NSDT工具推荐： Three.js AI纹理开发包 - YOLO合成数据生成器 - GLTF/GLB在线编辑 - 3D模型格式在线转换 - 可编程3D场景编辑器 - REVIT导出3D模型插件 - 3D模型语义搜索引擎 - AI模型在线查看 - Three.js虚拟轴心开发包 - 3D模型在线减面 - STL模型在线切割 - 3D道路快速建模

人工智能 (AI) 是目前 IT 行业最热门的话题，受到大型科技公司、大型企业和投资者的青睐。如果有人不参与 AI，他们就出局了。虽然“AI 泡沫”一词尚未公开使用，但街上的每个人都可能听说过 AI 将取代我们的工作（可能不会，但基于 AI 的工具已经让这一切变得更容易）。

尽管这些预测在某种程度上是正确的，而且我们很可能正在见证一场革命，但我们仍然在这里，需要回答这个问题：我们如何才能控制 AI 的力量？商业世界厌恶真空，作为企业主或有抱负的创始人，我们应该考虑 AI 如何融入我们的难题并影响我们的工作。

本文的要点如下：

  • 专注于将 AI 作为数字服务中的一项功能而不是独立产品进行集成。确定 AI 的宝贵用例，尤其是在生成 AI 中。
  • 确定 AI 是核心产品、一项功能还是解决特定业务问题。避免商品类别和噱头。
  • 评估你的 AI 能力、工具知识、预算和现有业务收入，以衡量 AI 开发的可行性。
  • 研究主要云供应商和公司的现有 AI 解决方案。选择抽象级别更高的工具。
  • 一开始，聘请具有 AI 经验的通才和熟练的软件开发人员。数据工程师只是在后期才变得必不可少。
  • 确保强大的数据获取、处理和存储。高质量数据对于 AI 性能至关重要。
  • 优先解决实际业务问题并提供用户价值。保持灵活性并接受持续学习和改进。

1、AI软件开发的现实

很快，人工智能和机器学习解决方案将不再作为独立产品给人们留下深刻印象。相反，它们将被视为数字服务中的基本和明显的功能。

目前，市场上充斥着不同类型的人工智能产品，但我们缺乏用例，尤其是生成式人工智能。这就是我们应该关注它们的原因。不要只着眼于创建人工智能软件；要着眼于为它找到一个很好的用例。

在制作人工智能的背景下，我们可以想到的许多用例正在慢慢成为商品，例如：

  • 从图片中识别文本
  • 文本转语音
  • 语言翻译、语言学习（告别 Duolingo）
  • 商业智能（简单来说）
  • 文本校正
  • 研究和内容合成
  • 智能自动完成

作为创始人，你可能有一个在业务中使用人工智能的愿景。然而，你的主要目标应该始终是创造一个解决实际问题的产品，而不仅仅是吸引投资者。考虑到这一点，我将向你展示如何创建基于人工智能的产品。请记住，创建初创企业的所有常规规则仍然适用。

2、如何着手构建 AI 软件？

首先，确定产品中 AI 的用例

诚实地回答有关在你的应用中实施 AI 的以下三个问题：

  • 它是否打算成为产品本身（想想 OpenAI 或 Anthropic 这样的案例）？

如果答案是“是”，请进行彻底的竞争对手分析。很有可能，你的想法已经属于“商品”类别，不会作为独立解决方案出售。或者开发成本将很高（仅 2023 年，微软就向 OpenAI 投入了 100 亿美元）。

除非你能够获得巨额资金和特定于您业务领域的独特、有价值的数据，否则你应该将构建 AI 本身就是产品的解决方案留给大公司。目前（截至 2024 年 5 月）的 NVIDIA 股价并非巧合，我们只能这么说。

  • 它是否意味着一个有趣的噱头，例如电子邮件客户端中的智能自动完成功能，或电子书店中的“下一步阅读什么”推荐？

我鼓励你批判性地审视自己的想法，以辨别它是否属于“噱头”类别。你的主要目标始终应该是打造一款出色的产品。如果核心理念存在缺陷，花哨的 AI 功能不会带来巨大的改变。毕竟，即使借助神奇的 AI，糟糕的电子邮件客户端也无法击败 Gmail，不是吗？

  • 它解决了特定的业务问题吗（例如，根据各种因素计算农业所需的肥料量）？

你遇到了问题，并且有假定的解决方案。还是你有？如果你只想收集数据并且“到达那里后就会发现”——请当心，这是一个陷阱。了解你的场景；你想要解决的问题是否与你的目标用户群所面临的问题相同？如果不是，重新开始可能会为你节省大量资金。

其次，评估你构建 AI 系统的能力

评估你在 AI 领域的能力：

  • 你自己是数据科学家还是数据工程师？

AI 专业知识可以提供巨大帮助，但也可能给人一种虚假的优势感。即使你熟悉 AI 开发流程，也要考虑你可能还不知道的有关构建软件解决方案本身的知识。

  • 你是否了解并熟悉用于开发 AI 解决方案的工具？

同样，如果不了解这些工具，你需要熟悉它们的人。另一方面，你熟悉的工具集可能并不完美适合特定用例。例如，在开发计算机视觉解决方案时，成为 LLM 专家不会有太大帮助。

  • 你的预算是多少？

就可能实现的目标而言，这可能是一个非常有限的因素。另一方面，它可以帮助优化你的 AI 软件开发项目，以优先考虑最重要的事情（顺便说一句，你应该聘请一位可靠的产品经理）。

