前言：本文是AI在To B领域落地的最新认知观点分享——先解读大B公司内部做AI的不易 ， 然后进一步分析To B AI 平台的困境和机会 。

文章图片

1
大B公司内部做AI的不易
一、需求定义
比如 ， 对于任何一家出行服务商 ， 都会面临“性骚扰”、“疲劳驾驶”等安全问题 。
如何定义—— 什么叫骚扰？

• 性别属性：常规来说 ， 我们默认会认为是“ 男司机对女乘客（骚扰） ” ， 那有没有可能 ， 是“ 女司机对男乘客 ”？还有“ 男司机对男乘客 ”、“ 女司机对女乘客 ”……

提出问题 ， 甚至抱怨 ， 是容易的 ， 但如果真的要解决问题 ， 必须有机会近距离的接触海量用户数据、用心体会各种复杂交互场景；这里面会有无数的细节 ， 需要产品经理们去洞察 。 正如《智能制造：从工业中来 ， 到工业中去 | 甲子光年 》中提到的 ， “思想和灵魂需要 在做的过程中逐渐领悟到（know-how）”
二、方案尝试
即使初步找到了几个看似正确的问题（需求）定义 ， 接下来 ， 往往需要用机器学习来“识别”出海量数据背后的这些“模式” 。
回到出行服务商的例子 ， 不论是定义“性骚扰”or“疲劳驾驶” ， 实际情况中 ， 可能需要尝试 10～20个“假设”、涉及 30～40个“纬度” ， 谁能一开始就知道 ， 哪个“假设”是对的？没人能先知式的判断；所以 ， 需要 试错 。 但是 ， 为了获取这么多假设/纬度的数据 ， 仅仅在产品（app）里完成埋点 ， 就花了半年……
运气好的话 ， 团队能够发现更好的AI产品落地方法 。 比如 ， 如何识别司机疲劳？

• 常规大样本的处理方法 ， 实际中效果并不好 。
• 真正work的是“PM+算法”—— PM来观察真实世界中的小样本case ， 总结出“连贯动作的特征集合”
• 也就是说 ，小样本AI应用的逻辑 ， 和大样本不一样了！

运气不好的时候 ， （大概率的）很可能做了半年后 ， 还不知道哪个假设是对的 ， 就别谈最后的问题解决效果了……
遇到这种情况 ， 怎么才能保证团队不被砍掉、可以继续做下去呢？
三、组织架构
先说结论：必须让同一个人来负责“AI产品团队”和“业务产品团队” 。
否则 ， 如果是不同利益导向的团队 ， 很可能会“屁股决定脑袋” ，不愿意AI团队过度的来解决某些业务问题 。
这倒不是说 ， 业务团队本身多么主观错误 ， 而是因为 ， 一方面 ，业务团队可能不知道“如何能把AI工具用好”；另一方面 ， 更重要的是 ， 某些问题在被AI解决之前 ， 难道业务部门不知道吗？其实 ， 不仅业务部门知道 ， 甚至大老板们也非常清楚 ，但是 ， 他们都还没有必须这样做的决心——
四、公司决心
对于很多AI落地feature点 ， AI团队觉得是很好的尝试机会（idea） ， 但业务团队并不这么认为 ， 因为 站在其现有视角和利益背景下 ， 那个问题真的不是必须要改的 ， 不能怪他 。
也许 ， 只有到了生死存亡的时刻 ， 公司才有决心“必须要用AI来解决这个业务问题” ， “必须让一个人来统管业务和AI团队” 。
比如 ，安全、监管、质检、隐私等等 。 出行服务商在被舆论和政府责备之前 ， 难道不知道有性骚扰或驾驶疲劳问题吗？各种聊天机器人在因“涉黄、涉政、涉暴”而被下线之前 ， 难道不知道有风险吗？各种工业、制造业中的效率问题 ， 难道之前不存在吗？都是存在的 ， 但是 ，没有足够痛的时候 ， 企业会有各种简单粗暴的方式去解决 ， 比如堆人工 ， 比如堆知识库/关键词 。有鸟枪还可以用 ， 总觉得不用换炮 。