如何在2024年构建人工智能软件

人工智能是当前IT行业中最热门的话题，深受大型科技公司、大企业和投资者的青睐。如果有人不涉及AI，他们就出局了。虽然“AI泡沫”一词还没有被公开使用，但可能每个人都听说过AI会取代我们的工作（它可能不会，但基于AI的工具已经让事情变得更容易）。

尽管这些预测在某种程度上是正确的，我们可能正在见证一场革命，但我们仍然需要回答一个问题：我们如何驾驭AI的力量？商业世界讨厌空虚，作为企业主或有抱负的创始人，我们应该考虑AI如何融入我们的拼图并影响我们的工作。如果你想了解更多关于人工智能的相关内容，可以阅读以下这些文章：
2024年每个开发人员都需要掌握的生成式人工智能技能
Google的Gemini AI模型：揭开人工智能的未来
世界上最好的人工智能模型：谷歌DeepMind的Gemini已经超过了GPT-4！
我尝试了50种人工智能工具，以下是我的最爱

关键要点

• 专注于将AI集成到数字服务中，而不是作为独立产品。识别AI的有价值用例，尤其是在生成型AI方面。
• 确定AI是否是核心产品、功能，还是解决特定的业务问题。避免商品类和花哨的噱头。
• 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。
• 起初，雇用具有AI经验的通才和熟练的软件开发人员。数据工程师在稍后阶段变得至关重要。
• 确保健全的数据获取、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，拥抱持续学习和改进。

AI软件开发的现实

很快，AI和机器学习解决方案将不再作为独立产品让人们印象深刻，而是作为数字服务中的基本且显而易见的功能。

目前，市场上充斥着各种类型的AI产品，但我们缺乏用例，尤其是生成型AI的用例。因此，我们应该专注于它们。不要仅仅目标是创建AI软件，而是要为其找到一个伟大的用例。

在制造人工智能的背景下，我们能想到的许多用例正逐渐成为商品，例如：

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

作为创始人，你可能对在业务中使用AI有自己的愿景。然而，你的主要目标应该始终是创建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一个基于AI的产品。记住，所有建立创业公司的常规规则仍然适用。

如何构建AI软件？

首先，明确你产品中的AI用例，诚实地回答以下三个关于在应用中实施AI的问题：

• 它是否打算成为产品本身（例如OpenAI或Anthropic）？

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。或者开发它将花费巨资（2023年微软向OpenAI投入了100亿美元）。

除非你拥有巨额资金和独特的、有价值的数据，否则应该把开发AI本身作为产品的解决方案留给大公司。目前（截至2024年5月）NVIDIA的股票价格并非巧合。

• 它是否打算作为一种有趣的噱头，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“下一本书推荐”？

我鼓励你批判性地看待你的想法，辨别它是否属于“噱头”类别。你的主要目标应该始终是构建一个出色的产品。如果核心理念有缺陷，即使有神奇的AI功能也不会改变。例如，一个糟糕的电子邮件客户端即使有AI的帮助也不会击败Gmail，不是吗？

• 它是否解决了特定的业务问题（例如，根据各种因素计算农业中所需的肥料量）？

你有问题，你有假设的解决方案。或者你有吗？如果你只是想收集数据并“到时候再看”，请注意，这是一个陷阱。了解你的场景；你想解决的问题是否与你的目标用户群体有相同的问题？如果没有，那么重新开始可能会节省大量资金。我们的AI市场研究工具是免费开始市场研究的好方法，帮助你在解决方案之前找出真正的问题。

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或数据工程师吗？

AI专业知识可以极大地帮助，但也可能给人一种虚假的优势感。即使你熟悉AI开发过程，考虑到你可能还不知道关于构建软件解决方案的内容。

• 你是否了解和熟悉用于开发AI解决方案的工具？

再次，如果你不了解工具，你需要一个熟悉它们的人。另一方面，你熟悉的工具集可能并不适合特定的用例。例如，成为LLM专家在开发计算机视觉解决方案时可能没有多大帮助。

• 你的预算是多少？

这可能是实现可能性的一个非常限制性因素。另一方面，它可以帮助优化你的AI软件开发项目，优先考虑最重要的事情（顺便说一下，你应该雇佣一个可靠的产品经理）。

• 你的业务是否已经产生收入？

在AI研究和开发中，预算低估是很有可能的，尤其是当你不按逻辑顺序进行时——先数据，后模型。在开发过程中拥有稳定的收入会使其更加顺畅。

• 你在开发数字产品方面有什么经验？

如你所猜测，这是一把双刃剑。显然，这似乎是一个使你在其他人中领先的项目，但例如，采用一个大公司的流程而不了解你和他们之间的差异可能会成为整个项目的巨大障碍。

如果你和你的想法都通过了这个评估，我们可以考虑接下来该做什么。

构建AI软件需要什么？

这里有两条可能的路线：要么从头开始开发AI软件，要么使用现有的AI平台和产品。开发自己的模型很有诱惑力，特别是因为专有技术在投资者中高度评价。另一方面，回到我们之前提到的，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：

