人工智能实验的墓地
大多数尝试人工智能的公司都有一个“墓地”——一个包含演示文稿、几个静置的 Slack 频道，以及三四项在演示中表现不错但随后悄然停止的试点项目。没有人主动终止它们，它们只是从未进入日常使用。
舒适的故事是这些都是低成本实验，所以损失较小。这个故事是不准确的。一个从未达到生产阶段的试点项目花费的费用远超构建它的发票费用，而最大的成本甚至不会出现在发票上。
试点实际花费了什么
从可以计数的方面开始。试点消耗工程时间、供应商费用以及同意测试的人员的关注度。但测试试点的人员通常不是闲置资源。他们通常是你最强大的运营人员，因为他们对流程有足够的了解，能够判断人工智能是否有所帮助。他们花时间评估一个不产生任何成果的工具，就是从他们唯一能做的工作中抽取的时间。
然后还有数据工作。大多数严肃的试点需要有人清理记录、标注示例或连接到实时系统。这种努力是真实且持久的——但只有在试点成功的情况下。当它停滞不前时，清理后的数据会过期，集成也会关闭。你为构建一项资产而付出，却让它过期了。
从未记入账本的成本
最昂贵的部分是死板试点对所有观察者造成的影响。
第一个受害者是可信度。当一个有希望的工具展示给团队后消失，人们学会了人工智能项目只是表演。下一次你提出一个项目时，最强大的运营人员——正是你需要的人——会选择退出，因为他们看到了这种结局。你不是从零开始下一个试点，而是从自己创造的怀疑中重新开始。
第二个受害者是时间。在你的试点陷入评估僵局期间，基础模型仍在不断改进，竞争对手仍在持续交付。你希望抓住的优势并不是在演示中，而在于实际用户依赖系统后的几个月内积累的学习。一个从未交付的试点给你带来了任何这些好处。
试点为什么会停滞
试点很少因为技术不行而失败。它们停滞的原因是在编写第一行代码前就存在的决策：
- 没有拥有生产权的人。 由“创新”赞助但不是由将运行该工具的团队赞助的试点，无法进入生产阶段。
- 成功从未定义过。 如果没有提前商定什么结果会证明发布是合理的，那么每种结果都看起来像“令人印象深刻，让我们继续探索”。
- 最后一英里超出了范围。 权限、监控、错误处理和支持被视为后想，因此一个可工作的原型仍需数月时间才能安全依赖。
- 试点解决了一个演示，而不是一个工作流程。 它处理了干净的情况并忽略了实际工作中占多数的混乱30%。
请注意，这些都不是模型问题。它们是关于所有权、范围和承诺的决定——在开始时做出的决定。
以将要交付为目标运行试点
解决方法是停止将试点视为技术问题，而是将其视为生产的第一阶段。在开始前，指定一个人在生产中拥有该工具的所有权，并赋予他们否决权。写下触发发布和安全关闭的单个数字。将访问、监控、模型错误时的备用方案等最后一步工作纳入试点范围，而不是试点之后。选择一个实际的工作流程和实际的体积，而不是展示。
这会慢一些开始，但正是这一点。少数旨在交付的试点项目将胜过一个繁忙的实验管道，在结果上和你与团队保持的信任上都更有效。
在Hercules A，当客户的人工智能努力停滞时，我们首先寻找的不是更好的模型，而是缺少所有权和未定义的终点。技术很少是瓶颈。
试点不是因为它工作而成功，而是因为人们开始依赖它，如果它消失了，他们会注意到。任何低于这一点的花费都是你已经支付但尚未计数的费用。