歷史裡程碑,人工智慧與航空航天巨頭準備開啟萬億美元時代
埃隆·馬斯克、山姆·阿爾特曼和達里奧·阿莫迪,這三位科技領域的巨頭,正推動其各自的企業邁向首次公開募股(IPO)。隨著 SpaceX、OpenAI 和 Anthropic——這三家估值接近萬億美元的行業巨頭——即將上市,2026 年被預測將成為美國曆史上新股發行規模最大的一年。這一歷史性的資本激增已引起全球金融界的關注,成為檢驗公共市場吸收如此大規模資金能力的關鍵壓力測試。這些主要融資活動的同步啟動預計將打破 2021 年創下的 1560 億美元紀錄。超級獨角獸的資本博弈每家公司上市的路徑
瑞典人工智慧初創公司Lovable Eyes在完成主要融資輪後估值達132億美元
隨著人工智慧驅動的編碼工具日益普及,瑞典初創公司 Lovable 已獲一輪重大融資。該公司計劃籌集 30 億美元,其估值有望升至 132 億美元——這是去年 12 月記錄的 66 億美元的兩倍。預計 Menlo Ventures 將主導此次投資。Lovable 的吸引力源於其核心的“氛圍編碼”(vibe coding)技術,該技術透過消除對複雜編碼技能的需求來簡化軟體開發。使用者只需以自然語言描述其需求,系統即可自動生成應用程式。這種直觀的方法吸引了個人開發者、設計師和小企業,並擴充套件至 Work
Google 測試 Remy AI 代理,以 Gemini 為重點轉向使用者控制
根據《商業內幕》的報道,谷歌正在測試 Remy,這是 Gemini 的一款全新 AI 個人代理工具。該工具旨在代表使用者執行任務,從而簡化專業工作流程和日常事務。目前,Remy 正在 Gemini 應用的內部員工專屬版本中進行測試。該報告引用了一份內部檔案以及對兩位熟悉該專案的個人的採訪。內部資料將 Remy 描述為“全天候個人代理”,將 Gemini 定位為能夠代表使用者行事的主動助手。接近該專案的訊息人士證實,谷歌員工正在積極測試 Remy。谷歌發言人拒絕提供進一步評論。該報告未提及公開發布
相關專題推薦
評論 (1)
0/500

問題:哪些產品適合機器學習?
專案經理的回答:是的。
玩笑歸玩笑,生成式人工智能的興起大大重塑了我們對哪些用例最適合機器學習的看法。傳統上,ML 應用於客戶體驗中重複性的、可預測的模式。但如今,我們甚至可以在不需要大量訓練資料集的情況下使用某些形式的 ML。
即使如此,「這些客戶需求是否需要人工智能解決方案?」的答案並不總是肯定的。大型語言模型 (LLM) 對某些專案來說仍可能太昂貴,而且就像所有 ML 模型一樣,它們也無法保證精確度。總會有一些情況,實施 ML 並非最佳方法。那麼 AI 專案經理應該如何評估客戶的需求是否值得使用 ML 解決方案?