1. AI软件市场瞬息万变，目前在创造AI技术上投入了巨额资金。可能，你花费一年时间工作的东西可能会被一个大公司的一则公告所取代。需要考虑到从头开始开发自己的AI比传统的基于AI的软件开发需要更长的时间，这是可以理解的，因为这是研发而不仅仅是开发。
2. 与上述相关，时间就是金钱。而金钱是用来支付那些专注于AI项目人员的工资，而这些人目前没有抱怨就业机会（至少可以这么说），并且被竞争对手出价超过的风险很大。尤其是当你还处于早期阶段并且没有已经在市场上证明有效的东西时。在这个阶段，一个员工离开公司将使你的成本翻倍。
3. 人员和能力：数据科学专业人士在其工作的理论方面非常出色，他们倾向于专注于与其领域特定的狭窄工具。然而，他们可能缺乏开发模型所需的工具和基础设施的知识和经验。这意味着你需要添加更多具有高度需求技能的人。数据科学工作需要安静和时间，在初创公司环境中，需要采用一种特殊的心态（速度！），这可能不一定能很好地配合。
4. 最重要的是数据。如果在开始开发之前你没有训练模型的数据来源，非常容易错估成本。从我个人与三种不同产品的经验来看，这样的过程设置是一个巨大的资金真空。对我个人而言，我认为这种方式不会成功。
5. 假设你有一个数据源，甚至有一个数据湖，你接下来会做什么？如果在这里暂停而没有一个立即的答案，这又是一个表明可能不是跳入开发自己AI模型的正确时机的指示。

如果你没有解决上述问题的答案，你一定要研究一下现有的解决方案。这意味着在业务的早期阶段你不应该构建自己的AI模型。一开始，你的首要任务是解决问题。在内部构建自己的解决方案只是解决问题的一种效率较低的方式。

如何开始你的AI开发？

进行现有AI解决方案的彻底研究。

首先，你应该对市场上的现有AI解决方案进行自己的研究。我建议从最大的云供应商开始：AWS、Microsoft Azure和Google Cloud。它们中的每一个都提供了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东西；OpenAI和Anthropic就是其中之一。你还可以研究开源模型，这将使你对基础设施有更多的控制权。

选择合适的工具和合适的人

在选择工具时，抽象级别越高越好。如果你不是某个特定工具的专家，你不想在你业务发展的过程中成为专家。作为创始人，你会走向万事通的道路。

与此相关，你需要与人合作。正如前面提到的，专注于非常特定技术的人可能现在并不适合你。我建议寻找通才——了解市场提供什么并且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，就需要聘请专家。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，即使是一个普通的网页开发人员也应该能够利用主要云供应商提供的服务。

专注于数据获取和管理

接下来是数据：数据获取工作至关重要，同样重要的是开发数据管道——这实际上是一项数据工程任务。你需要一个强大且可靠的数据基础设施，确保高质量数据连续流入系统。这不仅涉及收集数据，还包括清理、处理和存储数据，使其易于获取，用于训练和改进你的AI模型。拥有一个惊人的AI模型而没有数据就像拥有一辆超级跑车而没有驾驶执照。有何意义？数据的质量和相关性直接影响AI的性能，使其成为开发过程中的关键部分。

设计可扩展的AI系统架构

制定数据获取策略后，下一步是设计AI系统的架构。这涉及到数据如何流经系统、模型如何训练和部署以及用户如何与AI应用交互。记住，简洁是关键。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。

持续监控和改进AI系统

最后，持续监控和改进你的AI系统。创建AI算法不是一次性工作，而是一个不断学习和改进的过程。利用用户反馈进行调整，保持对AI市场最新进展的了解，以保持产品的相关性和竞争力。

结论

总结一下，2024年构建AI软件需要战略性的创新与现实主义的结合。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用的实施。无论你是利用现有的AI工具还是开发自己的AI工具，都要专注于为用户提供真正的价值。保持灵活性，不断学习，不断改进你的方法。

感谢阅读！你还可以订阅我们的YouTube频道，观看大量大数据行业相关公开课：https://www.youtube.com/channel/UCa8NLpvi70mHVsW4J_x9OeQ；在LinkedIn上关注我们，扩展你的人际网络！https://www.linkedin.com/company/dataapplab/。

原文作者：Pragmatic Coders
翻译作者：文杰
美工编辑：过儿
校对审稿：Jason
原文链接：https://medium.com/@pragmaticcoders/how-to-build-ai-software-in-2024-87c34e8c1822