番外：Bessie’s 10-wk AI Learning Insights (Created by AI)
23:17 Share

Hello 大家好 欢迎收听今天的备忘录今天这集很特别因为除了我的这一段前导口播是手动录制的其他的内容包括正片的约 20 分钟的双人对话中英文文字稿以及节目的 show notes 全部都是人工智能生成

谷歌在 2024 年 7 月 12 号上线了一个人工智能的平台叫做 Notebook LMNotebook 就是笔记本的那个英文字 Notebook LMNotebook LM 是一款基于人工智能的笔记管理工具它的目的是在帮助用户高效的管理还有提取信息通过与用户上传的文档结合生成实用的内容和见解

除了笔记管理之外呢有一个功能就是 AI 学习了你丢给他的文字内容之后可以生成一段对话这段对话就是摘要你丢给他的内容

我在 2024 年 5 月到 8 月期间完成了伦敦商学院的 Business of AI 的 10 周的网课期间我用 Remarkable 就是一个数字的这个笔记本写下了很多的手写笔记我就试试看把我的这个写的近 100 页的手写的笔记内容导出来并且喂给 Notebook LM 这一集正片就是 Notebook LM 在学习了我的笔记之后的对话

目前对话还没有语言的选择所以是英文并且是男女对话但是这段对话的自然流利听起来就跟真人的对话一样连它的语助词都很自然的出现和使用这段一刀未剪的 20 分钟的视频而音频呢我们在丢给 ChatGPT 生成中英文的文字稿以及节目的 show notes 所以这段节目应该可以说是 90%是人工智能生成的内容

人工智能的进程真是让人惊喜又害怕欢迎大家听完今天的节目之后把你的心得在评论区跟所有的人分享照惯例节目的中英文文字稿可以在备忘录公众号备忘录家里面索取欢迎收听

欢迎来到我们的深入研究 AI 和商务设计从您的评价和纸条中,您明显兴趣于如何这些科技实际上创造价值,而不是只是说话。所以我们将将它们全部分拆下来,探索现实世界成果,并给您一些坚定的结果。是的,正是这样。最有趣的是,AI 和 ML 不再只是未来的想法。他们正在我们说话中,他们正在转化企业。

我们会看看公司用它们的所有东西,从客服服务到,相信我还是否,配饭品质控制配饭品质控制,好,现在这是我必须听到更多的事情,但是首先你的评论显示,你真的在尝试要在重要的语言上解决,分离真实的高度,你甚至提到与你的同事和领导人交流这些事物。绝对的,在经营设施前,我们需要共同的理解。是的,你知道,AI 中有很多声音,因此,实际建筑区域的证明是重要的。

你的 AI vs ML 的图像是一个很好的开始点。它显示 AI 是一个人工智能的模拟人工智能的更广泛概念,在 1950 年代的根源。

然后 ML 坐在 AI 中,专注于机器学习从数据。好的,所以 AI 是大腕带,而 ML 是技术让很多现实魔法发生,尤其是在公司。对,想起它这个方式,AI 是目标,它是创建机器可以做我们通常与人工智能相关的事情。ML 就是我们在那里来到的。

instead of programming every possible scenario,we let machines learn from huge amounts of data,finding patterns and making predictions without step-by-step instructions for everything.

而這個改變向學習的方式,在 2000 年代的時期,是一個遊戲改變。所以,這不僅是關於人工思維和,也關於讓機器學習經驗,正如我們。你甚至提到在你的文章中,有關「如果然後計算」的理論。如果我們不能完全解釋一個機器的問題,我們就不能寫每個情況的 code 吧?ML 採用了這些,是因為學習了例子,而不是因為固定的規則。這很合理。

你已經分開了三種學習方式:主導、無主導和強迫學習。我們先開始主導學習。你把我講得像我五歲的樣子。想像一個孩子用光線卡教寫動物。你給他們看一張照片,然後說"狗"。你做這件事跟狗、鳥、等等。

所以,这就是学习从列表的例子。明白。您能给我们一个关于我们的听众的例子吗?从商业方面的例子。当然。假设一个公司想要预测房价。

它们通过一个专业学习 alg 充满了很多的数据在房子的位置、尺寸、房屋数量和他们的实际卖出价格。机器学习这些功能和价格之间的联系,然后可以测试新房子的价格根据它的功能。好的,那很合理。现在我们继续谈论与不专业学习的问题。这有点怪异。是的。那是什么?想起它就像是在清理洗衣服时,不知每个东西是什么。

You might group similar colors, fabrics or sizes.The machine does something similar.We give it data without labels, and it has to find patterns and relationships on its own, grouping similar items together.So it's like finding hidden structures in data without any guidance.Any practical examples of this in action?Absolutely.Imagine grouping news articles by topic.

