Fashioning the Perfect Fit With AI: Stitch Fix’s Jeff Cooper
37:17 Share

Jeff Cooper将他对神经科学和人类行为的兴趣转化为数据科学领域的职业生涯，如今担任在线零售订阅服务Stitch Fix的高级数据科学总监。Jeff加入了“我和AI”节目，分享了该公司如何将人类员工与智能技术相结合，以跟上客户偏好，同时实现运营效率。他还谈到了该公司如何维持极高的消费者反馈率，以及人类如何训练模型，反之亦然，从而产生有趣的反馈循环。点击此处阅读节目文字记录。嘉宾简介：Jeff Cooper是Stitch Fix（全球个性化造型服务的领导者）的高级数据科学总监，负责客户算法团队，该团队开发产品推荐、风格和增长模型。他此前曾在Tradesy、FabFitFun和迪士尼担任数据科学领导职务，还在加州理工学院和都柏林三一学院担任决策神经科学研究员。Jeff拥有斯坦福大学心理学博士学位。“我和AI”是由麻省理工学院斯隆管理学院和波士顿咨询集团合作推出的播客，由Sam Ransbotham和Shervin Khodabandeh主持。我们的工程师是David Lishansky，协调制作人是Allison Ryder和Alanna Hooper。通过加入我们的LinkedIn小组“AI for Leaders”（mitsmr.com/AIforLeaders）或关注LinkedIn上的“我和AI”与我们保持联系。我们鼓励您对我们的节目进行评分和评论。您的评论可能会用于“我和AI”的材料中。</context> <raw_text>0 今天，我们播放的是由我们的朋友Modern CTO Podcast制作的一期节目，他们最近很友好地邀请我作为嘉宾参加。我们讨论了生成式AI的兴起，技术成功的意义，以及领导者在指导技术实施工作时需要考虑的一些因素。在Apple Podcast、Spotify或您收听播客的任何地方都可以找到Modern CTO Podcast。

人类和生成式AI如何协同工作以确保我们穿着得体？在今天的节目中找出答案。我是Stitch Fix的Jeff Cooper，您正在收听“我和AI”。欢迎收听“我和AI”，这是一个关于人工智能和商业的播客。在每一期节目中，我们都会向您介绍一位在AI领域进行创新的个人。我是Sam Ransbotham，波士顿学院分析学教授。我还是麻省理工学院斯隆管理评论的AI和商业战略客座编辑。

我是Sherwin Kodubande，BCG的高级合伙人，也是我们AI业务的领导者之一。麻省理工学院SMR和BCG自2017年以来一直在研究和发表关于AI的论文，采访了数百名从业者，并对数千家公司进行了调查，了解构建、部署和扩展AI能力以及真正改变组织运营方式需要什么。

大家好。今天，Shervin和我正在与Stitch Fix的高级数据科学总监Jeff Cooper交谈。Jeff，感谢您抽出时间加入我们。非常感谢邀请我。我很高兴来到这里。让我们来谈谈一些时尚基础知识吧。什么是Stitch Fix？

Stitch Fix是一家在线个人造型服务公司。我们为超过300万客户（我们称他们为）提供服务，包括女性、男性和儿童服装。我们试图做的是帮助人们穿衣，提供最便捷的方式来找到你喜欢的衣服，找到衣服

你可能自己也找到了，我们可以找到一种很好的方式将它们与其他东西搭配起来，还可以找到你可能不会自己选择的衣服，并帮助你突破你的风格界限。因此，我们采用了一种独特的艺术与科学相结合的方法，当你注册时，你会与一位造型师匹配，也就是我们数千名风格专家之一。

然后，我们的造型师与我们的数据科学团队和我们为他们提供的工具一起工作，以帮助你找到衣服。我们将它们寄给你。你留下你喜欢的，免费退回任何你不需要的。我们已经做了十多年了。事实上，我们昨天刚刚过了13岁生日。我们最近刚刚超过1亿次造型服务。所以现在，我们花了很多时间思考