  • 你的企业是否已经开始创收？

在人工智能研发中，预算低估是很有可能发生的，尤其是当你没有按照逻辑顺序进行时——先数据，后模型。在开发过程中拥有稳定的收入将使它更加顺畅。

  • 你在开发数字产品方面有什么经验？

正如你可能猜到的，这是一把双刃剑。显然，这似乎是让你领先于他人的另一项因素，但例如，在没有意识到你和他们之间的差异的情况下采用一家大公司的流程可能会对整个项目造成巨大的损害。

如果你和你的想法都通过了这次评估，我们可以考虑下一步该怎么做。

3、构建 AI 软件需要什么？

这里我们有两个可能的方向：要么从头开始开发 AI 软件，要么使用现有的 AI 平台和产品。

开发自己的模型很诱人，尤其是因为专有技术受到投资者的高度重视。另一方面，回到我们之前所说的，你想解决一个特定的业务问题。要选择最佳方向，值得考虑你可能面临的难以满足的要求：

  • AI 软件市场动态发展，目前有大量资金投入到创建 AI 技术中。有可能，你花了一年时间研究的东西可能会在一夜之间被一个大公司的一个公告所取代。你需要考虑到从头开始开发自己的 AI 比传统的基于 AI 的软件开发需要更多的时间，这是可以理解的，因为它是研发而不仅仅是 D。
  • 参照上述内容，时间就是金钱。需要钱来支付专门从事 AI 项目的人员的工资，他们目前并没有抱怨工作机会（至少可以这么说），被竞争对手出价的风险很大。尤其是如果你还处于早期阶段，还没有已经被证明可以在市场上行之有效的产品。在这个阶段，一名员工离开你的公司会让你付出双倍的代价。
  • 人员和能力：数据科学专业人员在工作理论方面非常出色，他们往往专注于特定领域的狭窄工具。然而，他们可能缺乏开发模型所需的工具和基础设施方面的知识和经验。这意味着你需要增加更多具有高要求技能的人。数据科学工作需要平静和时间，在创业环境中，人们需要采用一种特殊的思维方式（速度！），这不一定能很好地结合起来。
  • 最重要的是：数据。如果你在开始开发之前没有用于训练模型的数据源，那么很容易错过成本估算。从我对三种不同产品的个人经验来看，这样的流程设置是一个巨大的资金真空。就我个人而言，我看不出这有什么办法能成功。
  • 假设你有一个数据源，甚至是一个数据湖，你下一步会做什么？如果你在这里停顿了一下而没有立即得到答案，那就表明现在可能不是开发自己的 AI 模型的合适时机。

如果你没有解决上述问题的答案，你一定要研究现有的解决方案。这意味着你不应该在业务的早期阶段建立自己的 AI 模型。一开始，你的首要任务应该是解决问题。内部构建自己的解决方案很可能只是一种效率较低的解决方法。

4、如何开始你的 AI 开发？

对现有的 AI 解决方案进行彻底研究

首先，你应该自己研究市场上现有的 AI 解决方案。我建议从最大的云供应商开始：AWS、Microsoft Azure 和 Google Cloud。他们每个人都提供针对像你这样的人的服务。接下来，你应该研究其他公司提供的产品；OpenAI 和 Anthropic 就是其中的代表。你还可以研究开源模型，这些模型可以让你更好地控制你的基础设施。

选择合适的工具和合适的人

说到工具，抽象级别越高越好。如果你还不是某个特定工具的专家，那么你就不想在发展业务时成为专家。作为创始人，你会走上万事通的道路。

与此相关，你需要与人合作。如前所述，专门研究特定技术的人目前可能不是最适合你的人。我建议寻找通才——了解市场提供的产品，并能够高效设置和运行端到端解决方案的人。一旦你知道自己的确切需求，再来雇佣专家。在这种情况下，我会寻找数据工程师，甚至是具有 AI 实施经验的熟练软件开发人员，而不是数据科学家。在我看来，即使是普通的 Web 开发人员也应该能够使用主要云供应商提供的服务。

专注于数据采集和管理

接下来是数据：数据采集至关重要，开发数据管道也是如此——这实际上是一项数据工程任务。你需要一个强大而可靠的数据基础设施，以确保高质量的数据持续流入你的系统。这不仅涉及收集数据，还涉及清理、处理和存储数据，使其易于访问，以便训练和改进你的 AI 模型。拥有一个没有数据的惊人的 AI 模型就像拥有一辆没有驾照的超级跑车。有什么意义呢？数据的质量和相关性直接影响 AI 的性能，因此这是开发过程中的关键部分。

设计可扩展的 AI 系统架构

制定数据采集策略后，下一步就是设计 AI 系统的架构。这涉及概述数据如何在系统中流动、如何训练和部署模型以及用户如何与 AI 应用程序交互。请记住，简单是关键。你需要构建一个可扩展且可维护的系统，优先考虑功能而不是复杂性。

持续监控和优化你的 AI 系统

最后，持续监控和优化你的 AI 系统。创建 AI 算法不是一次性的努力，而是一个持续的学习和改进过程。利用用户的反馈进行调整，并随时了解 AI 市场的最新进展，以保持产品的相关性和竞争力。

5、结束语

总而言之，在 2024 年构建 AI 软件需要创新与现实的战略融合。AI 领域正在迅速发展，成功的关键在于明确的用例、强大的数据管理和实际实施。

无论你是利用现有的 AI 工具还是开发自己的工具，请专注于为用户提供真正的价值。保持灵活性，不断学习，不断完善你的方法。

原文链接：How To Build AI Software in 2024

BimAnt翻译整理，转载请标明出处