人工智能最后一公里难题：如何在数据不完善的情况下兼顾模型能力和成本可持续性

乔·罗斯战略技术提供商总裁 JBS 开发，其使命是揭穿围绕企业中生成式和智能体人工智能应用的最根深蒂固的迷思之一。

“很多人误以为在进行任何此类工作负载之前，数据必须完美无缺。”

——乔·罗斯，JBS Dev总裁

正如在……中强调的那样 AI Fieldbook 上的最新文章供应商和咨询顾问经常建议企业需要建立庞大的数据湖并开展多年的数据转型项目，才能开始利用人工智能——这种说法让许多高管感到不知所措。但罗斯认为，事实并非如此。

💡 “处理低质量数据的工具从未像现在这样完善。” 罗斯说道。 “一个法学硕士能理解只写了一半的题目，这简直令人惊叹。”

人工智能模型固有的不可预测性确实需要谨慎处理——尤其是在输出结果不佳的情况下。这就是…… 人机交互 模型变得至关重要。罗斯指出，对于文本或分类数据而言，本身就具有一定的弹性，但组织必须摒弃“一劳永逸”的思维模式。

“人们习惯了——‘我们建好了，它运行了，我们就把它忘了。’但这些系统可不是这样运作的。”

——乔·罗斯，JBS 开发

🏥 真实案例：医疗账单核对

为了说明人工智能在处理不完美数据时的强大能力，罗斯举了一个客户的例子： 医疗领域 需要迁移到新的账单核对系统。记录杂乱无章：

• 一些记录在 PDF格式其他人是 图像文件
• 程序细节有时会归档在…… 医生姓名
• 医生姓名出现在 患者姓名字段
• 整个系统的数据不一致。

尽管如此，生成式人工智能仍然能够通过简单的提示来筛选和清理数据——利用了…… 图像OCR识别 和 PDF文本提取随后采用了更多代理方法，例如将客户记录与保险合同进行比较，以验证账单的准确性。

📈 增量自动化模型

“你会开始将不同的用例层层叠加。我们最初的自动化程度是 20%，然后是 40%，再到 60%、80%——随着时间的推移，这个比例还会不断增长。”

——乔·罗斯，JBS 开发

罗斯强调，这并非意味着一夜之间就能达到完美。 分阶段、渐进式方法 在每个阶段都进行人工监督，既现实又有效。目标是逐步实现自动化，而不是一次性转型。

🔗人工智能的未来：成本、便携性和可持续性

展望未来，罗斯认为人工智能领域的下一个重大转变将从关注模型能力突破转向关注…… 成本可持续性 和 可移植性。

“我们如何才能降低成本，使之更具可持续性，从而不必以目前的速度建造数据中心？”

——乔·罗斯，JBS 开发

📱 这 “最后一公里”挑战正如罗斯所描述的那样，就是让这些模型在……上运行。 笔记本电脑或智能手机 他认为，这无需大规模数据中心基础设施。他还质疑了“新的训练数据将推动人工智能的下一个重大突破”这一假设——他认为模型已经基于庞大的现有信息语料库进行了训练。

💬 别再从 SaaS 供应商那里购买产品了——自己动手做吧

在 人工智能与大数据博览会在 JBS Dev 积极参与的背景下，Rose 正准备分享他所谓的“更多”内容。 争议观点组织应该 停止从SaaS供应商处购买产品 当他们有能力自己构建解决方案时。

“这其实没听起来那么难。几乎每个人都已经部署了某种形式的云服务——而这正是我会着手的地方。尤其是对于三大云服务商来说，云工具包含了你明天就能开始部署代理工作负载所需的一切，无需新的软件许可和新的培训。”

——乔·罗斯，JBS 开发

✅ 信息很明确：组织不需要完美的数据、巨额预算或冗长的供应商合同就可以开始使用人工智能。 工具已经就绪，云服务也已就绪，现在就是行动之时。