如何最好地为我们的客户服务，如何将优秀的算法和数据科学与我们风格专家的直觉和理解等结合起来。我们真的相信这种模式是帮助客户找到他们需要的东西的一种方式。这是一个很好的例子

人和机器一起工作。请告诉我们这实际上是如何发生的。机器做什么？人做什么？他们如何一起工作？我们对这个模式充满热情。我们已经做了很长时间了，从一开始就是这样。正如你所想象的，对于任何零售商来说，寄送的想法

人们没有为自己特别挑选的东西，然后他们可以免费退回，这可能有点冒险。为了做好这件事，正如我们认为我们做的那样，你真的必须非常了解你的客户。所以我们有一些事情我们认真思考要做。我们必须对我们的客户有很好的了解。我们问他们很多问题，而且

我们的客户有兴趣与我们谈论他们的风格。他们来这里是为了获得造型服务。因此，我们认真思考了我们收集反馈的所有方式。当你试穿一件商品时，无论你是否保留它，我们都会要求你提供很多反馈。我们得到了很多反馈。85%的客户会对商品留下反馈。我们一开始会问很多问题。我们在你购物的过程中会问一些问题。通常情况下，客户在每次发货时都会留下许多要求。

因此，你通过这些问题和要求了解了很多关于你的客户的信息。然后你就会问，好吧，你该怎么办？这其中很大一部分是人的方法。我们的造型师会很好地了解我们的客户。我们有工具，我们的造型师可以使用这些工具查看他们合作过的所有人的历史记录，以及他们提供的所有反馈。

所有评分。然后在这些工具中，我们的造型师还会从我们内部系统获得推荐，关于我们的系统认为哪些东西可能对该客户非常合适。这就是我们的机器学习和AI发挥作用的地方。我们将机器学习和数据科学方面的工具视为帮助我们的造型师找到合适方向的一种好方法

对于任何特定客户来说，原则上可能有数千或数万件商品可能适合他们。一个人与客户合作并试图及时为他们服务，很难浏览库存中的每一件商品并考虑什么才是完美的搭配。因此，我们所做的很多事情都是为了帮助我们的造型师工作。

使用数据和算法缩小范围，选择我们认为相当不错的商品，这些商品符合客户的要求

总的来说，他们的风格以及特定造型的要求。如果他们正在为某个特定场合购物，我们的算法可以从他们提出的要求中解读出来，我们的造型师也可以看到这一点。然后，从很多方面来说，最后一公里是由我们的造型师处理的，他们了解时尚潮流，而我们的算法仍然不了解。他们了解与客户建立的人类情感联系，以及他们可能要求的特定场合。

因此，他们可以真正帮助他们弄清楚，“啊，你知道，这将是你在这个时候试穿的最佳选择。”因此，我们在数据科学方面构建了许多工具，我们试图用这些工具来武装我们的造型师，以帮助他们找到他们可以发送给客户的最佳商品组合。大量数据，大量反馈。是的。85%的客户留下反馈似乎很多。

这对于客户的反馈水平来说似乎并不正常。但我猜这是有道理的，因为你处于这种情况，客户最有利的是尽可能多地让你了解他们的偏好。完全正确。我们是一家采用独特模式的零售商，并且这种模式很适合。

对我们施加了一些限制，但也为我们提供了很大的力量，以及我们可以与客户建立的一种不同类型的关系。我们认为，与客户的直接关系是我们模式中最重要的特征。因此，我们在我们的产品和与客户的沟通中做了很多工作

思考如何保持这种反馈循环。正如你所说，我们的反馈率非常非常高。再说一次，即使对于人们没有保留的东西也是如此。你知道，如果你要退回商品给大型零售商，你通常不会对其进行详细的反馈，如果你要退回的话。但对我们来说，