引導這項決策的關鍵因素包括
- 滿足客戶需求所需的輸入與輸出:客戶向您的產品提供輸入,然後產品再提供輸出。例如,由 ML(輸出)產生的 Spotify 播放列表可能會依賴使用者偏好、喜歡的歌曲、最喜愛的藝人和喜歡的類型等輸入。
- 輸入與輸出的組合:客戶需求的不同取決於他們期望從相同或不同的輸入獲得相同或不同的輸出。隨著可能的輸入輸出組合數目不斷增加,尤其是在規模較大的情況下,使用 ML 而非基於規則的系統的理由就更為充分。
- 輸入和輸出的模式:識別輸入和輸出的關係模式有助於確定 ML 模型的正確類型。如果存在明確的模式,例如分析客戶回饋以判斷情感,有監督或半監督模型可能比 LLM 更具成本效益。
- 成本與精確度:在規模上,LLM 的調用可能會很昂貴,而且即使經過微調和快速工程,其輸出也不一定精確。在某些情況下,使用固定標籤集對輸入進行分類的監督模型或神經網路,甚至是基於規則的系統,可能是比 LLM 更好的選擇。
為了幫助專案經理評估客戶需求,並決定 ML 是否是正確的方向,我以簡單的表格總結了上述的注意事項。
| 客戶需求類型 | 範例 | ML 實作 (是/否/取決於) | ML 實作類型 |
|---|---|---|---|
| 相同輸入需要相同輸出的重複性工作 | 線上表格自動填寫電子郵件 | 無 | 基於規則的系統足以處理這些輸出 |
| 相同輸入需要不同輸出的重複性工作 | 客戶正在探索,並期望每次重複操作(例如登錄)都能帶來新的體驗: - 每次點擊都會產生新的作品 - StumbleUpon (記得嗎?) 在網際網路中隨機尋找新的角落 | 是的 | - 圖片產生 LLM - 推薦演算法 (協同過濾) |
| 不同輸入需要相同或類似輸出的重複性任務 | - 作文評分 - 識別客戶回饋的主題 | 視情況而定 | 如果輸入 - 輸出組合簡單直接,則基於規則的確定型系統可能就足夠了。 當規模擴充導致基於規則的系統有太多組合時,請考慮: - 分類器 - 主題建模 但前提是輸入中必須存在模式。 如果沒有模式存在,LLM 可用於一次性的任務 (雖然精確度不如監督模型)。 |
| 需要針對不同輸入提供不同輸出的重複性任務 | - 回應客戶支援查詢 - 搜尋功能 | 是 | 如果沒有 ML,要在規模上處理不同的輸入和輸出是不常見的。 以規則為基礎的方法無法有效管理大量的排列。請考慮: - 具有檢索增量生成 (RAG) 的 LLM - 搜尋產品的判斷樹 |
| 具有不同輸出的非重複性任務 | 撰寫飯店或餐廳評論 | 是的 | 在 LLMs 之前,這類任務通常需要經過特別訓練的模型,例如 - 循環神經網路 (RNN) - 用於預測下一個字的長短期記憶體網路 (LSTM) LLM 現在非常適合這種情況。 |
主要的啟示剪刀可以用的時候,就不要用光劍。使用上述矩陣評估客戶需求,同時考慮實施成本和輸出精確度,以建立可擴充、精確且具成本效益的產品。
Sharanya Rao 是金融科技組產品經理。本文所表達的觀點僅屬作者個人意見,不代表其雇主或關聯組織的觀點。
美國股市觸及歷史裡程碑,人工智慧與航空航天巨頭準備開啟萬億美元時代
埃隆·馬斯克、山姆·阿爾特曼和達里奧·阿莫迪,這三位科技領域的巨頭,正推動其各自的企業邁向首次公開募股(IPO)。隨著 SpaceX、OpenAI 和 Anthropic——這三家估值接近萬億美元的行業巨頭——即將上市,2026 年被預測將成為美國曆史上新股發行規模最大的一年。這一歷史性的資本激增已引起全球金融界的關注,成為檢驗公共市場吸收如此大規模資金能力的關鍵壓力測試。這些主要融資活動的同步啟動預計將打破 2021 年創下的 1560 億美元紀錄。超級獨角獸的資本博弈每家公司上市的路徑
瑞典人工智慧初創公司Lovable Eyes在完成主要融資輪後估值達132億美元
隨著人工智慧驅動的編碼工具日益普及,瑞典初創公司 Lovable 已獲一輪重大融資。該公司計劃籌集 30 億美元,其估值有望升至 132 億美元——這是去年 12 月記錄的 66 億美元的兩倍。預計 Menlo Ventures 將主導此次投資。Lovable 的吸引力源於其核心的“氛圍編碼”(vibe coding)技術,該技術透過消除對複雜編碼技能的需求來簡化軟體開發。使用者只需以自然語言描述其需求,系統即可自動生成應用程式。這種直觀的方法吸引了個人開發者、設計師和小企業,並擴充套件至 Work





首頁