你用一个不可谓的学习 alg 给一堆文章,然后它可以用同样的题目或关键词来组成它们,甚至没有之前的特定题目了。好,最后,还有维持学习。对。这是什么让它变得不同的?维持学习是一切的试验。想想,你把狗学习的技巧教导。好的。你为了做对的事情,你向它们奉献。然后,它们学习重复这些行动,以获得更多的奖励。机器也有同样的功能。

它在一个环境中做行动,根据选择而得到的奖励或罪名。它学习以最高的奖励来调整自己的行动。像是一个电视游戏中,机器学习最好的策略。这是一个真实世界的例子吗?一般例子是一台机器,学习最有效的方法,来清理房间。

那些是很好的解释我開始了解這些學習型的差別你也提到資料在這方面重要為什麼呢資料是 AI 和 ML 的重點你的資料是資料的代價

那很正確。你也對,指出了資料的質素的重要性。對。不僅是關於有很多資料的問題,也在於確保它是高質素資料,相關的工作。就像你所說的,垃圾進就是垃圾出。我們需要有好的資料,讓機器能夠效果的學習。你也提到這裡,你比較人文的語言,即是自然語言,與機器的語言,即是功能語言。這意味著什麼?想想看,人類會用字和寫字來溝通。

Machines understand data in the form of numerical features.To train a machine learning model,we need to translate real-world information into a language the machine can understand.

这是达到的数据工程。所以我们需要小心地选择对的功能来进行模型。这似乎需要一些严重的专业。你绝对对的。功能工程是重要的。它是在选择、转化和创造最有用的数据来进行真实数据进行模型的表现。你还提到你的课程中的综合计划和深入学习。你能不能透露一下?综合计划是人脑所吸引的。

想象接线组合的组织进行证明,互相通过信号。

深入学习代表着多层层的脑络让他们学习有多种困难的模式他们特别有用于像画像和语言认识的任务他们学习有多种多层的脑络所以深入学习是更多层的脑络对这解释了为什么他们那么受人喜欢的例如自驾车和脸部认识我们有很多关于这些我们研究了 AI 和 ML 研究了不同的机器学习的类型以及提出了数据的重要作用

我认为是时候看看一些真实世界的例子,如何公司使用这些技术来创造价值。你认为如何?我同意。我们来进入一些案例。我们有些非常有趣的例子,从各种业务中,包括 vodafone,t-mobile,domino's pizza,和 schneider electric。每个公司都成功地用 AI 和 ML 来解决特定的商业挑战。这是让人感到非常有趣的地方。我们来进入它。首先,vodafone。对。

他们似乎遭受了一些大量的挑战,包括大量的增加在手机使用和数据消耗。绝对的。他们的评论显示了这些人在他们的客户服务行业中受到巨大的影响。他们需要一个方法能够有效地处理大量的联络。他们转移到 AI-主导客户服务,使用 CHATBOT。告诉我更多。他们使用了两个 AI-主导 CHATBOT,Tubai 和 Amelia,来处理客户联络。

这些 BOTs 可以处理任何从基本的账户问题到技术支持,并且让人们的资源集中在更多的复杂问题上。这里有趣的是,他们使用 AI 来增加,而不是变化人-人的互动。这是一个聪明的方式。结果是什么?结果很厉害。Vodafone 看到了重要的时间剩余,提高了客户满足,甚至增长了收入。

Chatbots 能够快速和准确地处理大量的讯息,减少时间的等级,并提升整个客户的经验。这是一个非常棒的例子,如何 AI 能够提升效率,并创造更好的客户经验。现在,我们来谈谈 T-Mobile。他们也有一个客户服务成功的故事,但似乎他们的旅程有点不同。Philipson。T-Mobile 的故事是一个很棒的例子,如何正确的 AI 执行,经常需要思考的改变。

他们原本试图完全自动自动开发客户服务,但发现它没有被他们的客户服务部接受。所以他们的最初试验太集中在自动自动,并没有考虑人类。是的,他们发现客户仍然仍然价值人类互动,特别是对更复杂或敏感的问题。

所以他们选择了一个比较人类的方式,以 AI 来增加人类的互动,而不是把它们变成了人类的互动。看来他们集中在增加人类的能力,而不是在消灭工作。这对他们有什么影响?影响很大。他们看到整个办公室的改进,客户满足,职员的自信增加,他们甚至看到收入增长。

他们的评价特别显示了他们的投资率和认识为一个很好的工作地方,这对他们的方式提供了很多的解释。这太厉害了。这显示了 AI 可以成为一个能够提升客户和职员的经验的强势工具。现在来谈谈 Domino's Pizza。他们在用 AI 的一些非常创新的方式。我特别兴趣的是你刚才提到的 Pizza Quality Control。他们是。

Dominos is a great example of how AI can optimize operations, enhance the customer experience, and yes, even ensure pizza quality.