我们的客户知道，“嘿，这有助于我的造型师。”我正在与一个人合作，我正在与一套工具合作。如果我告诉他们更多关于什么有效或无效的信息，那么他们就会更快地了解我。这也有助于我们的造型师和我们的工具随着我们的客户一起发展。几年前甚至几个季度前你喜欢的某些东西现在可能不适合你了。或者你可能会觉得，“嘿，我工作的地方的潮流已经改变了，或者我换了新工作。”

我想尝试一些新的东西。在购物过程中获得反馈是我们的客户与我们沟通并帮助我们保持对他们风格理解的一种非常好的方式。

让我们了解一下规模。你提到了300万客户。有多少商品？我们是一家全规模、全系列的服装和服饰零售商，包括服装、鞋子、配饰。我们每周发货几万件造型服务，我们有几千名造型师。因此，为了让这项业务从创始人最初在她公寓里组合这些造型服务的地方发展壮大，有很多活动部件。

因此，我们的工具和自动化很大程度上是为了实现这一点，即采用一种定制化和人性化的模式，并使这种联系成为可能，并赋能我们现有的造型师，以便他们能够将这种联系扩展到他们可能合作的许多客户，并使我们的业务能够扩展到我们希望为其提供服装服务的数百万客户。

而且我必须想象，生成式AI也一定是你关注的重点，因为它具有所有，我想，更高级的认知能力。确实如此。我们对过去几年所有新的进步都感到非常兴奋。拥有与客户良好关系以及大量关于客户数据的一大好处是，我们可以使该

数据通过技术进步变得更有价值。因此，我们收集的数据，你知道，一、二、三、四年前的数据，随着新的模型和新型机器学习和AI的开发，对我们来说变得越来越有价值，因为我们可以将这些工具应用于我们已经拥有的数据，并帮助使用这些数据微调这些模型，思考如何使用我们已经拥有的数据来训练新产品。

我们对生成式AI感到兴奋已经有一段时间了。我们……

开始开发我们的服装搭配模型，作为一个内部的例子，我们认为这是一个生成式AI过程，我们的造型师正在教一个模型哪些物品可以搭配在一起，以便帮助它以完全自动化的方式创建服装。因此，如果你访问我们的网站并且你已经与我们购物过，你会看到一个名为“完成你的造型”的热门功能，它可以帮助挑选你保留的、我们知道你拥有并喜欢的商品，以及

并将其与你可能感兴趣的其他商品搭配起来。我们的客户可以自己使用名为“自由风格”的功能在网站上直接购买这些商品，或者他们可以将它们保存起来，让他们的造型师注意到并与他们的造型师讨论，“是的，我喜欢这种外观”，等等。这种早期的，“嘿，我们将使用深度学习模型创建一些新内容。”

基于我们现有的个性化引擎，我们的一些早期尝试。我们也很早就对大型语言模型感到兴奋。我们在较小规模的项目中花时间使用它们，例如制作动态广告文案或帮助改进我们网站上的产品描述页面。最近，我们对新模型的使用越来越好。我们有一个非常令人兴奋的新功能，与我们的造型师合作

使用生成式AI，我们的造型师每次向客户发货时都会为每位客户撰写个性化说明。我们推出了一项新功能

OpenAI的GPT-4，使造型师可以选择一个起点，一个模板。这是一个可选工具，他们可以使用它来完成许多造型服务中常见的介绍性语言，但该模型也知道

我们向它提供的数据包括客户喜欢的内容以及该造型服务中的商品等等。因此，作为一个节省时间的工具，它可以使我们的造型师更快地撰写这些说明，他们已经有一些候选语言在那里。这是一个很好的例子

我们喜欢的AI方法。我们正在采用一种人际关系。我们正在使其对我们的造型师更快、更容易、更具可扩展性。这为我们的造型师节省了近20%的撰写说明时间，这在我们这个规模上是一个很大的节省。我们的造型师对这项功能的推出感到非常兴奋。是的，它使他们能够专注于真正发挥其优势的地方，即

