决定何时以及如何在你的团队中引入AI技术是一项挑战。市场上可选择的技术繁多，据venturescanner.com网站报道，目前已有885家AI公司获得了近90亿美元的投资。此外，还有大量的成熟供应商和新兴公司。面对如此多的选择，很容易感到迷茫，甚至陷入分析瘫痪。

然而，我们必须明白，即使面对众多选项，我们依然可以通过合理的方法做出明智的选择。尽管AI技术已经十分先进，但我们仍可以借鉴在其他软件应用中行之有效的方法。

从问题出发

在大数据时代，我鼓励大家从一个问题开始学习，而不是从工具入手。这个原则同样适用于AI和机器学习领域。在这个时代，我们有机会提出大胆而无畏的问题，因为硬件和软件的限制已经不再是障碍。

首先，花时间深入了解你所要解决的问题类型。运用“五个为什么”的方法（连续问五个“为什么”）来探究问题的根本原因。根据我的经验，常见的问题类型包括：

• 收入增长：哪些是我们最有价值的产品、客户或预期收益？我们应该采取哪些措施来最大化收益？这通常涉及到传统市场细分和商业智能报告的扩展。借助大数据和AI工具，我们可以进行更深入的数据分析和预测。

• 成本控制：在运营过程中，哪些环节效率低下？如何优化这些环节以降低成本？这同样需要利用传统报表技术进行扩展。

• 用户体验：如何提升用户的最佳体验？除了已有的工具和方法，推荐引擎（类似亚马逊和Netflix）在此领域发挥重要作用。面向客户服务的自动助手也逐渐成为可能。

• 知识发现与决策支持：从现有数据中挖掘出哪些新知识？如何利用这些知识来支持决策？这是我最感兴趣的领域之一。虽然决策支持工具早已存在，但技术的进步不断提高了计算机的分析能力，使我们能够更专注于发现和解决问题。

• 智能机器与软件：这一领域致力于创造智能机器来解决特定问题，如导航和数据分析。即使不是专业的软件开发商，如果你有商业创意，也可以与那些能提供愿景的人合作。

有时，最好的解决方案可能不是软件，而是对人的改进和流程的优化。例如，我曾被邀请帮助一家出版社评估新的分析工具。通过深入了解，我发现他们面临的实际问题是“创新者的困境”。新技术可能会破坏现有的商业模式，因此需要优先解决市场混乱。我提出了适度的技术改进方案，但更建议他们将重点放在商业模式的调整上。

你可能会发现，许多传统的商业智能工具在某些情况下已经足够应对大数据问题，无需依赖人工智能。记住，成功的关键在于提出正确的问题，而不是追逐最新的工具。

识别机器学习类别

尽管机器学习工具和算法种类繁多，但实际上只有几种主要的方法。首先，根据你要解决的问题来识别适用的方法，这有助于缩小供应商范围和选择最佳工具。这看似显而易见，但我见过很多公司在未明确需求和方法的情况下就开始使用特定工具（如Hadoop）。

常见的机器学习方法包括：

• 特征提取：从原始输入（如文本、图像、视频、音频）中提取相关特征和模式，以便后续机器学习算法使用。

• 聚类：又称“无监督学习”，将相似的数据或特征分组。关键在于找到一种比较相似性的方法。

• 分类：又称“监督学习”，根据已知数据和用户定义的类别，开发规则对数据进行分类。这些规则可用于预测新对象的类别，如图片和视频的标注。

• 预测：根据现有数据建立关系和规则，预测未来的事件，如客户流失或购买行为。预测是一种有趣的技术，其吸引力在于能够预见未来。

尽管这些方法看似简单，许多公司在实践中却常常走弯路。即使是像谷歌无人驾驶汽车这样的高级解决方案，也基于这些基础模块构建。

选择符合风险承受能力的技术

一旦明确了所需的机器学习算法类型，下一步是评估和选择符合特定需求的技术。你可能会倾向于采用最先进的方法，但这可能导致与组织的风险承受能力不匹配。我曾见过一些大型成熟组织选择了灵活的小公司提供的软件，但很快便遇到问题。

因此，最好选择与你的整体战略、理念和风险承受能力相符的供应商。技术领域变化迅速，纯技术决定往往目光短浅。你需要一个能够快速成长和适应的合作伙伴，以避免期望不匹配。除了技术因素外，还需考虑以下方面：

• 公司成长战略
• 领导团队的咨询方式（如瀑布模型、敏捷开发等）
• 技术风格（如专有技术、集成技术等）

选择与企业文化相契合的公司，这将有助于你在AI之旅中找到合适的合作伙伴。你还可以利用这些评估标准来排除不符合要求的公司。如果你是一家需要更多创新的大型公司，可以选择更具活力和进取心的供应商，以注入新的思想和能量。但无论如何，始终保持警觉，密切关注所有动态。

最后的思考

在机器学习的喧嚣中，存在着解决复杂业务问题和改革新产品的真正机会。但面对市场的嘈杂，你需要保持冷静，理性地评估项目需求、选择合适的方法，并评估供应商。做到这些，你就能超越大多数竞争对手，并成为该领域的佼佼者。