他们从管理客户订单到预计送餐时间都遵循了 AI 的整个价值链,从管理客户订单到预计送餐时间。我们先开始说说他们的网络预计系统。看来他们在用 AI 来直线整个过程,怎么办?他们的系统使用 AI 来管理所有东西,从食物订单和工作人员计算,到预计出口的最佳时间,以计算计算计划和送餐的计算。

这帮助保证薄餅是新鲜的, 及时发送的。然后还有 Domino's Pizza Checker,我必须承认,我真的很兴趣。挺酷的。这是一个屏幕上的摄像机,将每个薄餅的照片拍下来,以确保它符合 Domino's 的高级标准。它使用了巨大的薄餅图案设备,以训练它的模型,以认识不同薄餅类型和酱料的正确看法。所以,如果薄餅不够有胡椒粉,或薄餅的酱汁不够烤好,AI 会把它放在上面。

对,这种高质控制能保持满足人口的满足感觉和品牌的丰富感觉。太棒了,似乎 Dominos 真的拥抱了 AI 来创建一个丰富、有效的客户经验。现在,我们来谈谈 Schneider Electric。他们在一个完全不同的业务中,但他们还在找办法来支援 AI 和 ML。他们的故事是什么?Schneider Electric 是一家全球专业在能源管理和自动化的专业。

他们是早期的设计者,并认识了 AI 和 ML 的能力在他们的行业中,特别是在预测保护的领域。他们的目标是预测可能的装备失败,对吗?所以,在等待有什么破坏,他们可以适当地解决可能的问题。你明白了。

他們使用他們的工具中的實時行動資料,並且 AI 和 ML algoritm 來預測可能失敗的前往。這會減少下降時間,減少修復費用,並且最終提升他們的服務的可靠性。這就是 AI 能夠以資產管理和行動性的效率來提升。

你对的,成功地实现 AI 和 ML 需要小心的计划,正确的专业知识,以及有可能的缺点的理解。

in the next part of our deep divewe'll explore the key challengesand opportunitiesand provide you with a practicalframework for making AI work for youstay tuned

所以我们看到了一些非常厉害的例子,公司用 AI 和 ML 来引发真实价值。但我们要实现一下,这不是一段远远的路,对吗?对,因为我们可以用 AI 去做某些事情,这不代表我们总是应该做。正如你刚才所说,我们必须要计划好选择正确的问题来解决。对,你一篇文章中,其实提到 AI 批准的假减和假减。就像这样,假减是当你选择 AI 时,当它不是最好的选择,你知道吗?在浪费资源。

所以我们如何避免这些缺点?什么会引起这些第一个状况的坏决定?有几个重要的事情要考虑。第一个是新技术的新鲜的模式,有时候新技术的新鲜的模式把我们困在了它的实用性。

We get caught up in the hype without truly assessing whether AI is the right tool for the jobIt's like buying the latest gadget just because it's cool without thinking about whether you'll actually use itExactly Another factor is unrealistic expectationsAI is a powerful tool but it's not magic

所以,管理期望, 和实际上 AI 能达到的目的, 这很合理。你也在你的评价中, 提到数据的质量是一个大质素的帮助, 为什么呢?因为,即使是最有知识的 alg, 坏数据会引起坏结果。

If your data is inaccurate, incomplete or biased, your AI model will learn the wrong things and give you unreliable outputs.That's why data engineering, ensuring you're working with high quality relevant data, is so critical.It all comes back to data. Garbage in, garbage out, as they say.

所以我們必須要注意新潮、期望、有正確的才能和資料質素以作出好用的決定但即使我們都做得對,也有可能會出現挑戰,對吧?當然了,你從《經濟經濟學家》中取出了一些有趣的數據 2020 年的研究發現 36%的公司都指責有缺乏才能為 AI 接種的最大障礙

30% pointed to unproven return on investment, and 16% felt their leadership wasn't on board.So it's not just about the tech itself, it's about the people, the processes, and whether the organization is truly ready.That's a lot to consider.It is, and that's why having a clear framework for AI implementation is so important.You have a cheat sheet in your notes, outlining a step-by-step process.Let's break that down.Okay, let's do it.First up,

"正确的生产机会"看起来很明显,但这到底是什么意思?这关于真正的理解你的生产挑战,以及找到 AI 和 ML 的区域,让你发现真正的区别。

Where are your bottlenecks?What processes could be automated or improved?Where could data-driven insights give you an edge?So aligning AI with your overall business strategy and finding those sweet spots where it can create real value.Precisely.The next step is assembling your team and planning your budget.This goes back to what we discussed about talent.Do you have the right people in-house or do you need to bring in expertise?And how much are you willing to invest in this?Budgeting is always a key consideration.Once you have your team and budget,

What's next?Data set selection and model training.Here's where data engineering comes in again.You need to choose the right data sources,clean and prepare that data,and then select the best machine learning model to train on it.Sounds like this stage requires a deep understanding of both data and the algorithms themselves.Absolutely.And don't forget about testing.The next step is scaling up and testing your solution.This is about making sure your AI model performs well in the real world.

