在上一篇文章中，我们介绍了在启动第一个人工智能 （AI）项目之前应该做的六件事，包括从评估企业的 AI 接受度到培养创新文化等方方面面。在这里，我们将介绍一些准备和启动第一个生成式 AI （gen AI）试点项目的方法。
当您认为自己已准备好开始第一个 AI 应用开发项目时，您首先必须确定、选择和优先考虑一些 AI 用例。要有效地做到这一点，您应该：
- 从问题入手，而非 AI 解决方案
- 集思广益，探讨生成式 AI 可能解决的问题
- 扩展您已擅长的领域
- 将 AI 应用于具体的小任务
- 确保您拥有所需的数据
让我们仔细看看它们如何帮助您的 AI 项目取得成功。
从问题入手，而非 AI 解决方案
随着人们对 AI 的兴趣激增，每个人都在想方设法在自己的企业中利用这些新技术，但许多 AI 项目都以失败告终，因为它们最终成为了寻找问题的解决方案。
假设有人想要使用一些 AI 工具，因此他们启动了一个看起来可能有用的实验。还有一些人对这个项目感到兴奋，最终花费了大量的时间、金钱和资源来开发一个成熟的 AI 应用。然而，现实在启动时就开始显现，因为项目一开始并没有定义明确且范围明确的问题。AI 应用没有任何特定用途，最终会被放弃。
这是一个很容易陷入的陷阱，但通常可以通过明确识别生成式 AI 可以帮助解决的实际业务问题或用户痛点来避免。
集思广益，探讨生成式 AI 可能解决的问题
现在您已经组件了一个跨职能的人工智能团队，大家聚在一起集思广益，寻找 AI 能够对您的组织产生真正影响的方法。
在开始之前，可以问以下几个问题：
- 生成式 AI 如何帮助我们提高生产力、降低成本或改善客户体验？
- 我们可以使用生成式 AI 来自动化哪些重复性或时间密集型任务或流程？
- 生成式 AI 如何为我们的客户提供个性化体验？
- 新一代 AI 是否可以帮助我们解锁一些尚未开发的机会？
- 我们收集了多年的数据是否可以帮助我们更好地利用？
- 生成式 AI 是否可以帮助我们更好地理解或缓解现有的风险或未知因素？
- 生成式 AI 可以帮助我们增强或扩展哪些业务价值或企业优势？
扩展您已擅长的领域
当然，当您考虑 AI 模型时，您必须考虑您实际想要建模的内容。
例如，如果您的客户服务非常出色，客户对此赞不绝口，那么请尝试找出如何建模的方法，以便 AI 可以帮助您提高服务质量。您能否使用 AI 实现自动化，让每位客户无论何时何地以何种方式联系您的企业，都能享受到您的优质客户服务？您的公司内部是否有可以建模的知识库来帮助您的客户服务代理自动回应问题？
您的企业组织还有哪些方面表现优异，AI 可以帮助实现自动化和扩展？
将 AI 应用于具体的小任务
许多 AI 项目之所以失败，是因为 AI 技术被要求一次性完成太多任务。有了明确定义的目标和边界，生成式 AI 应用才能发挥最大效用。
更简单、更具体的任务也减少了 AI 产生错误或幻觉的机会。AI 无法理解上下文（没有特定的提示或增强模型的训练数据），也不擅长进行广泛的概括，这可能会导致在尝试管理更复杂的输出或任务时遇到困难。
例如，与其尝试使用 AI 生成新的长篇原创内容，您最好开发一个专门构建的 AI 模型，并根据您的公司风格指南进行训练，以帮助您公司的内容作者更有效地编辑作品。
确保您拥有所需的数据
AI 模型的好坏取决于用于训练它的数据。提出下一个杀手级 AI 应用的想法固然很好，但如果您需要的数据不存在或质量低劣，那它就毫无意义。
如果您考虑了特定的 AI 用例，请与您的跨职能 AI 团队合作，集思广益，针对该用例有效训练模型需要哪些数据。然后，评估您的可用数据源，看看这些数据是否存在、是否易于访问以及是否具有足够高的质量以供使用。
AI 试点项目启动指南
我们的电子书《开启未来：驾驭不断创新的时代》电子书对此进行了更详细的介绍，但当您准备好启动第一个 AI 试点项目时，请记住以下几点。
明智地选择 AI 平台
随着 AI 行业的快速变化和发展，您可以通过选择基于开放平台构建的 AI 解决方案来帮助您的 AI 项目面向未来，提供灵活性和选择性。
从小型 AI 项目入手
我们已经讨论了定义明确且范围明确的 AI 用例的重要性，但在您的团队或企业在开发 AI 模型和生成 AI 应用方面拥有更多经验之前，明智的做法是从小而专注的开始。
测量、迭代和监控
务必预先确定成功的条件，这样您就知道自己实际上在尝试做什么，以及是否取得了成功。确保您有适当的指标，以便您可以衡量项目的影响，并经常检查进度。当您了解什么是有效的、什么是无效的时，这将帮助您就如何随着开发的继续改进 AI 应用做出明智的决策。
此外，还要注意“数据偏移”，并确保训练模型所用的数据与生产中看到的数据一致。这种不一致的数据可能会导致模型的行为随着时间的推移而变化。
明智地选择合作伙伴
正如我们红帽常说的：“没有人能孤军奋战”。花时间识别和选择值得信赖的合作伙伴，这些合作伙伴将有助于您获得成功，并在未来与您共同成长。
红帽能如何提供帮助
红帽在开源领域的领导地位和对上游的贡献由来已久，在 AI 的新时代继续快速发展。我们不仅在开放式 AI 平台上处于领先地位，还将继续提供与供应商无关的解决方案，帮助客户充分利用混合云来部署、托管和扩展其 AI 应用。
您可以在本电子书中详细了解红帽的优势，但以下是我们提供的优势的摘要：
- 引领开源发展的历史
- 不受约束地进行创新的自由和灵活性
- 人人可用且适应性强的 AI
- 扎根于更广泛的社区和生态系统
- 行业领先的专业知识和经验
- 企业级支持和安全防护
红帽 AI
结合使用时，红帽企业 Linux（RHEL）AI 和红帽 OpenShift AI 可提供一个功能齐全的 AI 模型开发、调优和托管平台，其部署、管理和扩展方式与您部署、管理和扩展任何容器化应用。
RHEL AI 包括：
- Granite 开源许可的 LLM 根据 Apache 2.0 许可证分发，在训练数据集和模型权重方面具有业界领先的透明度
- 受支持的InstructLab 生命周期发行版 ，为增强和微调 LLM 功能提供经济高效的可扩展解决方案
- RHEL 的可启动镜像 包含 PyTorch 等热门 AI 库，以及一系列针对硬件优化的加速器
- 由红帽提供的企业级技术支持
- 开源保证 向拥有有效付费红帽软件订阅的所有红帽客户提供法律保护
您可以在此处了解有关 RHEL AI 的更多信息：RHEL 与RHEL AI: 有什么区别？
联系红帽
凭借 Linux、容器和自动化的技术基础，红帽的开放混合云战略让您可以灵活地在任何需要的地方运行您的 AI 应用。
如需了解更多信息，请联系我们并直接与红帽对话。
了解红帽 AI
关于作者
Deb Richardson joined Red Hat in 2021 and is a Senior Content Strategist, primarily working on the Red Hat Blog.