可能不一定是撰写说明，而更像是设计和选择合适的商品组合。没错。是的。这似乎与我们交谈过的许多其他嘉宾根本不同，Shervin。例如，如果我正在购买电池，我知道我想要什么电池。我只需要找到它。所以我需要告诉公司我想要什么。但在这种情况下，我不确切知道我想要什么。这叫什么？波利亚尼悖论？在波利亚尼悖论中，我们知道如何做我们无法解释的事情。

我经常听到的一个例子是打台球。人们可以在不知道任何三角学知识的情况下打台球。在这种情况下，如果我们自己不知道我们想要什么或喜欢什么，我们如何告诉模型如何表现？这似乎是一个有趣的场景，正如你所说，你处于一种探索关系中。如果你与像我这样的人交谈，我们不知道我们想要什么风格。

但我看到讨厌的东西时就知道。这似乎根本不同。它更开放。是的，比面向目标的更开放。是的，它更开放。但我认为，我知道这是一个针对你的问题，Jeff。我认为，在我看来，这不是一个设计问题，你不知道你在设计什么？它应该是什么形状。它可能是汽车。它可能是艺术或其他什么。但是有很多参数和边界条件。所以……

你有选择。这不是一个风险问题，就像，“是的，这是一笔欺诈性交易。不要授权。”或者，“这是目前对这位客户来说正确的优惠。”我知道。从这三个促销活动中给他发送这个。这与众不同，因为它非常开放。也许不仅仅是全局的，你知道，最优的。也许有很多。无论如何，我的意思是，Jeff，你正在谈论一种持续的关系。

如果我和Sam有关系，我不会试图优化每一次互动。我只是想拥有良好的关系。Shervin，你所说的关于这是一种我们不知道所谓的“正确最终目标”是什么的情况，这与我的想法非常契合，而且设计起来相当困难。在数据科学团队中，我们思考很多关于这些模型需要目标函数的问题。它需要是什么？我们在团队中就如何对我们的模型进行建模进行了很多辩论

客户的幸福感和满意度，以便模型能够朝着正确的方向发展。我们如此热衷于这种人类和ML的结合的原因之一是

首先，它使我们能够通过说，“好吧，人类将完成公司目标函数的一部分，而模型将完成公司目标函数的一部分”来解决一些棘手的问题。两者都将贡献他们最擅长的事情，以便我们能够帮助改善我们整体的客户成果。

一个非常有趣的事情，思考设计空间以及机器学习模型如何帮助解决这些根本性的创造性问题，那就是我们看到了我们使用中的模式，其中……

模型正在帮助我们的造型师找到合适的范围，然后我们的造型师会缩小范围并找到最后一公里。但我们也看到了另一种模式，即我们的造型师正在从根本上描述一些核心约束，然后我们的模型正在精确地确定他们想要到达的地方。我们的服装模型就是一个很好的例子，我们花了很多时间与我们的造型师一起帮助他们训练模型。造型师培训中有很多工作是为了建立模式

这种模型中的护栏，例如，“你永远不会让这种裤子与这种夹克搭配。这些是睡裤。它们不能与一件漂亮的衬衫搭配。”这些基本护栏，既有硬性业务逻辑，也有重复的培训，帮助模型理解核心概念。

因此，你知道，我们认为在这个创造性过程的许多部分中，机器既可以提供人们在其内工作的核心搜索空间，也可以让人类设定模型在其内工作的核心搜索空间。你使用哪一个取决于很多因素

你试图设计的产品功能以及规模。对于像我们的服装模型这样的东西，我们试图每天为我们的客户创建数千万套服装。我们不能让每个人每次都将它们组合在一起。对于我们的造型服务，我们必须让我们的造型师真正参与到这个过程中，因为这是我们核心承诺之一。所以我们认为……

