近年來，人工智能（AI）和機器學習（ML）引發(fā)的熱潮達到了頂點。無論行業(yè)如何，每家公司似乎都急于宣稱：“我們正在使用AI/ML！”雖然這些技術具有變革潛力，但盲目跟風往往導致我稱之為“熱潮驅動的過度工程”的現(xiàn)象。這種現(xiàn)象指的是企業(yè)在不需要的項目上過度投資AI/ML，浪費資源并使問題不必要地復雜化。

什么是AI/ML過度工程？

過度工程是指系統(tǒng)的復雜程度超出了其目的。在AI/ML領域，這種情況發(fā)生在團隊將高級算法和模型應用于可以用更簡單、更便宜、更快速的解決方案解決的問題時。這不是創(chuàng)新，而是被偽裝成進步的低效。

例如，我最近遇到一個案例：一個團隊正在構建一個深度學習模型，將客戶投訴分類為五個預定義類別。其實，這可以通過簡單的規(guī)則系統(tǒng)或基礎統(tǒng)計建模來完成。然而，他們花費數(shù)月時間訓練和部署神經網絡，耗費了數(shù)萬美元，卻沒有在準確性上取得可衡量的改進。

為什么會發(fā)生這種情況？

AI/ML過度工程由幾個因素驅動：

1. 錯失恐懼癥（FOMO）
   公司擔心在“AI革命”中落后，急于采用AI/ML而不評估其必要性。
2. 流行詞壓力
   AI、ML、深度學習和神經網絡等流行詞聽起來令人印象深刻。團隊采用這些技術來吸引利益相關者，往往忽略了實用性。
3. 不切實際的期望
   AI/ML被視為魔法棒。領導者相信它可以解決所有問題，即使更簡單的方法更有效。
4. 缺乏專業(yè)知識
   缺乏AI/ML知識的團隊往往使解決方案過于復雜，導致系統(tǒng)臃腫低效。

熱潮驅動的過度工程的隱藏成本

• 資源浪費：時間、金錢和人才投入到回報甚微的項目中。
• 部署延遲：復雜的解決方案需要更長時間來構建和實施。
• 維護增加：過于復雜的模型更難調試、重新訓練和更新。
• 信任侵蝕：未兌現(xiàn)的承諾可能導致對未來AI/ML計劃的懷疑。

你是否在過度工程AI/ML項目？

• 從技術出發(fā)，而非問題：如果第一個問題是“我們如何使用AI？”而不是“我們在解決什么問題？”，那你已經走偏了。
• 忽視更簡單的解決方案：任務是否可以通過規(guī)則系統(tǒng)或基礎統(tǒng)計方法解決？
• 過度使用高級模型：將深度學習應用于排序、過濾或基礎分類等任務。
• 漫長的開發(fā)周期：項目耗時數(shù)月甚至數(shù)年卻沒有實質性成果。

如何避免陷阱

1. 從問題出發(fā)
   專注于你要解決的問題。AI/ML是最合適的工具嗎？還是因為它很流行？
2. 評估更簡單的替代方案
   在深入AI/ML之前，考慮自動化、規(guī)則系統(tǒng)或現(xiàn)成工具。
3. 先做原型
   構建一個小型概念驗證來測試你的假設。AI/ML真的增加了價值嗎？
4. 進行成本效益分析
   權衡開發(fā)和維護AI/ML模型的成本與其潛在收益。
5. 提升團隊技能
   確保你的團隊具備判斷何時需要AI/ML以及如何有效使用它的專業(yè)知識。

在構建之前思考

AI/ML具有巨大的潛力，但它不是萬能藥。由這些技術熱潮驅動的過度工程浪費資源，使問題復雜化，并常常導致失敗。通過專注于問題、評估更簡單的解決方案以及抵制流行詞的誘惑，團隊可以做出更明智、更有影響力的決策。

所以，下次有人建議進行AI/ML項目時，問問自己：這是解決問題的正確工具，還是我們只是在追隨熱潮？

這篇文章旨在引發(fā)關于AI/ML負責任使用的討論，并防止組織陷入過度工程的陷阱。

本文轉載自??智能運維開發(fā)??，作者：DevOpsAI