你需要压制它严格地以不同的数据和情况来确保确定和可靠的所以这是一个试试主动的方式,在模型的表现中,你将更加有自信。对的。最后,还有维护和继续改善。

AI 並不是你一時忘記的東西你需要在時間內監視你的模型的表現重新訓練它,並以新資料和進展商業需要來調整這點強調了 AI 應用的自然性這是一場學習和清晰的進展我們採用了許多基礎,有可能的缺陷,實際應用的方法甚至提到資料私隱但那是更大的問題嗎?如何讓公司準備 AI 的未來?

这是一个很好的问题,这带我们到最后一部分的深入探索。我们将探索 AI 的转变性能和如何公司可以将自己定位成为在这新时代中的生产者。所以我们花了这个深入探索,真的进入了 AI 和 ML 的极端和极端,看到公司已经在使用它们,并谈论它们实际需要做到的事物。

但現在我正在想到你所說的更大的畫面,這對公司的長期性意義是什麼?他們如何改善和活躍在 AI 的新世界中?對,這些是重要的問題。你還提到這裡有關公司需要變得更穩定,並真正掌握資訊作為資產。這就是一切的開始。好的,所以資訊是重要的,明白。但說到改善,你之前提到 AI 的四馬士,

It sounds a little dramatic.Well, it is a bit tongue-in-cheek for sure, but it highlights those departments that are often the most resistant to change.Budgeting, HR, compliance and IT.They're used to maintaining order and control, which makes sense in a traditional organization, but AI requires a different way of thinking.

所以我們如何隔離這個障礙?你也提到這個概念的「Ambidexterity」,這在 AI 的意義上是什麼意思呢?你這裡有一個挺有用的圖案,顯示了 Ambidexterity 為採取採取和探索的平衡。傳統組織是很擅長採取採取,做好自己的事,並且在這些存在的過程中進行最好的調整。但 AI 需要探索,探索,採取危險。

and embracing these new technologies and approaches.So it's like finding that sweet spot between running a tight ship and being open to new possibilities.Exactly.Organizations need to build those competencies that allow them to be both efficient and innovative.It's about fostering a culture that embraces experimentation and learning while maintaining operational excellence.And

而且不只是關於系統,也關於人們。這就是指導者的目的,對吧?指導者需要調整風格,建立一個環境,支持探索和採取採取。不能只是聊聊天,他們必須走著走著,當它來到 AI 的採取。絕對的。指導者需要擁有 AI 的採取方式,但也要實際地提出這些挑戰。他們需要準備好這些組織性和文化改變,包括將 AI 進入生產中的組織。

而最大的改變就是認識資金價值這就帶我們回到資金作為資產它是 AI 的原子力但如何讓企業改變這個改變?為何要將資金當成值得的東西?這需要一個多元化的方式它是關於投資資金設計能力以確保資金的質素和可靠性它是關於分割資金圈和創造一個統一的資金策略讓資金的分享和合作在企業內部

最終,這就是一個由數據主導的文化,每個人都明白數據的價值,並使用它來做更好的決定。所以,這是一場整個組織思維的改變,而不是一個技術的改變。您也提到您的口中的 AI 工廠的概念。是什麼?AI 工廠是一種全體組織的 AI 和 ML 系統的系統,

所以它就像是在建立和扩大 AI 解决方案的重新发展和扩大 AI 解决方案的一部分,使它成为了公司的主要部署。

AI 工厂在代表那些过程中的定义、建立可用性的功能和创造那种互动的文化和知识共享的文化。这就是在 AI 进入公司的 DNA 中的融合。这次的深入讨论非常深入。从 AI 和 ML 的基本定义到公司的 AI 性能。

您的最後想法是如何讓觀眾繼續進入 AI 世界?您做了很辛苦的事,理解這些基礎,探索這些實際世界的應用,並且考慮實際應用的挑戰。現在,我們要連接這些概念,到您自己的工作和自己的目標。您在想要解決什麼問題?您看到了 AI 的操作機會嗎?您可以如何開始使用這些概念來達到真正的影響?繼續問這些問題,繼續探索,繼續學習。

这些可能性实在是无限的。这就是我们今天要说的最后一句话。记住,这是你 AI 的开始。在这里,有很多知识和可能性。我感觉你将做出很惊人的事情。