根据你正在使用的功能类型和规模，人类和AI模型之间存在一系列可能的交互，可以帮助公司产生最佳结果。是的，这很有道理。我的意思是，当你提到

这是一件睡衣上衣或裤子与这件不搭配。我的意思是，它现在不与这件搭配，但它可能与这件搭配。没错。想想看。当然。因此，它似乎是一个持续的辩证法，也许是一个三元论，对吧？在造型师之间。我认为这完全正确。这是一个三足鼎立的。机器和客户，对吧？确实如此。如果你想让它更复杂一些，正如我们在数据中喜欢做的那样，它实际上是一个四足鼎立的。

点问题，第四个是更广泛的时尚潮流，完全符合你的观点，即我们的客户在市场上看到的东西、他们在时尚界看到的东西、在世界上看到的东西、我们的造型师看到的东西都在不断发展

即将到来的潮流，我们的客户可能不知道，或者可能知道，但认为不适合他们。我们的造型师可以在我们的客户中看到一些东西，并说，“实际上，我认为你穿这个会很好看，即使你认为不会。”而我们的模型可以帮助在与该客户相似的其他客户中收集到这些趋势中的某些数据。因此，它最终成为所有这些点之间的一组非常有趣的对话。

让我印象深刻的一件事是，我立刻想到了要优化的损失函数是什么。但是，你知道，也许是我的书呆子而不是时尚感。但实际上，如果你正在谈论这个，你正在谈论睡衣与这件不搭配，就像我甚至知道那样，你知道，我不穿深色袜子配凉鞋。但似乎让你的造型师教一个模型我们认为理所当然的所有事情一定很令人沮丧。但你开始了。

你穿浅色袜子吗？这样我们就知道。你穿浅色袜子吗？你是在告诉我，没有合适的袜子可以搭配凉鞋吗？我的时尚世界被颠覆了。这完全是关于自信的。如果你知道你想要什么，Sam，你可以穿它。是的，你应该关注我的时尚潮流。是的。

但你一开始是在一个非常人性化的世界，现在你处于一个非常增强的世界。在过去的13年中，似乎其中一定有一些令人沮丧的幼儿时期，你的造型师不得不这么说，“我无法相信这个愚蠢的模型把这个组合成这样。”你如何解决这个问题？确实如此，而且历史非常有趣。你知道，我一开始并不在Stitch Fix，但我在这里听说了很多故事。

在开发模型时，你可以从你能做到的开始。让造型师对我们的模型产生的分数感到满意是一个持续的过程，我们一直在讨论这个问题。在早期，你拥有基本的推荐模型。即使在10到12年前，人们也很好地理解了，

“嘿，一个简单的评分系统将说明那些购买过类似商品的其他客户也可能对这种商品感兴趣，这将帮助你缩小范围，你知道，选择一组可能有用的商品。”这是任何造型师，实际上是任何在零售业工作的人都能理解的事情。而且。

从那时起，我们一直在不断改进和增加复杂性，与我们的造型师密切合作，他们会请求很多功能和很多东西，包括对模型的更改或可能对他们有帮助的其他信息。我们一直在努力工作和考虑可能有用空间之一是

由于我们现在已经存在多年，并且我们的许多客户已经使用了数十次造型服务，对于造型师来说，查看他们多年来提供的全部反馈可能非常复杂。那么，有了我们新的生成式工具，我们就有可能创建这些内容的摘要，并帮助进一步压缩一些信息。在这种情况下，几乎就像你有一个造型师有一个可以帮助完成一些额外工作的伙伴一样。

但是

但是我们如何考虑与我们的造型师讨论为什么这个分数是这样的，对于任何参与其中的人来说都是一个非常复杂的问题。这并不是我们完全解决的问题。我们对我们的造型师进行了大量的培训。在过去几年中，我们取得的一项重大进展是将我们的模型转移到一个统一的推荐模型中。正如你所说，我们在前进的道路上采取的幼儿步骤之一是拥有一个

你知道，这是一个仅限女性造型服务的机器学习模型。这是一个仅限女性网站自由风格部分的机器学习模型，客户自己购物。这是一个仅限男性的另一个不同的模型，甚至可能有几个不同的模型可能在造型服务的不同阶段使用。我们取得的一项重大进展是将所有这些模型整合到一个

中心化的地方，在那里我们可以收集所有客户的所有信息，现在至少每天客户到客户的造型师可以感觉像，“好吧，这个模型总是知道关于客户的所有信息”，而不是，“哦，当他们在网站的这个部分购物时，它不知道我作为造型师知道这个客户已经购买的东西。”这听起来很容易说，但实际上很难做到。很难做到。很多事情都归结于这个可解释性问题。

我们造型师、客户和模型之间的这种互动，暂时忽略社会方面，任何机器学习系统都必须面对可解释性问题，即使用它的人正在从中获得输出。

通常需要了解一些关于这些东西是如何生成的原因。当你直接与客户交谈时，这已经是一个很难解决的问题了。如果我查看另一个零售网站上的推荐，我可能会想，“为什么向我推荐这个？我不太明白。”许多不同的人试图以不同的方式解决这个问题。

我们还有额外的复杂性，即我们的造型师也需要了解这些推荐来自哪里。我们的造型师需要向我们的客户解释这些推荐。因此，我们需要找到方法让我们的造型师了解

在某种意义上，模型的思维过程是什么？然后让他们也能够解释为什么这些东西可能是，我们认为，作为一种人类加模型的组合，对我们的客户来说是一个特别好的选择。作为一个很好的例子，我们认为我们的造型师仍然非常非常擅长这一点。即使使用高级语言模型，也很难超越

一个非常了解其领域的人，并且可以解释为什么对你来说，个人来说，这件商品可能是最好的。因此，我们谈到了各种各样的商品、客户和数据。你说了，有几千名造型师。AI如何帮助他们互相学习？因为当你谈到我们的造型师时，

我认为这并不是一个同质的人群，他们有不同的品味，他们可以互相学习，或者他们可以互相挑战。那么，你们是如何做到这一点的呢？我们在培训他们使用我们机器学习模型和工具的最新成果时会密切合作。本季或随着新的商品和服装在本月推出时需要注意哪些事项？

而且很多这样的培训是在人类层面进行的，以帮助他们理解这里需要注意的事项。这里有一些看起来很新的东西。这里的一个很好的例子是推出这个生成式AI说明撰写模板，我们为此进行的培训因人而异，你是多年来一直在自己撰写说明的人吗？你是否见过我们尝试过的其他撰写说明工具？或者你是刚接触这个吗？

我们的研究确实表明，我们的客户希望与我们的造型师进行更多互动，作为人类。我们认为，这对于我们来说是一个非常令人兴奋的下一个前沿，能够

帮助我们的客户理解，“嘿，从一开始，我们就可以和你谈谈为什么这个造型师与你搭配。”任何风格专家都会了解他们真正产生共鸣的客户，以及他们真正产生共鸣的时尚潮流。我们拥有所有这些信息。这是一个非常令人兴奋的领域，我们正在考虑如何更好地向我们的客户展示这些信息。太棒了。

告诉我们你是如何走到今天的。这段旅程是怎样的？到目前为止，我还没有看到很多认知神经科学。它在那里吗？我会说我们这里有一个很棒的团队。

许多人来自科学背景。我相信，正如你的许多其他嘉宾与你谈论的那样，学术科学背景最终是一套很好的经验，可以学习如何与真实数据互动。在Stitch Fix，我们有一个关于

像我这样具有社会科学背景的人，来自心理学，其他人可能来自经济学或其他社会科学背景，与具有物理科学背景的合作伙伴交谈。你会从处理数据中获得一些不同的经验。如果你来自天文学、地质学或化学，你可能对数据如何表现有某种感觉，对吧？

Jeff Cooper 将他对神经科学和人类行为的兴趣转化为数据科学领域的职业生涯，如今担任在线零售订阅服务 Stitch Fix 的高级数据科学总监。Jeff 加入 Me, Myself, and AI 节目，分享该公司如何将人类员工与智能技术相结合，以跟上客户偏好，同时实现运营效率。他还谈到了该公司如何维持消费者极高的反馈率，以及人类如何训练模型，反之亦然，从而产生有趣的反馈循环。在此处阅读剧集文字记录。嘉宾简介：Jeff Cooper 是个性化造型领域的全球领导者 Stitch Fix 的高级数据科学总监，负责客户算法团队，该团队开发产品推荐、风格和增长模型。他此前曾在 Tradesy、FabFitFun 和迪士尼担任数据科学领导职务，还在加州理工学院和都柏林三一学院担任决策神经科学研究职务。Jeff 拥有斯坦福大学心理学博士学位。Me, Myself, and AI 是麻省理工学院斯隆管理评论和波士顿咨询集团合作推出的播客，由 Sam Ransbotham 和 Shervin Khodabandeh 主持。我们的工程师是 David Lishansky，协调制作人是 Allison Ryder 和 Alanna Hooper。通过加入我们的 LinkedIn 群组“AI for Leaders”（mitsmr.com/AIforLeaders）或关注 Me, Myself, and AI 的 LinkedIn 账号与我们保持联系。我们鼓励您对我们的节目进行评分和评论。您的评论可能会用于 Me, Myself, and AI 的资料。</context> <raw_text>0 恒星，它们彼此之间有点不同，但是……是的，恒星遵循规则。是的，它们遵循规则。人类不遵循。如果你在学术背景中磨练了与大学生或小孩子，甚至与世界上的成年人打交道的经验，你会比其他方式更深刻地理解数据中的变异性。所以我进入数据科学的部分原因是……

我对人感兴趣。我对人类行为感兴趣。我只是认为人是世界上最有趣、最复杂的事物。这就是我一开始学习心理学的原因。而数据科学最终成为一个领域，其中包含关于人们行为的大量数据。因此，我每天思考的很多事情仍然非常类似于我研究生时期所做的关于决策理论的核心价值观思考

萨姆，你之前说过，

很难弄清楚时尚或搭配服装的目标函数是什么。如果你在心理学领域待过一段时间，这就是你过去思考这类问题的方式。你所做的一切都是试图将这个混乱、无定形的人类概念转化为某种数学模型，以便能够对其进行测量和量化。所以我觉得……

当你与真正的客户合作时，尤其是在直接与客户合作的企业中，你必须在数据科学中变得非常舒适。

他们不会在任何时候都完全按照你的想法去做，也不会在任何时候都寻找你认为他们正在寻找的东西。你必须适应这样一个想法：你需要处理一些非常模糊的东西，一些难以转化为数字的东西，并找到一种方法将其转化为数字，以便能够对其进行测量。我认为数据科学是一个极好的领域，用于

运用数学、统计建模和高精度计算工具来实际说明这些关于

我们感受和决策方式以及我们感觉自己看起来如何、自我形象等非常复杂、难以预测的事情，它们似乎很难转化为数字，但是当你将它们转化为数字时，你往往可以学到很多东西。这是一个很好的答案。它打开了我们的思想，即

数据科学不必只局限于精确的领域，它不一定是精确的。事实上，你所说的无定形性和广泛的范围，各种可能的极好解决方案是一个解决开放式问题的极好工具，而你们实际上很多，你们所有的问题都是开放式的。这是

统计学和机器学习都是从根本上处理数据变异性的领域。它们是关于处理那些你做同样的事情但发生不同结果的问题。没有什么比时尚更能体现数据变异性了。两个人看同一件东西，其中一个人认为它很棒。而另一个人则认为，嗯，不适合我。而且

能够将这种非常人性化的变异性转化为可以用数字处理的东西，尝试对它进行一些预测，尝试大规模地对其进行总结，我认为这是一个非常令人着迷的问题。

谢尔文，你五问吗？我通常会把这个发给谢尔文，我不会……五个问题？让我查一下。所以杰夫，你知道五个问题吗？我认为我不知道。太棒了。这应该是这个词。谢尔文喜欢人们措手不及。是的，我们有一个简短的环节，我们会问你五个随机问题。我喜欢你把它描述成一个动词。你五问吗？是的。

所以我们要问你五个问题。告诉我们你脑海中首先想到的东西，这是一种快速射击类型。你认为人工智能目前最大的机遇是什么？如何让它与人类一起工作。太棒了。关于人工智能的最大误解是什么？人们错在哪里？它比人类更聪明。你想要的第一份职业是什么？你小时候想做什么？宇航员。什么时候人工智能太多了？当它没有为人们留下空间时。

你希望人工智能现在就能做到但做不到的一件事是什么？更多地在物理世界中运行。我们对此非常兴奋，当我在这里说“我们”时，我的意思是，我认为，在数据科学和我们的 AI 社区中，我们对我们所能做的所有关于信息和语言的事情感到兴奋。太棒了。非常重要。还有更多机会。

当我们考虑不仅仅是机器人，而是某种自动化和物理自动化开始与我们可以以更人性化方式与之交互的更强大的认知模型更多地联系起来时，帮助人们。我们真的认为，你知道，很多，

大型语言模型时刻以及重大进步让每个人都感到如此有趣的是，它提供了以更像与人互动的方式与这些自动化系统互动。这就是人们想做的。因此，解锁我们与可以在物理世界中以更人性化方式运行的自动化系统互动的能力，我认为这是一个我非常兴奋的领域。太棒了。这很有道理。

杰夫，感谢你今天花时间与我们在一起。这太有趣了。你如何使用人工智能来帮助你的造型师和客户更多地了解自己，这真的很有趣。在这种情况下，你提到的所有内容都与学习有关，甚至是双向学习。我认为我今天之前没有意识到这种共生关系。你的模型正在探索一个空间，而你的造型师正在帮助模型探索这个空间。这种反馈循环似乎非常重要。我也没有意识到它的复杂性。

这些事情听起来总是很简单。哦，是的，使用一些人工智能来帮助解决这个问题。但是魔鬼在于细节。

我想在这种情况下，魔鬼不穿普拉达。魔鬼穿硅胶。这非常好。我喜欢关于从你能做到的任何地方开始的短语。我认为这是一个很好的短语，特雷文。这是我们可以关注的一个。从你能做到的任何地方开始。非常感谢你今天与我们交谈，杰夫。这太好了。感谢你们的邀请。魔鬼穿硅胶。这真的很好。谢谢。谢谢。你刚才想到这个的吗？是的，我的意思是，我希望这在这里。

感谢您今天加入我们。下一次，谢尔文和我将与一位在最近的斯皮尔伯格电影中担任主角的 AI 初创公司创始人交谈。准备好，玩家一号。准备好你的爆米花，两周后收听。

感谢收听 Me, Myself, and AI。我们相信，就像你一样，关于人工智能实施的对话不会仅限于此播客。这就是为什么我们在 LinkedIn 上专门为像你这样的听众创建了一个群组。它被称为“AI for Leaders”，如果你加入我们，你可以与节目创建者和主持人聊天，提出你自己的问题，分享你的见解，

并获得来自麻省理工学院 SMR 和 BCG 关于人工智能实施的宝贵资源，你可以通过访问 mitsmr.com/AIforLeaders 来访问它。我们将把链接放在节目说明中，我们希望在那里见到你。